L’AutoML est une forme de machine learning (ML) dans laquelle les tâches et processus nécessaires au développement de modèles d’apprentissage pour les machines sont automatisés, plutôt que construits de manière itérative par des développeurs. Alors que les entreprises collectent plus de données qu’un être humain ne pourrait en traiter, l’AutoML les aide en créant rapidement des modèles de ML à grande échelle.
Les tâches de ML automatisées, et donc devenues plus faciles, dans l’AutoML comprennent :
- Classification
- Régression
- Sélection du meilleur modèle
- Mise à l’échelle des données
- Normalisation des données
- Réglage et optimisation des hyperparamètres
- Construction de séries temporelles
Ces tâches sont devenues de plus en plus complexes et, alors que davantage d’entreprises adoptent des applications de ML, la demande d’experts en ML et de data scientists dépasse largement la capacité des entreprises à les recruter. Les solutions d’AutoML prêtes à l’emploi, telles que Auto-sklearn et Auto-PyTorch, sont donc devenues plus courantes, car l’AutoML est plus accessible aux personnes ayant peu ou pas d’expérience en programmation.
À lire aussi : TinyML : le machine learning à la périphérie
Avantages de l’AutoML
Précision
Puisque l’AutoML automatise les tâches liées à l’optimisation des modèles de machine learning et au développement de réseaux neuronaux profonds, il réduit le risque d’erreur lié à l’intervention humaine. L’AutoML n’est toutefois pas exempt de biais. Un être humain doit en définitive fournir les données d’apprentissage initiales qui génèrent les données de validation. L’ensemble de données de validation devient ensuite la référence pour la génération et la sélection des modèles. L’AutoML utilise cependant aussi les données d’apprentissage pour lutter contre les biais susceptibles d’être présents dans les ensembles de données d’apprentissage et de validation.
Accessibilité
Comme indiqué précédemment, il n’y a pas suffisamment d’ingénieurs ML et de data scientists qualifiés pour pourvoir les postes. L’AutoML ne nécessite pas de connaissances préalables en programmation, ce qui rend le machine learning accessible aux non-spécialistes et répond aux besoins en talents des entreprises. En supprimant cette barrière de connaissances, l’AutoML permet à davantage de parties prenantes de participer et rend le processus de développement et de déploiement plus transparent.
Efficacité
L’AutoML accélère le processus de développement et de déploiement en automatisant des tâches auparavant effectuées manuellement. Le travail minutieux de test des modèles et d’ajustement des hyperparamètres peut désormais être réalisé en quelques minutes. L’AutoML fait gagner du temps aux développeurs, aux data scientists et analystes, ainsi qu’aux experts en ML, mais ne les rend certainement pas superflus.
Productivité
Lorsque les tâches du pipeline de ML sont automatisées et accélérées, cela libère du temps et des ressources précieux pour que les employés puissent se concentrer sur d’autres fonctions essentielles au sein de l’entreprise. Par exemple, au lieu d’être accaparés par les tests de modèles et l’architecture des réseaux neuronaux, les employés peuvent se concentrer sur les enseignements tirés de l’AutoML et les mettre en pratique au service d’objectifs stratégiques plus larges pour l’entreprise.
4 façons dont l’AutoML peut transformer votre entreprise
Au-delà des avantages plus généraux de l’AutoML, ses fonctionnalités de prévision, d’identification d’objets et d’images et de traitement du langage naturel peuvent améliorer concrètement différents aspects de votre entreprise.
Ressources humaines
L’AutoML rationalise le processus de création de modèles de ML personnalisés capables de traiter le langage humain. La capacité de l’AutoML en matière de traitement du langage naturel peut aider les équipes d’acquisition de talents à sélectionner des candidats qualifiés en détectant certains mots-clés dans les CV.
Cependant, la technologie qui se trouve derrière les logiciels omniprésents aujourd’hui de suivi des candidatures (ATS) peut être défaillante, voire discriminatoire. Les logiciels ATS peuvent, par exemple, écarter par erreur un grand nombre de candidats qualifiés ou être programmés pour exclure toute personne présentant une caractéristique particulière susceptible de relever d’une catégorie d’identité protégée. Ajuster les paramètres du modèle pour privilégier les attributs positifs plutôt que négatifs est une manière pour les humains de corriger les biais de leurs logiciels ATS. Comme indiqué plus haut, l’AutoML n’empêche pas totalement les biais, mais son utilisation des données d’apprentissage contrebalance les biais éventuellement présents dans les données d’apprentissage et de validation. L’intervention humaine joue effectivement un rôle dans l’ajustement de ces systèmes afin qu’ils apprennent et produisent des résultats de manière plus éthique.
À lire aussi : Utiliser l’IA pour servir les utilisateurs grâce à l’ITSM
Sécurité
L’AutoML simplifie les modèles de classification et l’attribution d’étiquettes, ce qui facilite l’utilisation de la détection d’images et d’objets à des fins de sécurité. La détection d’images peut être appliquée à la reconnaissance de l’écriture manuscrite, qui peut à son tour détecter les signatures falsifiées sur des tablettes ou d’autres appareils à signature électronique.
La détection d’objets peut également servir à inspecter des locaux à la recherche d’intrus. L’AutoML peut aussi contribuer à la détection des fraudes en repérant des habitudes d’achat ou des événements de connexion inhabituels.
En outre, la fonction de traitement du langage naturel de l’AutoML peut aider les équipes de sécurité à repérer les échanges de pirates et à se protéger de manière proactive contre les cyberattaques.
Ventes et marketing
Les fonctionnalités de prévision des séries temporelles de l’AutoML peuvent transformer la manière dont les équipes commerciales et de production travaillent. L’AutoML détecte automatiquement les signaux prédictifs, effectue le réglage des hyperparamètres et sélectionne le meilleur modèle. Il continue d’apprendre et de s’améliorer pour prédire les indicateurs qu’il est chargé de mesurer.
Cela profite à l’équipe commerciale en l’aidant à prévoir la demande et à ajuster en conséquence les fonctions et les priorités de l’entonnoir de vente. Par exemple, si une entreprise de transport de conteneurs avait utilisé l’AutoML, comme l’outil de prévision de la demande de Mate Labs ou b2metric, pour prévoir une pénurie de conteneurs à l’été 2020, son équipe commerciale aurait pu contacter ses clients actuels pour les alerter de déficits futurs susceptibles d’affecter leurs flux de stocks.
La capacité de classification mentionnée plus haut permet la détection d’objets, qui peut soutenir le commerce électronique dans un environnement B2C. Alors que les consommateurs font davantage leurs achats en ligne, pouvoir prendre en photo quelque chose qu’ils voient en personne, faire reconnaître l’objet par l’appareil et, par conséquent, rediriger l’utilisateur vers la boutique en ligne du produit permet de proposer des expériences d’achat plus simples et centrées sur le consommateur.
L’AutoML peut aider les équipes commerciales et marketing à déterminer la perception qu’ont les consommateurs de la marque et des produits de l’entreprise grâce au traitement du langage naturel appliqué au langage écrit sur des forums comme Reddit ou au langage parlé dans des vidéos TikTok. Les chatbots peuvent améliorer la satisfaction et la fidélisation des clients en les orientant vers le service ou la personne compétente afin de résoudre rapidement leurs réclamations.
Production et chaîne d’approvisionnement
Pour les entreprises du secteur manufacturier, les équipes de production et de chaîne d’approvisionnement bénéficient également de la capacité de prévision de l’AutoML, qui leur permet de planifier plus rapidement et plus précisément les hausses et les baisses de la demande pour leurs produits. L’acquisition et le stockage des matières premières, ainsi que la gestion des stocks de manière plus générale, sont directement influencés par la demande. En tant que méthode plus précise de prévision de la demande, l’AutoML aide les entreprises à gérer plus efficacement leur chaîne d’approvisionnement et leurs stocks.
Pourquoi adopter l’AutoML dans votre entreprise
Ce ne sont là que quelques-unes des façons dont l’AutoML peut transformer votre entreprise. Ses fonctionnalités de prévision, de traitement du langage naturel, de détection d’objets et d’images, entre autres, facilitent bon nombre de fonctions essentielles de l’entreprise. Il ne supprime toutefois pas le besoin de talents et de ressources humaines. L’AutoML aide les humains à travailler plus intelligemment.
À lire ensuite : Les meilleurs outils RPA en 2021 : logiciels d’automatisation robotisée des processus