En puisant des informations dans de grands volumes de données, le Deep Learning crée des modèles de décision et apprend des situations. Grâce à cette technologie, les entreprises peuvent par exemple savoir qui seront leurs prochains clients, anticiper les départs de certains consommateurs, ou encore prévenir et détecter les fraudes.
Deep Learning : que se cache-t-il derrière ce vocable ? Le Deep learning, ou apprentissage profond, analyse et modélise un tas d’évènements susceptibles d’être à l’origine d’une action en s’appuyant sur un volume de données très important, pour atteindre un niveau d’abstraction plus étendu que le Machine Learning.
« Le Deep Learning, par exemple, analyse un contexte d’achat. Quels sont les éléments susceptibles d’être intervenus lors de cette prise de décision : nouveau produit, changement de positionnement du fournisseur sur le marché, évolution de la grille tarifaire, nouvelle équipe commerciale, état de la concurrence… Ainsi, le Deep Learning crée des modèles de décision capables de détecter dans une masse de données les éléments favorables à une décision d’achat. Grâce à ce type de technologie, une entreprise BtoB peut par exemple identifier quels seront ses prochains clients », explique Frédéric Pichard, CEO de Sparklane.
Élargissant les travaux initiaux autour des réseaux neuronaux, les deep neural networks utilisent des techniques s’inspirant du fonctionnement du cerveau humain. « Alors que de la data analytique repose sur des analyses statistiques, le Deep Learning est basé sur des modèles de reconnaissance et d’apprentissage et est capable de repérer des signaux très faibles comme, par exemple, le déménagement d’une entreprise pour quelques mètres carrés supplémentaires ou le recrutement d’une dizaine de personnes. Autant de signaux faibles qui ne ressortent pas comme significatifs dans les statistiques, mais qui sont des éléments de décision pour le Deep Learning », précise Frédéric Pichard.
Le Deep Learning apprend des situations
À l’inverse des statistiques, le Deep Learning repose sur des modèles qui apprennent par l’exemple au fil du temps. « Le Deep Learning est une boite noire dont on ignore le fonctionnement et la durée d’apprentissage. Ainsi, il faut évaluer avec précision la pertinence du modèle avant et pendant sa mise en production », confie notre expert.
Basée sur l’utilisation d’un très grand volume de données et complexe à mettre en œuvre, cette technologie n’est, à ce jour, utilisée que par des grands comptes ou des entreprises high-tech. American Express l’utilise à des fins de détection de fraude. Ainsi, grâce à la modélisation du comportement d’achat des clients et du contexte dans lequel a été réalisé un achat, l’entreprise est capable de repérer un acte anormal. « Le Deep Learning est aussi utilisé dans les descriptions de profils clients pour évaluer les risques du Customer Churn. Dans ce cas, le Deep Learning analyse et repère les indices comportementaux révélateurs d’un prochain départ : arrêt de paiement de factures, mail de mécontentement, visite du site d’un concurrent, etc. Grâce à ces indices et à leur comparaison avec des comportements identiques de clients déjà partis, le Deep Learning en déduit la perte de celui-ci », indique Frédéric Pichard.
Si aujourd’hui cette technologie reste coûteuse et nécessite des compétences très spécifiques, le Deep Learning devrait, selon notre expert, se généraliser d’ici quatre à cinq ans. « Conscients du potentiel de cette technologie, les grands acteurs du web et de l’informatique – Amazon, Google, Microsoft ou IBM – fournissent déjà des frameworks pour mettre en place des modèles d’apprentissage autour du Deep Learning ». Le début de la démocratisation de cette technologie.
