Machine learning : des algorithmes obsolescents avec le Covid-19 ?

Gartner attire l'attention sur les limites des techniques d'apprentissage automatique face à la « nouvelle réalité ».

Attention à l'obsolescence des modèles IA développés avant la crise sanitaire.

L'alerte est signée Gartner. Elle se fonde sur un constat simple : les algorithmes de machine learning utilisent traditionnellement le passé pour prédire l'avenir. Or, le scénario actuel est sans précédent.

Se pose la question de les adapter à la « nouvelle réalité ». En sachant que cette dernière n'est pas encore figée et qu'on ne dispose pour le moment que de peu de données qui la reflètent.

Ces contraintes impliquent, selon Gartner, de repenser l'apprentissage automatique. Par l'intermédiaire de deux techniques en particulier : le renforcement et la distribution. Avec, à la clé, davantage de réactivité pour les modèles ainsi entraînés.

Dans la pratique, toutefois, l'une et l'autre technique ne sont pas encore d'usage commun. Gartner estimait, au dernier pointage, qu'il faudrait 3 à 5 ans pour en arriver à ce stade.

La réactivité des algorithmes

Pour illustrer le besoin de réactivité, le cabinet américain donne l'exemple des outils marketing. Et se demande combien de temps il faudra, dans l'ère post-Covid :

Aux algorithmes d'optimisation de la communication numérique pour s'adapter à l'évolution de l'engagement (sachant qu'en conditions « normales », il est question d'un délai de 90 jours)

Aux systèmes de recommandation pour s'aligner sur les nouveaux comportements d'achat (on s'appuie traditionnellement sur un historique de 12 mois)

À toutes les campagnes en cours pour intégrer les signaux changeants et communiquer les bons messages aux bonnes personnes (beaucoup d'outils de gestion des parcours clients ont une fenêtre rétrospective de 30 jours)

À travers cet exemple, Gartner fait écho à un rapport qui aborde plus largement l'évaluation des modèles prédictifs par les marketeurs. Parmi les questions soulevées à cette occasion :

Mes modèles peuvent-ils utiliser moins de données et devenir plus agiles (c'est-à-dire plus réactifs aux changements) ?

Quelles données seront les plus porteuses pour l'avenir et dans quelle mesure les algorithmes sont-ils sensibles aux anomalies qu'elles contiendraient ?

Illustration © zapp2photo - Fotolia