En clair
Une entreprise veut savoir quels prospects ont le plus de chances de signer. Plutôt que d'écrire des règles à la main, elle donne à un modèle l'historique de ses anciens prospects, ceux qui ont signé et ceux qui n'ont pas signé. Le modèle apprend les signaux qui comptent et attribue un score à chaque nouveau prospect.
Comment ça marche
Apprendre à partir d'exemples
On fournit au modèle un ensemble de données d'entraînement. Le modèle ajuste ses paramètres pour que ses prédictions collent le mieux possible aux exemples. Une fois entraîné, il s'applique à des cas qu'il n'a jamais vus : c'est l'inférence.
Trois grandes façons d'apprendre
- Supervisé : chaque exemple porte la bonne réponse (signé ou pas signé).
- Non supervisé : le modèle cherche seul des groupes ou des structures dans les données.
- Par renforcement : le modèle apprend par essais, en étant récompensé quand il agit bien.
La qualité des données décide de tout
Un modèle reproduit ce qu'il voit. Des données incomplètes ou déséquilibrées donnent des prédictions fausses ou des biais. Le travail de préparation des données compte souvent plus que le choix de l'algorithme.
