Utilisé comme outil de prévision ou encore de recommandation, le Machine Learning démocratise et étend le terrain de jeu de l’Intelligence artificielle.

Déjà intégrée dans de nombreux domaines, cette technologie d’apprentissage automatique, devenue opérationnelle avec l’avènement du Big Data, connaît aujourd’hui un véritable essor.

Le Machine Learning est la science idéale pour réaliser des analyses prédictives et identifier des tendances à partir d’un gros corpus de données. Résultat : il est de plus en plus plébiscité par les entreprises.

Comment le Machine Learning permet-il d’affiner la recommandation de programmes sur une plateforme de streaming ? comment est-il utilisé pour optimiser les stocks et maximiser les ventes ?

À partir de ces exemples d’utilisations réelles, nos deux experts, Nastasia Saby et Guillaume Saupin, nous ouvrent les portes du Machine Learning le temps d’un webinaire.

La recommandation est partout : que ce soit sur les plateformes de streaming vidéo ou musical, sur les sites e-commerce… Elle fait désormais partie de notre quotidien.

Pour les utilisateurs, la recommandation représente un gain de temps dans la recherche d’information mais aussi l’opportunité de découvrir de nouveaux produits. Pour l’entreprise qui propose ce service, c’est un triple avantage : la recommandation permet d’engager les utilisateurs, de les fidéliser et d’augmenter les bénéfices.

Il existe plusieurs manières de faire de la recommandation. De façon schématique, on distingue habituellement deux grandes familles : la première est celle du Content Based Filtering, qui s’appuie sur le contenu (le genre du programme, le réalisateur, l’ambiance, l’âge de l’utilisateur…). La seconde famille est celle du Collaborative Based Filtering, fondée sur des calculs de similarité entre les différents utilisateurs et utilisatrices ou entre les différents programmes.

Dans la pratique, il s’avère que le modèle utilisé pour la recommandation est plus souvent un modèle hybride, mêlant Content Based Filtering, Collaborative Based Filtering ainsi qu’une variable aléatoire.

Face à un algorithme de recommandation, il faut noter que plusieurs types de problèmes peuvent se poser : l’évaluation du système de recommandation, le cold start (que recommander à quelqu’un qu’on connaît peu ou pas du tout ?), la bulle normative ou encore l’annotation qui suppose des profils très complets pour avoir de bonnes recommandations… Autant de sujets que Nastasia Saby aborde en détails dans ce webinaire.

Comment une entreprise peut-elle mieux gérer ses stocks et anticiper la période promotionnelle des soldes grâce à la technique du Machine Learning ? À travers l’exemple de la collaboration entre Verteego et Faguo (marque de mode engagée), Guillaume Saupin explique comment le Machine Learning a permis de définir un critère optimal entre la réduction des stocks et du volume, tout en garantissant un stock adapté aux objectifs de vente permettant d’atteindre la profitabilité attendue.

Trouver ce juste critère passe par la combinaison d’algorithmes prédictifs et d’une optimisation sous-contrainte. Concrètement, pour alimenter le modèle de prédiction, sont pris en compte l’historique de vente des produits, la sensibilité des clients aux promotions, les niveaux de stocks, l’empreinte carbone par produit, les informations du produit, son coût de fabrication et sa marge.

Ce système va générer de multiples scénarios. En les combinant à l’algorithme d’optimisation, il devient possible de choisir, parmi tous ces futurs possibles, celui qui sera le plus adapté.

En fin de webinaire, Guillaume Saupin aborde les détails techniques, notamment la mise au point d’un AutoML pour la constitution des modèles prédictifs, les solveurs utilisés, etc.