Liste de contrôle: l'apprentissage automatique est-il la bonne approche pour votre problème?

Au milieu des récits de solutions intelligentes et des nouvelles de découvertes révolutionnaires, il peut être tentant d'idéaliser des technologies comme l'apprentissage automatique en tant que solutions miraculeuses aux défis auxquels le gouvernement est confronté.

Mais l'apprentissage automatique n'est pas toujours la solution à vos problèmes. Avant même d'envisager de planifier un projet, posez-vous d'abord la question suivante: «l'apprentissage automatique est-il la bonne approche pour ce problème?»

Pour vous aider à répondre à cette question, nous avons développé une liste de contrôle avec Crina Grosan, maître de conférences au département d'informatique de l'Université Brunel , spécialiste en intelligence artificielle et apprentissage automatique, et auteur du guide en 5 étapes au début du cours .

Lisez la liste de contrôle et travaillez sur les questions pour déterminer si l'apprentissage automatique est la bonne voie à suivre pour relever les défis de votre agenda. Cliquez ici pour télécharger.

Contenu de la liste de contrôle:

1. Pouvez-vous décrire votre problème en termes d '«intrants» et de «extrants»?

Il est important de pouvoir formuler votre «résultat attendu» - le résultat cible pour le problème que vous essayez de résoudre - et vos «intrants» - les variables de vos données qui affectent ce résultat.

Par exemple, «avec les ressources disponibles, puis-je obtenir de meilleures performances»? Ou «de quelles ressources supplémentaires ai-je besoin pour obtenir de meilleures performances»?

Dans cet exemple, la performance est votre sortie et les ressources sont votre entrée. Pour décrire votre problème de cette manière, vous devez comprendre le rôle que vos variables pourraient jouer dans le résultat cible du problème que vous étudiez. Vous voudrez peut-être vous appuyer sur des connaissances spécialisées dans le domaine pour vous aider à le faire.

2. Pouvez-vous formuler un objectif pour votre problème?

Par exemple, si vous êtes un responsable disposant de données disponibles sur les ressources et la productivité, votre objectif peut être "Je souhaite augmenter la productivité de 20% en 6 mois".

Il est essentiel que votre objectif soit à la fois mesurable et réalisable. Les cibles utopiques peuvent causer des problèmes plus tard dans la ligne: elles peuvent entraîner des performances d'algorithme médiocres car des cibles irréalistes ne peuvent pas être modélisées ou prédites avec des sources de données existantes.

3. Est-il possible de résoudre votre problème avec l'apprentissage automatique?

Une fois que vous avez confirmé que votre objectif est réalisable et mesurable, vous devez maintenant déterminer s'il est réalisable à l'aide de l'apprentissage automatique .

Cette étape nécessite une analyse de base des données et une compréhension de ce que les algorithmes d'apprentissage automatique peuvent réaliser, vous devrez donc vous appuyer sur l'expertise des données pour vous aider.

En bref, il existe certains types de problèmes standard qui conviennent à une solution d'apprentissage automatique - et vous devez déterminer si votre problème en fait partie. Par exemple, trouver des modèles dans les données, regrouper des données ou prédire l'avenir à partir d'une séquence de données passées. Si votre problème peut appartenir à l'une de ces catégories, l'apprentissage automatique pourrait être un outil approprié pour le résoudre.

Les objectifs avec un aspect prévisible sont généralement adaptés à l'apprentissage automatique. Dans ce cas, vous commencerez par les données d'entrée et certains résultats connus. Par exemple, «avec x ressources, la productivité est de y». Ensuite, vous construisez un modèle qui apprend de ces résultats connus et peut être réappliqué pour toutes les données d'entrée similaires et invisibles.

Cependant, l'apprentissage automatique est moins approprié pour les objectifs qui sont des processus itératifs - une séquence d'étapes qui sont appliquées pour arriver à la solution. Ici, vous commencez par les données , puis vous construisez un algorithme étape par étape pour obtenir le résultat.

4. Est-il nécessaire d'utiliser l'apprentissage automatique pour résoudre votre problème?

Dans certaines situations, des méthodes statistiques peuvent être appliquées pour atteindre votre objectif et il n'est donc pas nécessairement nécessaire de développer et d'appliquer un modèle d'apprentissage automatique.

Tout dépend de la nature du problème à résoudre. Les experts peuvent vous aider à comprendre le type de problème auquel vous êtes confronté: s'agit-il d'un problème de régression, de classification, de clustering, d'association de règles ou de prise de décision? Dans certains de ces cas, il peut être inutile d'appliquer un algorithme d'apprentissage automatique.

Par exemple, de simples tracés 2D ou 3D de variables ainsi que des corrélations de base peuvent suffire pour atteindre votre objectif. Mais, si vous voulez un modèle que vous pouvez appliquer à chaque fois que vous ajoutez de nouvelles données, ou si vous voulez que le modèle s'adapte en permanence aux nouvelles données que vous acquérez, alors un modèle d'apprentissage automatique peut être plus précis.

5. Avez-vous un objectif réalisable pour votre projet?

Alors que l'objectif que nous avons défini à la question 2 doit décrire ce que vous souhaitez atteindre par rapport à votre problème, l'objectif de votre projet doit décrire comment vous souhaitez utiliser l'apprentissage automatique pour y parvenir. Vous avez besoin d'un objectif pour votre projet - l'objectif doit indiquer comment vous allez utiliser l'apprentissage automatique pour résoudre votre problème.

Voulez-vous améliorer un système existant ou développer une approche complètement nouvelle de votre problème?

Par exemple, des améliorations ont peut-être déjà été apportées «manuellement» par un expert dans le domaine. Ils ont peut-être changé certains paramètres dans le but d'améliorer la sortie. Par exemple, dans l'exemple de la productivité, l'expert a peut-être légèrement modifié les ressources, par essais et erreurs, pour obtenir de meilleures performances.

Dans ce cas, votre objectif peut être d'utiliser votre modèle d'apprentissage automatique pour trouver une relation mathématique entre vos entrées, ou «variables», et votre sortie. Cela pourrait être exprimé soit par une règle - «si les ressources sont x, alors le niveau de productivité sera y» - soit par une formule mathématique. Si vous atteignez cet objectif, vous pouvez alors appliquer la formule pour faire des prédictions plutôt que de vous fier à des essais et des erreurs.

6. Pouvez-vous définir une mesure de succès?

Cela peut être une mesure binaire de réussite ou d'échec, ou il peut s'agir d'un pourcentage qui reflète le degré auquel vous avez réalisé ce que vous aviez prévu.

Ces mesures peuvent être basées à la fois sur la mesure dans laquelle vous avez atteint l'objectif de votre projet et sur les performances de votre système d'apprentissage automatique. À quel point avez-vous atteint l'objectif? Et à quelle vitesse votre système était-il? De quelles ressources avait-il besoin? Avec quelle facilité pouvez-vous affiner les paramètres? Est-il facile d'interagir avec lui? - Anna Goulden

(Crédit photo: Unsplash)