Du Random Forest au Réseau de neurones, Skapánê sélectionne l’algorithme en fonction de vos besoins métier.

Le Machine Learning est une technologie d’intelligence artificielle permettant aux ordinateurs d’apprendre sans avoir à être programmés explicitement à cet effet.

Le Machine Learning est une science moderne permettant de découvrir des patterns et d’effectuer des prédictions à partir de données. Ces données se basent également sur des statistiques, sur de la fouille de données, sur la reconnaissance de modèles et sur les analyses prédictives. C’est à la fin des années 1950 que les premiers algorithmes apparaissent.

De plus, cette technologie extrait de la valeur en provenance de sources de données massives et variées. Cette technologie est dirigée par les données. Elle convient à la complexité des immenses sources de données du Big Data. Ce type de données dites du Big Data sont souvent définies par les 5 « V » :

  • Volume : quantité de donnée à disposition ;
  • Vitesse : nécessité de traiter les données en temps réel ;
  • Variété : données dites structurées (sous forme de tableau) et non structurées (voix, images, texte) ;
  • Véracité : fiabilité des données ;
  • Valeur : les données ayant une réelle valeur, sur lesquelles nous sommes capables d’agir et de mesurer l’impact sur le système.

Contrairement aux outils analytiques traditionnels, il peut également être appliqué aux ensembles de données croissants. Plus les données injectées à un système de Machine Learning sont nombreuses, plus ce système sera performant. Le Machine Learning permet de découvrir, d’appréhender, de connaître le contenu des données.

 

Skapánê déploie différents types d’algorithmes :

  • Algorithme en mode supervisé : la valeur à prédire est connue. Il est souvent utilisé pour des valeurs numériques, des catégories d’informations. 

Ce type d’apprentissage nécessite des jeux de données représentant l’historique contenant la valeur réelle que l’algorithme prédit.

  • Algorithme en mode non-supervisé : la valeur à prédire n’est pas connue dans ce type d’apprentissage.

C’est un type d’apprentissage extrêmement puissant, nécessitant un savoir-faire avancé, car la cible à modéliser n’est pas forcément définie. Ce type d’algorithme sert à définir les différentes catégories de population sur un jeu de données.

  • Algorithme avec apprentissage par transfert : utilisé pour le spécialiser sur un domaine métier bien particulier (par exemple : dans le domaine médical pour aide au diagnostic).

Ce type de modèle s’avère très utile dans la reconnaissance d’images spécifiques (par exemple : détection d’armes dans une foule

  • Algorithme avec apprentissage par renforcement : possibilité de connaître les actions à réaliser pour un scénario donné.

Des algorithmes sont entraînés sur différents scénarios pouvant se produire sur le système. Ces scénarios doivent être traduits sous forme de données gérées par le système.

Un scénario représente un état du système en difficulté.

L’algorithme teste ensuite les différentes valeurs des paramètres à sa disposition pour que le système revienne dans un état stable.