L’analyse prédictive : des visions d’avenir
Valérie Bécaert Valérie Bécaert
20 novembre 6 min

L’analyse prédictive : des visions d’avenir

Tout au long de l’histoire, les êtres humains ont été fascinés par l’idée de prévoir l’avenir. De l’oracle de Delphes, dans la Grèce antique, à la science-fiction spéculative d’Isaac Asimov ou de Stanley Kubrick, cette obsession a traversé les âges. L’analyse prédictive est la dernière expression de ce désir humain fondamental d’avoir un aperçu de ce que notre avenir nous réserve.

Dans cet article, nous explorerons les fondements de ce domaine fascinant, la façon dont il s’intègre dans le paysage plus large de l’apprentissage machine et de l’intelligence artificielle (IA), et ses applications concrètes qui continuent à changer notre façon de vivre.

Tout un monde de données à comprendre

Le terme données fait penser à la haute technologie, mais c’est un terme qui réfère essentiellement à l’information. L’analyse de données n’a donc rien de nouveau. C’est ce que les humains ont toujours fait : recueillir de l’information, y réfléchir et tenter d’en tirer des conclusions. Mais nous avons maintenant accès à une quantité sans précédent d’information, grâce à des progrès comme l’Internet des objets, et nous disposons de moyens beaucoup plus perfectionnés pour la traiter.

Nous devons traiter des volumes d’information plus importants que jamais, et l’information saisie est plus approfondie et plus complexe. Un humain pourrait tenter de tirer un sens de toutes ces données, mais il y a une limite à la quantité d’information qu’une personne peut traiter. Les ordinateurs ont révolutionné l’analyse de données, mais ils peuvent seulement faire exactement ce qu’ils ont été programmés pour faire. Afin de vraiment exploiter la valeur des données, nous devons apprendre ce que nous ne savons pas. C’est là que l’IA entre en jeu.

L’analyse des données par le natif numérique

À l’aide de données, l’IA peut être utilisée pour créer des modèles complexes d’événements futurs : elle peut simuler ce qui pourrait se dérouler en se fondant sur l’expérience passée, puis déterminer la meilleure voie à suivre. Ajay Agrawal, professeur à l’Université de Toronto, estime que l’IA est de la « prédiction machine », de la même façon que les premiers ordinateurs faisaient de «l’arithmétique machine ».

L’apprentissage machine permet maintenant une analyse de données offrant un niveau sans précédent de connaissances, et des prévisions plus réalistes. Au lieu de simplement rassembler et présenter les données à analyser, l’IA peut faire des prédictions et prendre des décisions sans intervention humaine directe – et, si ces résultats sont erronés, un système d’IA peut être conçu avec la capacité de se corriger.

Dans certains cas, les approches statistiques plus classiques sont encore supérieures aux modèles d’IA fondés sur l’apprentissage profond, mais nous commençons seulement à exploiter la puissance de l’IA. Plus la quantité de données introduites dans les modèles d’IA à autocorrection augmente, plus ceux-ci deviennent efficaces.

Il y a encore des défis à relever en ce qui a trait aux prédictions de l’IA, notamment parce que les systèmes d’IA sont efficaces pour prendre des décisions, mais mauvais pour donner des explications. Toutefois, la puissance des algorithmes d’apprentissage constitue un véritable changement de paradigme en matière d’analyse des données.

Nous disposons maintenant des outils nécessaires pour faire des prévisions plus précises que jamais, et les applications sont illimitées. Dans son livre Prediction Machines: The Simple Economics of Artificial Intelligence, le professeur Agrawal donne l’exemple de la fin des caméras à pellicule, entraînée par l’invention de l’ordinateur, et laisse entendre qu’il est encore trop tôt pour constater les véritables répercussions de la prédiction machine.

Des entreprises fondées sur l’anticipation de l’avenir

De la recherche scientifique de haut niveau aux prévisions du marché, l’analyse prédictive alimentée par l’intelligence artificielle a changé notre façon de gérer les possibilités futures. L’industrie de l’assurance en est un bon exemple : c’est un secteur où l’on s’intéresse fondamentalement au risque, à la préparation aux événements futurs.

Selon un rapport de Willis Towers Watson, le troisième courtier d’assurance en importance au monde, 54 % des assureurs utilisent des modèles prédictifs pour recueillir des données sur leurs clients et leur entreprise.

Le modèle d’affaires de base en matière de souscription d’assurance consiste à percevoir plus de revenus auprès des clients (les primes d’assurance) que le montant des sinistres indemnisés. Pour le profane, ça peut sembler évident et simple, mais de nombreux enjeux déterminent le succès ou l’échec de ce modèle. La tarification est la clé, et des calculs complexes sont nécessaires pour que l’assureur demeure concurrentiel tout en maintenant le meilleur équilibre possible entre les bénéfices et les indemnités (s’il y a lieu).

Pour optimiser cet équilibre, les modèles d’IA peuvent déterminer les structures de tarification et les taux exigés aux souscripteurs en utilisant les données historiques et en modélisant les probabilités futures de sinistres, le comportement des clients, les changements du marché et d’autres facteurs. Ils peuvent également utiliser l’analytique pour détecter des cas possibles de fraude, actuels ou futurs, en accédant à des sources de données fédérées ou régies plus importantes afin de vérifier le passé d’un client et de déterminer s’il a été soumis à une enquête, si des réclamations antérieures lui ont été refusées ou s’il est associé à des personnes ou à des organisations suspectes. L’IA peut donc maintenant jouer le rôle du détective aussi bien que celui de l’analyste.

Le succès d’une entreprise dépend de plus en plus de sa capacité à exploiter au maximum ses technologies et ses données. Et cela ne fera que s’accentuer à l’avenir, l’IA puisant de plus en plus de nouvelles connaissances dans les données.