Microsoft veut démocratiser l'apprentissage automatique

Si les grandes promesses de l'intelligence artificielle sont encore loin d'être devenues réalité, les progrès sont de plus en plus visibles, au moins dans quelques domaines spécifiques. L'apprentissage automatique (« Machine Learning ») fait naturellement partie de ceux-ci, nous invitant à prédire l'avenir grâce à l'analyse de données.

Mais quelle est-donc cette discipline, exactement ? Son principe consiste à explorer les gigantesques volumes de données désormais disponibles dans toutes les grandes entreprises, afin de détecter automatiquement des « motifs » récurrents qui permettent de déduire les relations de cause à effet sous-jacentes au fonctionnement du système étudié. De la sorte, lorsqu'intervient un événement préalablement identifié, il est possible, par analogie, de prévoir un comportement futur.

En dépit des apparences, il ne s'agit pas que de théorie et nous pouvons déjà constater les bénéfices de ces approches dans notre vie quotidienne. Par exemple, les outils de détection de fraude sur les paiements les mettent de plus en plus souvent en œuvre pour réagir plus rapidement aux menaces émergentes, tout comme les assistants virtuels qui envahissent nos smartphones, toujours prêts à répondre à nos questions (posées en langage naturel, bien entendu), en apprenant (seuls) à corriger leurs erreurs de jeunesse.

A l'heure actuelle, la conception et la mise en œuvre des modèles mathématiques sur lesquels se fonde l'apprentissage automatique sont réservées à des experts de l'analyse de données et des statistiques. Or les besoins des entreprises sont énormes et c'est donc la raison pour laquelle Microsoft s'apprête à lancer son nouveau service dans le cloud « Azure Machine Learning », présenté comme un outil accessible au commun des mortels, y compris des utilisateurs sans compétences de développement logiciel.

Pour ce faire, la plate-forme – qui ne sera ouverte en version beta qu'à partir de juillet – se présente comme un atelier de conception au sein duquel le néophyte assemble graphiquement des éléments de modèles d'analyse. Les développeurs peuvent également y intégrer leurs propres algorithmes, écrits en langage R, qui deviennent alors immédiatement disponibles pour les autres utilisateurs. Après validation sur des données historiques, les modèles sont exportés comme des services web, qu'il est possible d'invoquer dans tout type d'application.

La démocratisation de l'apprentissage automatique telle qu'elle est esquissée par Microsoft n'est pas uniquement liée à la possibilité d'une prise en main par des non spécialistes. Entre aussi en ligne de compte – peut-être de manière encore plus importante – la mise à disposition du service dans le cloud Azure. En effet, grâce à ce choix, les utilisateurs peuvent se lancer immédiatement, sans se préoccuper d'acquérir et installer les infrastructures – souvent lourdes – normalement nécessaires pour les applications d'analyse de données…

Les deux arguments combinés ont de quoi convaincre nombre de décideurs – par exemple dans des directions marketing – qui souhaiteraient expérimenter ces nouvelles techniques sans engager des investissements importants. Il existe cependant un risque non négligeable que la facilité avec laquelle l'apprentissage automatique peut être exploité engendre des dérives. Après tout, l'expertise des « data scientists » n'est pas seulement dans la programmation mais plutôt dans la qualité des raisonnements qu'ils appliquent.

Imaginez ainsi les effets dévastateurs que pourraient causer des modèles aussi absurdes que les corrélations fallacieuses exposées ici…