Data Science Ala Guennich
Machine learning
Data Science Ala Guennich
Le machine learning ne désigne en réalité qu’une partie du travail d’un data
scientist. C'est pourquoi avant de rentrer dans le vif du sujet et de ne parler que
de la partie machine learning, je vous propose de faire un tour rapide du métier
de data scientist, afin de se situer.
Dans ce chapitre, nous allons prendre un peu de hauteur et observer en quoi
consiste le cycle habituel de travail des data scientists, pour comprendre à
quelle étape intervient le machine learning. C’est parti !
Cycle de travail du data scientist
Le cycle de travail du data scientist peut se résumer par le schéma ci-dessous.
Pour faire simple, on part de la réalité, on récupère les données, on les nettoie, on
les explore, puis on utilise nos algorithmes pour créer de l’intelligence (artificielle)
qui aide à la décision. Dans la suite, nous allons détailler ces différentes étapes et
voir quels sont les différents métiers sur la chaîne de traitement de la donnée.
Cycle de travail du data scientist
Récupération des données
Une fois que vous êtes décidé à attaquer un problème, la première chose à faire
est d'explorer toutes les pistes possibles pour récupérer les données. En effet, les
données constituent l'expérience, les exemples que vous allez fournir à votre
algorithme de machine learning, afin qu'il puisse apprendre et devenir plus
performant.
Data Science Ala Guennich
Dans la suite du cours, j’appellerai les données étudiées, destinées à alimenter un
algorithme de machine learning, indifféremment dataset ou jeu de données.
Tout doit passer au crible ! Les bases de données existantes, des données
brutes alternatives (image, son, etc.), et même la création de nouveaux canaux
d'acquisition de données. Essayez de trouver l'ensemble des variables qui
impactent de près ou de loin le phénomène qui vous intéresse.
Vous trouverez ci-dessous quelques exemples, où les data scientists ont redoublé
d'ingéniosité pour récupérer et utiliser leurs données de manière originale.
• Les images satellites pour évaluer le niveau de pauvreté
Des chercheurs ont utilisé le machine learning pour pouvoir cartographier les
zones de pauvreté de manière automatique, simplement à partir d'images
satellites !
Une cartographie de l'estimation de la consommation moyenne quotidienne (crédits : Neal Jean
et al.)
• Les CAPTCHAs pour la digitalisation automatique de livres
Luis von Ahn, entrepreneur et chercheur, a créé un célèbre système de
reCAPTCHA qui permettait à la fois aux sites web de valider que les
Data Science Ala Guennich
formulaires étaient bien remplis par des humains, et qui alimentait en même temps
la base de données d'un algorithme de digitalisation de livres. Grâce aux
nombreux exemples renseignés directement par des humains, l'algorithme a fini
par avoir suffisamment de données d'exemples pour réussir ensuite seul à
retranscrire en texte des images scannées de livres, avec un taux d'erreur très
faible.
Exemple de reCAPTCHA
• Détectez l'illettrisme par l'utilisation du smartphone
Un chercheur norvégien a utilisé plusieurs types de données mobiles (tels que les
SMS, le nombre de contacts, etc.) pour détecter les personnes illettrées dans les
pays en voie de développement.
Croisez les différentes sources de données
Dans beaucoup de cas, l’innovation en data science dans une entreprise vient
de l’originalité de l’utilisation des données et du croisement de différentes
sources de données. Pour cela, il faut dans l’idéal posséder une politique de
gestion des données dans son entreprise la plus transparente possible.
Data Science Ala Guennich
Nettoyage des données
Une fois les données trouvées, il faut passer à l'étape de nettoyage. Pour ne rien
vous cacher, ce n'est pas l'étape la plus agréable du travail, mais ça ne la rend
pas moins indispensable.
Nettoyer les données, c'est s'assurer qu'elles sont consistantes, sans valeurs
aberrantes ni manquantes.
Une autre étape nécessaire, en général, est l’aggrégation de ces données dans
un data lake. Nettoyer les données signifie donc qu’elles sont toutes sous le
même format, accessibles au même endroit et au bon moment.
Lorsque ces questions deviennent complexes, il faut faire appel au data
architect qui, lui, possède une maîtrise technique pour réaliser ces différentes
tâches. Ces ingénieurs des Big Datas sont responsables de la création et de
l'administration de tous les systèmes techniques qui vont permettre la bonne
exploitation des données.
L'important, c'est de bien préparer le terrain pour les étapes suivantes. Ces
étapes seront grandement simplifiées si ce travail fastidieux est bien effectué en
amont.
Exploration des données
Les données bien propres peuvent maintenant commencer à être explorées. Cette
étape vous permet de mieux comprendre les différents comportements et
de bien saisir le phénomène sous-jacent.
C'est vraiment une étape à ne pas négliger. Les meilleurs data scientists ne sont
pas ceux qui connaissent les algorithmes les plus complexes, mais ceux qui ont
une très bonne connaissance des données et ont préparé le terrain avec soin
en amont.
À la fin de l’exploration, vous devrez être en mesure de :
• Proposer plusieurs hypothèses sur les causes sous-jacentes à la
génération du dataset : "suite à l'exploration, il y a clairement une relation
entre X et Y".
• Proposer plusieurs pistes de modélisation statistique des données, qui vont
permettre de résoudre la problématique de départ considérée.
• Proposer si nécessaire de nouvelles sources de données qui aideraient à
mieux comprendre le phénomène.
C'est dans les phases de nettoyage et d'exploration des données que les data
scientists passent le plus clair de leur temps.
Data Science Ala Guennich
Lorsque l'on a simplement besoin de comprendre ses données et les explorer, on
peut faire appel à un data analyst. Ou bien un data analyst peut effectuer des
études préliminaires avant de laisser le travail de modélisation au data scientist.
Modélisation des données à l'aide du machine learning
Nous pouvons enfin rentrer dans la partie la plus intéressante du métier, c’est-à-
dire la création du modèle statistique associé aux données qui nous intéressent !
C'est ce qu'on appelle le machine learning (ou apprentissage automatique).
Mais ça veut dire quoi “modélisation statistique des données” ?
En machine learning, et en data science plus généralement, l'objectif est de trouver
un modèle (stochastique ou déterministe) du phénomène à l'origine des données.
C'est-à-dire qu'on considère que chaque donnée observée est l'expression
d'une variable aléatoire générée par une distribution de probabilité.
Le mieux pour expliquer ce que ça signifie est de prendre un petit exemple simple.
Imaginez que vous voulez savoir si vous payez trop cher votre loyer. Vous avez
récupéré sur un site de location une trentaine de prix des locations disponibles,
ainsi que la surface associée :
loyer mensuel (en €) surface (en m2m2)
1500 32
2120 65
2500 60
... ...
Bien sûr, en réalité d’autres paramètres seraient probablement à prendre en
compte (parties communes, voisinage, évolution des loyers au cours du temps,
etc). Le but est ici d’appréhender un modèle simplifié afin de comprendre
rapidement ce que veut dire "modéliser un phénomène".
Si l'on affiche maintenant ces différents points sur un graphe qui représente le
montant du loyer en fonction de la surface, on obtient le graphique suivant :
Data Science Ala Guennich
Loyer mensuel en fonction de la surface du logement
Comme on pouvait s’y attendre, on remarque une augmentation
relativement linéaire du loyer par rapport à la surface de l’appartement. Une
première modélisation simple du phénomène (le prix du loyer) serait donc
simplement de considérer la droite la plus “proche” de l’ensemble des points.
La droite de régression correspondant à la modélisation du nuage de points
La droite représente donc notre modèle du phénomène, auquel nous pouvons
ajouter l'intervalle de confiance dans lequel on pense que se trouve la droite.
Data Science Ala Guennich
L'intervalle de confiance (à 90 %)
Pour résumer, le travail de modélisation consiste à trouver le bon modèle
statistique (ici la droite et son intervalle de confiance) qui colle le mieux aux
données d'exemple. Le machine learning en particulier intervient pour trouver ce
modèle de manière automatisée.
Évaluation et interprétation des résultats
Une fois un premier travail de modélisation effectué, la suite de l’étude s’effectue
par l’évaluation de la qualité de notre modèle, c’est-à-dire sa capacité à
représenter avec exactitude notre phénomène, ou a minima sa capacité à
résoudre notre problématique.
Une représentation connue qui souligne la nécessité de l'évaluation est le quartet
d'Anscombe. Il permet de montrer visuellement que pour 4 jeux de données très
différents, on obtient la même droite de régression.
Data Science Ala Guennich
Le quartet d'Anscombe illustre bien le fait que si l'on n'examine pas assez les données, et qu'on
ne mesure pas de la bonne manière l'erreur de son modèle, on peut facilement arriver à des
aberrations de modélisation.
Il y a parfois clairement un problème dans notre modèle, qui ne capture pas
l'essence du phénomène. Pour nous aider à évaluer les résultats, mesurer l’erreur
de notre modélisation vis-à-vis de nos données d’exemple constitue un premier
indicateur de qualité. Dans les cas ci-dessus, il faudrait clairement changer le
modèle d’une droite que nous avions décidé au départ !
C’est donc un jeu d’allers-retours entre modélisation et évaluation qui s’effectue
pour obtenir les performances les plus satisfaisantes possibles. Il est même
possible, dans certains cas, de remettre en question certaines hypothèses de
départ et de repartir dans une phase d’exploration pour mieux comprendre les
données.
Déploiement de modèle en production
Une fois qu’on est satisfait de la qualité des performances de notre modèle, on va
pouvoir passer à l’étape suivante, qui est le rendu de nos résultats et le potentiel
déploiement du modèle en production. Imaginez que vous trouvez que votre
modèle d’évaluation des loyers est très performant et mériterait d’être partagé à
plus de monde. Vous décidez donc de le déployer sur un serveur où tout le monde
pourra obtenir une estimation de son loyer selon votre modèle, et ainsi déterminer
s'il paie plus ou moins que les prix du marché ! Cela l'aidera sûrement dans sa
décision de déménager.
Data Science Ala Guennich
Comment cela fonctionne-t-il en pratique ? C’est assez simple, il vous suffit de
récupérer les paramètres de votre modèle et de faire passer la surface de
l'appartement en entrée du modèle, afin d’obtenir le loyer associé en sortie, en
suivant la droite.
Imaginez qu'un appartement a une surface de 30 mètres carrés (point en rouge), une estimation
légitime du loyer se situerait aux alentours de 1300 euros selon notre modèle.
Pour des modèles plus complexes, le fonctionnement reste le même. Si vous
voulez appliquer votre travail à de nouvelles données, il vous suffit de passer les
nouvelles entrées dans votre modèle (qui est en principe un ensemble de
transformation des valeurs d’entrées) afin d’obtenir une sortie.
Là encore, si ce passage en production est complexe, que ce soit en termes
d’échelle, de contrainte de rapidité de calcul ou de sortie de résultats, il faut faire
appel à un data architect qui sera responsable d’industrialiser le prototype que
vous lui fournirez.
Résumé
La data science est un nouveau domaine de travail qui augmente les capacités
d’analyse classique, afin d’aider les entreprises à prendre des décisions plus
informées. Elle s’appuie pour cela sur des données utiles et ne peut s’appliquer
que dans certaines problématiques précises qui gagnent à utiliser ce type de
méthodes.
Data Science Ala Guennich
Au sein du cycle de travail du data scientist, le machine learning désigne
l'ensemble des méthodes de modélisation statistique à partir des données.
