Guide pratique du machine learning en 6 questions
Liée au domaine de l’intelligence artificielle, la notion de machine learning draine son lot de fantasmes et d’interrogations. Alors que certains y voient un progrès inestimable, d’autres sont paralysés par la crainte que l’évolution de l’IA ne transforme le pire de la science-fiction en terrible réalité. Or, dans les faits, le machine learning est avant tout une technologie. Elle utilise un carburant (la donnée issue du Big Data) pour trouver des applications dans des domaines très concrets (commerce, santé, transports). Ce guide se propose de servir d’introduction à cette notion complexe et à ses possibilités, notamment dans le cadre du marketing digital.
Qu’est-ce que le machine learning ?
On parle de machine learning pour désigner un processus progressif relatif à l’intelligence artificielle (voir sur cette page). À la base, un programme n’est pas fait pour apprendre par lui-même : il se contente d’appliquer les consignes qui lui ont été données. Or, à travers le machine learning, ou « apprentissage automatique », ce système devient capable d’évoluer pour répondre à des problématiques nouvelles et toujours plus complexes. En somme, le programme « apprend à apprendre », de façon à pouvoir s’adapter et anticiper les besoins des utilisateurs : on parle aussi d’analyse prédictive.
Quelles sont les applications actuelles du machine learning ?
Cette technologie d’apprentissage est déjà utilisée dans de nombreux domaines sous la forme d’algorithmes prédictifs. Vous y êtes confronté au quotidien, par exemple :
- Lorsque des suggestions vous sont faites pour un produit ou un service sur votre site e-commerce habituel (en fonction de votre historique d’acheteur et des pages que vous avez consultées) ;
- Quand des publicités sont affichées sur votre fil d’actualité Facebook (en prenant en compte vos pages vues et aimées, vos posts partagés, les informations personnelles que vous avez rentrées, etc.) ;
- Quand vous avez le choix entre un film ou une série conseillé(e) par l’algorithme de Netflix ;
- Lorsque vous conversez avec un chatbot sur une page web ou via une enceinte vocale (les questions/réponses proposées étant fonction des échanges précédents) ;
- Ou tout simplement quand vous classez vos emails sur une messagerie comme Gmail !
Que vient faire le Big Data dans cette histoire ?
Machine learning et Big Data sont indissolublement liés. On pourrait dire que l’un ne va pas sans l’autre. Le premier a besoin du second pour se développer et évoluer : les analyses prédictives promises par les algorithmes s’appuient sur un grand nombre de données collectées par les organisations. Si vous discutez avec un chatbot sur le site d’une compagnie d’assurances, il y a de fortes chances qu’il vous soumette des questions puisées dans le lot des interrogations formulées auparavant. Ce qui signifie, au passage, que vos propres questions vont servir de carburant à l’apprentissage du chatbot, et qu’elles pourraient être réutilisées plus tard. À l’inverse, le Big Data, pour être dompté, requiert la puissance de calcul du machine learning, bien plus évoluée que les méthodes d’analyse de base.
Qu’est-ce que le deep learning ?
Si le machine learning est un sous-domaine de l’intelligence artificielle, le deep learning, à son tour, est une sous-catégorie de l’apprentissage automatique. Cette expression se rapporte à une forme d’ « apprentissage profond » qui repose sur une infrastructure neuronale inspirée du cerveau humain. Ce faisant, un programme entraîné au deep learning sera capable de reconnaître des visages dans la foule et de recueillir des données à partir de patterns identifiés, comme l’infléchissement de la tonalité d’une phrase ou la distinction entre une interrogation et une affirmation. Mais attention : il n’est pas question de traquer les personnes comme le fait la machine dans la série Person of Interest ! Le deep learning permet surtout de mieux connaître les cibles marketing potentielles et d’analyser les comportements avec plus d’acuité.
Quels sont les liens entre machine learning et SEO ?
Ce n’est pas une surprise : Google s’intéresse de près à tout ce qui touche à l’intelligence artificielle, donc au machine learning. Cette technologie est déjà largement utilisée pour l’affichage des réponses les plus pertinentes aux requêtes des internautes, par le biais de son algorithme RankBrain. À l’avenir, les liens qui existent entre SEO et machine learning deviendront de plus en plus étroits : les règles de référencement et de classement qui feront foi demain seront basées sur des méthodes utilisées aujourd’hui, de telle sorte que les habitudes des référenceurs et des webmarketeurs risquent d’être bousculées en continu, au gré des évolutions automatiques des algorithmes. Plus que jamais, le machine learning contraindra les entreprises à utiliser des services de référencement naturel professionnalisés, conçus pour s’adapter à ces évolutions. Et à faire appel à des prestataires qualifiés, notamment des agences digitales capables de déployer des stratégies globales mêlant tous les leviers du webmarketing.
Quelles applications pour le machine learning dans les années à venir ?
Les possibilités induites par le machine learning n’en sont qu’à leurs balbutiements. Aujourd’hui, cette technologie permet à Google d’indexer et de proposer des pages web, à Amazon de suggérer des livres par rapport à ceux que les internautes ont déjà achetés, et au chatbot d’une entreprise de répondre à des questions basiques. Demain, l’intelligence artificielle touchera des domaines plus importants : les voitures rouleront toutes seules (le véhicule autonome de Google est déjà en test) et les algorithmes prendront à leur charge les diagnostics médicaux, avec toujours plus de rigueur. Et dans quelques années ? La seule chose que l’on puisse affirmer avec certitude, c’est que tout est possible !