PREUVE DE VALEUR METIER DU MACHINE LEARNING & IMPLICATIONS

Auteurs :

Houssame Berkia

Data & AI Engineer

Contactez

2 minutes

Artificial Intelligence Banque

Pour la filiale bancaire d’un groupe de distribution international, Sentelis a éveillé les directions métiers à l’usage du ‘Machine Learning’. Une évolution indispensable pour challenger les modèles déterministes actuels, notamment de marketing, de finance et de lutte anti-blanchiment.

L’enjeu : exploiter tout le patrimoine informationnel de l’entreprise

Dans un univers bancaire hyperconcurrentiel et fortement exposé à la cybercriminalité, les directions marketing, finances et risques sont perpétuellement en recherche d’optimisation de leurs algorithmes pour prédire, prévenir et donc agir dans le bon momemtum. Mais face au tsunami des données, en volume, variété et vélocité, être en mesure de programmer des règles déterministes efficaces devient quasi impossibles : comportements erratiques et imprévisibles des consommateurs et cybercriminels, univers de variables à analyser et corréler immense, profils d'informations fluctuants en format et qualité.

La solution : des algorithmes apprenants

Pour exploiter toute la richesse informationnelle disponible à l’ère des ‘Big Data’, l’entreprise doit être en mesure de reconnaître et classifier tous types de données, de répondre à des stimuli imprévus ou encore de découvrir de nouveaux patterns comportementaux et ce de façon automatique et à grande échelle. Des capacités qui s’apparentent à nos capacités cognitives et dont le pendant technologique est l’intelligence artificielle. Dans ce domaine, les machines dites auto-apprenantes basées sur des algorithmes mathématiques (‘Machine Learning, Deep Learning’) fascinent par leur capacité à apprendre et interpréter sans programmation explicite des montages de données de toutes natures (textes, images, sons, vidéo). Les algorithmes dits supervisés (‘supervised learning’) sont ainsi capables, à partir des informations auxquelles ils sont exposés, de découvrir les corrélations entre un jeu de données en entrée et en sortie et ce sans qu’on le lui explicite. Une fois entraîné, ils sont ainsi en mesure, lorsque exposés à des nouvelles données de même nature, de produire (déduire) un résultat cohérent. Les algorithmes non-supervisés (‘unsupervised learning’), n’ont eux pas besoins d’un jeu de données labellisées. Ils cherchent par eux-mêmes les corrélations possibles sans aucune indication de relation, en processant l’ensemble des variables caractérisant les données soumises (‘features’) pour faire apparaître des regroupements (‘clusters’). Au-delà de leurs immenses perspectives, maîtriser ces technologies n’est pas trivial. Pour en démontrer et valider le potentiel, Sentelis s’est appuyée sur des données opérationnelles anonymisées et des cas d’usages concrets. La démarche suivie a permis d’éclairer le processus de fabrication des modèles et leur opérationnalisation, d’identifier les capacités technologiques indispensables (‘self-services data preparation’, ‘modelOps’, ‘bias detection’, ‘supervision’…), les compétences requises (data scientist, data engineer, ai engineer…) et les dispositifs organisationnels associés (Data Lab, Ai Factory…). Elle a également mis en exergue l’articulation à la cible entre l’Enterprise Intelligent Platform et les autres plateformes clés du système d’information de l'entreprise digitale pour un déploiement industriel à l’échelle de l'IA, dont l’Enterprise Cloud Platform et l’Enterprise Data Platform.

La méthode

En collaboration avec les équipes clients, l’intervention de Sentelis a porté sur :

  • L’introduction aux essentiels du ‘machine learning’
  • L’identification de cas d’usages candidats
  • Le choix des cas d’usages exemplaires et l'identification des données nécessaires
  • Le développement de modèles supervisés et non-supervisés incluant
    • la formalisation de la démarche d’expérimentation
    • l’analyse des données en entrées
    • la détection des biais potentiels
    • le choix des données d’entrainement et de tests
    • le choix et l’exécution des algorithmes
    • l’explicitation de leur comportement
    • l’analyse de leur performance fonctionnelle et technique
    • les travaux à conduire pour leur opérationnalisation
    • la comparaison avec les algorithmes déterministes existants
    • la proposition de modification de paramètres de seuil pour ces derniers
    • la formalisation et présentation d’une synthèse à destination des décideurs