L'apprentissage automatique et ce que nous en faisons à la Skai m'enthousiasment. Et, bien que ce que nous faisons avec l'apprentissage automatique soit vraiment génial, ce n'est pas ce qui m'excite le plus.
Je suis plutôt enthousiaste à cause de ce que cela suggère : la montée en puissance de l'apprentissage automatique dans les solutions de marketing en ligne de premier plan implique que la technologie d'analyse avancée rattrape les données. L 'augmentation de la quantité de données que nous collectons a, pour l'essentiel, dépassé les capacités d'analyse de ces données.
Cela s'explique en partie par le fait qu'avec la quantité de données que nous collectons aujourd'hui, l'échelle humaine ne fonctionne tout simplement pas. L'analyse traditionnelle n'est pas très bien adaptée pour découvrir la valeur des grands ensembles de données d'aujourd'hui. Nous avons besoin de l 'échelle de la machine pour effectuer certaines des analyses les plus utiles.
L'apprentissage automatique est un vaste domaine qui comporte de nombreux sous-genres. Ce qui m'intéresse le plus, c'est l'aspect "données", c'est-à-dire l'approche analytique basée sur les données. Les humains peuvent adopter une approche axée sur les données, mais jamais à l'échelle que permettent les machines d'aujourd'hui.
L'approche de l'apprentissage automatique permet de traiter des milliards de points de données - pas des données que l'on peut placer dans Excel et analyser avec un tableau croisé dynamique - où chaque point de données pris isolément peut apporter peu ou pas d'informations. En fait, plus il y a de données disponibles, plus l'approche de l'apprentissage automatique fonctionne souvent bien.
Les machines sont capables d'utiliser tous les points de données fournis pour tester l'exactitude des prédictions et entraîner le système à améliorer ses prédictions. Les meilleures approches, et celles que nous utilisons à la Skai, sont même capables d'apprendre et de se corriger de manière indépendante.
Au fur et à mesure que le système devient capable de reconnaître des modèles utiles, ces capacités prédictives peuvent être facilement distribuées et diffusées sur une plateforme d'apprentissage automatique à une échelle qui ne semble pas avoir d'équivalent humain.
À un niveau très basique, l'apprentissage automatique est une technologie qui nous permet d'accéder aux vastes quantités de données que nous avons accumulées (et qui continuent à croître de manière exponentielle) et qui peut nous aider à comprendre les schémas dans les données afin de réaliser des choses très utiles pour notre entreprise.
Nos efforts pour comprendre les schémas dans les données et construire une technologie adaptative ont abouti à deux technologies en instance de brevet que je qualifierais de "révolutionnaires" : Halogène et ActiveCluster.
Nous avons découvert le code de l'apprentissage automatique et les données constituent désormais un atout plus précieux pour nos clients. Nos modèles donnent un aperçu précis de l'avenir.
À partir de là, nous ne ferons que trouver de nouvelles opportunités et progresser dans notre utilisation de l'intelligence artificielle.
L'apprentissage automatique est un domaine très vaste et une partie de l'art d'utiliser les algorithmes de ce domaine consiste à choisir la bonne approche pour les données et le problème que vous essayez de résoudre. Pour moi, ouvrir le coffre aux trésors des données dont nous disposons aujourd'hui est une partie très excitante de l'approche.
C'est pourquoi je suis très enthousiaste à propos de l'apprentissage automatique.