17 octobre 2013 | Québec
Des données pour comprendre ce qui pourrait arriver et orienter les décisions
Les données permettent de comprendre ce qui s’est produit, mais elles peuvent également servir à anticiper certains résultats et à déterminer les actions envisageables. C’est là qu’entrent notamment en jeu l’analyse prédictive et l’analyse prescriptive.
Les deux approches sont liées, mais elles ne répondent pas exactement à la même question. De façon simplifiée, l’analyse prédictive cherche à déterminer ce qui pourrait se produire, tandis que l’analyse prescriptive s’intéresse aux actions à privilégier en fonction des résultats obtenus.
Dans le programme de Spécialiste en intelligence artificielle – LEA.E3 du Collège CDI, un cours est consacré à ces deux formes d’analyse et à leur utilisation dans le cadre de la science des données.
Qu’est-ce que l’analyse prédictive?
L’analyse prédictive consiste à exploiter des données pour estimer la probabilité d’un résultat futur.
Une entreprise pourrait, par exemple, utiliser ses données historiques pour tenter d’anticiper la demande de certains produits. Une organisation pourrait chercher à déterminer quels facteurs sont associés à un résultat particulier ou à estimer la probabilité qu’un événement survienne.
Il ne s’agit pas de prédire l’avenir avec certitude. Un modèle prédictif produit plutôt une estimation à partir des données et des relations qu’il est capable de reconnaître.
Le cours consacré à l’analyse prédictive et prescriptive dans le programme de Spécialiste en intelligence artificielle – LEA.E3 aborde notamment la régression linéaire et logistique, les arbres de décision, ainsi que différentes méthodes permettant de développer et d’évaluer des modèles prédictifs.
👉 Découvrez également : Statistiques et intelligence artificielle : pourquoi vont-elles de pair?
Comment construit-on un modèle prédictif?
Avant de construire un modèle, il faut disposer de données pertinentes et suffisamment bien préparées pour les exploiter.
Une partie des données peut ensuite servir à entraîner le modèle afin qu’il apprenne à reconnaître certaines relations. D’autres données permettent de vérifier comment il se comporte lorsqu’il doit travailler avec des observations qu’il n’a pas utilisées lors de son entraînement.
Le plan de cours prévoit notamment la préparation des données, la création de jeux d’entraînement, de validation et de test ainsi que la validation croisée.
Cette démarche est essentielle : un modèle capable de reproduire fidèlement les données utilisées lors de son entraînement n’est pas nécessairement en mesure de produire des résultats satisfaisants sur de nouvelles données.
Comment mesure-t-on la qualité d’une prédiction?
Une prédiction n’a de valeur que si l’on peut évaluer la performance du modèle qui l’a produite.
Différentes mesures peuvent être utilisées selon le type de problème étudié. Le cours aborde notamment des indicateurs de performance pour évaluer les modèles prédictifs.
Cette étape permet de comparer différentes approches et de déterminer si le modèle répond suffisamment bien au besoin pour lequel il a été développé.
👉 Découvrez également : Python en intelligence artificielle : pourquoi ce langage est-il si utilisé?
Qu’est-ce que l’analyse prescriptive?
L’analyse prédictive pose essentiellement la question : « Que pourrait-il se produire? »
L’analyse prescriptive va plus loin en cherchant à répondre à une autre question : « Que devrait-on faire compte tenu de ce que les données nous indiquent? »
Imaginons qu’un modèle anticipe une hausse de la demande pour un produit. L’analyse prescriptive pourrait servir à examiner différentes actions possibles afin de déterminer comment ajuster les ressources ou les opérations en fonction de cette prévision.
On passe donc de l’anticipation d’un résultat à l’utilisation de cette information pour éclairer une décision.
De la prédiction à l’optimisation
Lorsqu’il existe plusieurs actions possibles, il faut parfois déterminer laquelle répond le mieux à certains objectifs et contraintes.
L’analyse prescriptive peut alors recourir à des techniques d’optimisation pour évaluer différentes possibilités. Le cours du programme de Spécialiste en intelligence artificielle – LEA.E3, consacré à l’analyse prédictive et prescriptive, comprend justement des notions liées à l’optimisation et à la prise de décision.
Une organisation peut ainsi chercher non seulement à anticiper une situation, mais aussi à identifier une manière pertinente d’y répondre à partir des données disponibles.
Analyse prédictive et apprentissage automatique : quel est le lien?
L’analyse prédictive et l’apprentissage automatique peuvent se rejoindre puisque certains algorithmes d’apprentissage automatique permettent de développer des modèles capables de produire des prédictions à partir de données.
Le programme de Spécialiste en intelligence artificielle – LEA.E3 approfondit ultérieurement l’apprentissage automatique, notamment les méthodes supervisées et non supervisées.
L’analyse prédictive permet donc d’aborder plusieurs concepts utiles pour comprendre comment les données peuvent être utilisées pour développer et évaluer des modèles.
👉 Découvrez également : Apprentissage automatique et apprentissage profond en intelligence artificielle
Pourquoi distinguer prédiction et décision?
Une prédiction ne constitue pas automatiquement une décision.
Savoir qu’un événement est susceptible de survenir ne détermine pas nécessairement la meilleure façon d’y répondre. Une organisation doit également tenir compte de ses objectifs, de ses ressources, de ses contraintes et du contexte dans lequel elle évolue.
C’est précisément ce qui distingue les deux approches : l’analyse prédictive produit de l’information sur un résultat possible, tandis que l’analyse prescriptive cherche à utiliser cette information pour orienter l’action.
Cette distinction permet de mieux comprendre comment l’analyse de données peut progressivement passer de l’observation à l’anticipation, puis au soutien à la décision.
Des compétences complémentaires en science des données
L’analyse prédictive et l’analyse prescriptive ne fonctionnent pas isolément. Elles reposent sur des compétences acquises dans d'autres domaines.
Dans le programme de Spécialiste en intelligence artificielle – LEA.E3, les étudiants abordent également les bases de données, les statistiques, R, Python, la visualisation des données, l’apprentissage automatique et l’apprentissage profond.
Ces apprentissages permettent de comprendre différentes étapes qui conduisent des données brutes à une information susceptible d’orienter l’analyse prédictive et l’analyse prescriptive.
Foire aux questions
1. Quelle est la principale différence entre l’analyse prédictive et l’analyse prescriptive?
L’analyse prédictive vise à estimer ce qui pourrait se produire à partir des données disponibles. L’analyse prescriptive porte plutôt sur les actions qui pourraient être privilégiées en fonction des résultats de l’analyse, des objectifs poursuivis et des contraintes à prendre en compte.
2. Quelles méthodes d’analyse prédictive sont abordées dans le programme de Spécialiste en intelligence artificielle – LEA.E3?
Le plan de cours comprend notamment la régression linéaire et logistique, les arbres de décision, la préparation des données, les jeux d’entraînement, de validation et de test, la validation croisée ainsi que l’évaluation des modèles.
3. L’analyse prédictive permet-elle de savoir exactement ce qui va arriver?
Non. Un modèle prédictif s’appuie sur les données disponibles pour produire une estimation. Les résultats doivent donc être interprétés en tenant compte de la qualité des données, de la performance du modèle et du contexte d'utilisation de la prédiction.
Pour aller plus loin
👉 Intelligence artificielle : comprendre le domaine et ses perspectives
👉 Power BI : transformer les données en outils d’aide à la décision
👉 SQL et NoSQL : pourquoi les bases de données sont-elles essentielles en IA?
👉 En savoir plus sur le programme de Spécialiste en intelligence artificielle – LEA.E3 du Collège CDI
