Cet article a pour objectif de vulgariser les principes du Machine Learning et de citer des exemples d’application au secteur banque/assurance. Il se concentre sur les grands principes de cette technologie et ne traitera pas des subtilités techniques liées aux algorithmes.

Le Machine Learning, qu’est-ce que c’est ?

Le terme Machine Learning est souvent associé au Big Data sans pour autant être compris. Sa définition nécessite d’être précisée.

Le Machine Learning, ou apprentissage automatique, est l’utilisation des outils de l’intelligence artificielle (algorithmes, réseaux de neurones…) en vue d’obtenir une analyse prédictive à partir de données. La fonction du Machine Learning est donc d’établir des corrélations entre X évènements plutôt que de mettre en avant une causalité comme le ferait un algorithme « classique », avec un nombre de données défini.

Afin d’étayer cette définition, nous pouvons illustrer le Machine Learning par l’exemple suivant :

Prenons la probabilité que se déroule un cambriolage dans une zone résidentielle. Le cerveau humain peut définir une probabilité approximative avec un certain nombre d’informations (appelées Variables) telles que :

•  La période de l’année
•  Le niveau de vie de la zone résidentielle
•  La fréquentation dans cette zone

Toutefois, si nous décidons de corréler bien plus de données telles que :

•  Les précipitations
•  Les impacts des annonces politiques sur les 2 dernières semaines
•  Le pourcentage d’humidité dans l’air
•  La température extérieure…

Le cerveau humain serait dans l’incapacité de fournir un résultat fiable et donc de prendre de bonnes décisions du fait du nombre de variables concernées. À l’inverse, le Machine Learning tire sa force de la multitude de données à corréler.

Le fonctionnement du Machine Learning est assez simple et peut être résumé en 3 macro-étapes :

1- Rassembler les données à analyser
2- Apprendre de ces données afin d’en comprendre la logique
3- Réaliser des prédictions avec, le plus souvent, un score de confiance associé.

 L’intérêt du Machine Learning n’est donc pas uniquement le grand nombre d’enregistrements testés mais l’analyse d’un grand nombre (non défini) de variables ne pouvant être appréhendées par les algorithmes « classiques ». L’autre particularité de cette technologie est le fait de ne pas avoir pour obligation des données 100% fiables ou complètes (valeurs manquantes par exemple), ces échantillons seront tout simplement jugés avec une importance inférieure par rapport à des échantillons fiables et complets.

Le Machine Learning aujourd’hui

Les premières applications du Machine Learning, tel qu’on le connait aujourd’hui, remontent aux années 1990 mais c’est depuis les années 2010 que le phénomène prend de l’ampleur comme on le remarque sur la courbe ci-dessous représentant les recherches effectuées sur Google associées au terme « Machine Learning » :

Google trends

Données GoogleTrends sur la popularité du mot clé « Machine Learning »

 

Amazon, de par son AWS Amazon Machine Learning propose un service d’apprentissage-machine robuste permettant aux entreprises d’obtenir facilement des prédictions, sans maîtriser les algorithmes et techniques du Machine Learning, en fournissant des outils de visualisations et d’interprétations simples.

De nombreuses autres entreprises comme Google, Microsoft ou encore IBM proposent des solutions similaires (SaaS ou Non). Ces solutions sont destinées à tout type d’entreprises.

Le machine Learning peut être implanté très rapidement pour des premiers résultats immédiats (de l’ordre de quelques jours), cette technologie ne nécessitant qu’un « pool » de données pour générer ses premiers résultats. Il est néanmoins nécessaire, pour des résultats plus approfondis, de consacrer du temps à la qualité et à la quantité de données alimentant les analyses.

Avec l’essor du Big Data et des océans de données, le Machine Learning prend une toute autre ampleur du fait que les entreprises ont désormais accès à une quantité colossale de variables différentes qui, mises en corrélation, peuvent être un atout de décision extrêmement puissant. Ces prédictions ne permettent pas de lire l’avenir mais d’émettre une hypothèse avec une marge d’erreur de plus en plus faible au fur et à mesure de l’évolution des algorithmes.

L’évolution du Machine Learning et son application au secteur Banque et Assurance ?

Des grands groupes se sont déjà lancés dans les problématiques Big Data et Machine Learning (lors de projets de transformation numérique). C’est le cas de la BCE (Banque Centrale Européenne) qui prédit les évolutions des marchés financiers grâce à l’analyse de Tweets, du groupe d’assurance Covéa (MMA, Maaf, GMF) qui souhaite aller au-delà de l’approche statistique telle que maitrisée depuis des années ou encore de Generali France qui vise la détection automatique d’incidents.

Les secteurs bancaires et assuranciels sont particulièrement intéressés par l’application du Machine Learning afin de, par exemple :

•  Prédire qu’un client va quitter sa banque
•  Définir ceux qui veulent changer leur assurance vie ou mieux en contrôler les bénéficiaires
•  Écourter le délai d’acceptation des assureurs
•  Définir la probabilité d’un contentieux avec un nouveau client avant même qu’il intègre sa banque
•  Détecter des fraudes (comme le fait Paypal afin de réduire les escroqueries innombrables qui ont ciblé les utilisateurs du site)
•  Améliorer la satisfaction client en proposant les offres les plus pertinentes possibles

Néanmoins, il est important d’émettre une réserve sur ce sujet plein de potentiel. En effet, les grandes entreprises (citées plus haut) restent très vagues sur les résultats que procure le Machine Learning et attendent probablement des résultats très concrets pour se mettre en avant, c’est le cas de Google avec AlphaGo. AlphaGo est un programme informatique, basé sur l’intelligence artificielle et le Machine Learning, capable de jouer au jeu de go. Dernièrement, Google a annoncé qu’AlphaGo avait battu un des meilleurs joueurs mondiaux obtenant alors la 4e place au classement de Go mondial.

Pour conclure, le Machine Learning est une solution de prise de décisions indépendante des composantes architecturales des entreprises. Couplé au Big Data, il dispose d’une puissance analytique immense. Le ROI (retour sur investissement) d’une solution Machine Learning est difficile à définir compte tenu du large périmètre d’exploitation de la solution. Quoiqu’il en soit, il est important de disposer d’indicateurs (KPI) afin de mesurer ce ROI avant et après la mise en place de la solution. Nous pouvons affirmer avec certitude que le Machine Learning continuera de s’améliorer avec l’évolution des algorithmes et de la quantité de données à analyser. Cette évolution laisse entendre la naissance d’outils révolutionnaires, comme l’a annoncé Google fin mai, avec la mise en place de Trust API, une façon de supprimer les mots de passe sur Smartphone à l’aide d’indicateurs de confiance.