Friday, February 21, 2020

L'Avenir de la Science des Données et de la Modélisation Prédictive






Il ne fait aucun doute que l'analyse prédictive fait fureur ces dernières années - et pour cause. La nouvelle discipline basée sur des algorithmes nous a permis d'apporter des informations qui fournissent des détails sur la probabilité d'un résultat donné, ainsi que de nous aider à obtenir celles qui sont favorables.
Les cas d'utilisation de la science des données et de la modélisation prédictive se présentent sous la forme d'outils de planification de voyage, où les clients peuvent définir les lieux, les dates, les adhésions au programme de miles, les besoins de l'hôtel et d'autres facteurs qui affectent les détails du voyage. Ces produits marquent une évolution vers une science des données conviviale, avec des outils qui transforment essentiellement le client en data scientist, leur permettant de créer leurs propres modèles pour retourner les résultats souhaités.
Nous avons même vu la science des données et la modélisation prédictive utilisées par des entreprises influentes comme Airbnb.
En 2014, les hôtes Airbnb ont eu un problème: ils n'ont jamais su tarifer leurs locations. Il y avait tellement de variables: la saisonnalité, l'emplacement et les préférences individuelles, ainsi que les commodités et les caractéristiques uniques de chaque propriété. Comment les hôtes pouvaient-ils proposer des frais de nuit à la fois reflétant tous ces facteurs  et  susceptibles de leur procurer une réservation?
Airbnb utilise la science des données pour résoudre de nombreux problèmes à l'échelle de l'entreprise; auparavant, ils s'appuyaient sur des informations basées sur des  données  pour améliorer la diversité des sexes de leur équipe. Ainsi, lorsque les hôtes avaient besoin d'aide pour choisir leurs prix, il était logique de créer une sélection de modèles prédictifs pour eux.
Entrez dans le  modèle Aerosolve , un modèle de tarification dynamique conçu pour synthétiser plusieurs variables afin d'aider les listeurs à choisir le tarif idéal pour leur location. Cet outil est cependant plus qu'un simple algorithme. Il utilise la technologie d'apprentissage automatique pour que les données soient réinjectées en continu dans l'outil. Réalisant que Aerosolve avait de nombreuses applications potentielles supplémentaires, Airbnb a décidé de télécharger le code sur Github pour un accès open source.
Cependant, ce qui est unique dans le modèle, c'est sa convivialité. Les couches sont compressées dans un format simplifié qui permet aux utilisateurs finaux de comprendre les informations — dans ce cas, leur probabilité de recevoir une réservation — lorsqu'ils ajustent des facteurs tels que le prix et la date.
La présentation d'outils prédictifs dans une interface utilisateur facile à digérer et orientée consommateur est exactement ce que l'avenir réserve à la science des données.
image1 1

De prédictif à prescriptif

Ces applications sont également emblématiques d'un changement qui traverse la science des données commerciales. Les scientifiques des données  s'orientent vers des applications pratiques de la modélisation prescriptive plutôt que prédictive. Alors que ce dernier utilise des données historiques pour prédire la probabilité d'avenir des événements (c'est-à-dire la probabilité qu'il pleuve demain), le premier suppose un agent humain actif capable d'influencer les résultats.
Définitions rapides  :
  • L'analyse descriptive  est la première étape de l'analyse commerciale dans laquelle vous examinez les données historiques et les performances.
  • L'analyse prédictive  est la deuxième étape de l'analyse commerciale dans laquelle les données passées sont utilisées avec des algorithmes pour prédire un résultat futur.
  • L'analyse normative  est la troisième étape de l'analyse commerciale dans laquelle vous déterminez le meilleur plan d'action.
Les scientifiques des données peuvent construire un modèle de rehaussement normatif pour prédire la probabilité de convertir un prospect avec une certaine offre, par exemple, ou pour dire si l'offre d'une prime de connexion influencera la probabilité qu'un employé potentiel accepte le poste.
De cette façon, il est beaucoup plus utile pour une planification proactive, comme dans le cas d'utilisation d'Airbnb. Il marque également un flou de la frontière entre la machine et les interactions humaines. Les modèles prédictifs plus anciens, par exemple, offraient simplement aux utilisateurs finaux un aperçu de la probabilité d'un événement. Il appartenait aux agents humains de décider quoi faire de ces informations.
La modélisation prescriptive de l'élévation, cependant, peut calculer les résultats d'un événement si les utilisateurs finaux choisissent de suivre un certain plan d'action. Il peut donc estimer si une  campagne marketing est susceptible de gagner  un certain groupe démographique ou proposer des solutions pour une campagne politique dans l'espoir de séduire les électeurs swing.
Les applications potentielles de ce type de données proactives sont pratiquement innombrables; il est particulièrement utile pour prédire les résultats dans le commerce de détail, les ventes, le marketing, la politique et les dons de bienfaisance, essentiellement partout où les utilisateurs espèrent inspirer les populations vers un certain comportement.
Lectures complémentaires:

Deep Learning: les machines adoptent les schémas de traitement de leurs créateurs

La tendance à la modélisation normative est un développement intéressant, philosophiquement parlant, étant donné la popularité croissante des technologies d'apprentissage automatique. Les scientifiques des données modernes sont souvent appelés à travailler en étroite collaboration avec les ingénieurs logiciels dans le développement de nouveaux outils automatisés, et bon nombre de ces produits utiliseront la technologie d'apprentissage automatique.
Vous avez probablement déjà entendu parler de cette évolution technologique - c'est un mot à la mode très populaire dans le domaine de la science des données en ce moment. Cependant, ce qui est moins bien connu, c'est précisément ce qu'est l'apprentissage automatique et comment il se rapporte au Big Data et à la science des données.
L'apprentissage automatique offre des applications extraordinairement puissantes de big data et de probabilité statistique. Il brise les divisions entre la collecte et le traitement des données.
Ici, les machines ajustent progressivement le comportement et les réponses en fonction des données environnementales; d'où la partie «apprentissage» du nom. Un exemple concret de cela est l'outil de recommandation d'Amazon. Plus les utilisateurs alimentent l'outil en navigation et en achat, plus les recommandations deviennent précises.
De tels outils témoignent des interactions en temps réel entre les humains et les appareils. Alors que les humains répondent aux résultats, les machines adaptent leurs prochaines offres en fonction de ces commentaires. Cela ressemble beaucoup plus à une conversation qu'à une chaîne de commandes.
Un segment particulier de l'apprentissage automatique, connu sous le nom d'apprentissage en profondeur, pousse cette évolution à l'extrême. L'apprentissage en profondeur modélise la structure et les schémas de traitement de l'esprit humain: les ordinateurs d'apprentissage en profondeur sont construits avec des réseaux de neurones, avec des couches de nœuds superposées. Cette architecture permet aux nœuds de se connecter entre eux de manière non linéaire, en faisant appel à certains domaines de traitement si nécessaire.
l'apprentissage en profondeur
Les technologies d'apprentissage en profondeur sont particulièrement utiles pour imiter le type de traitement visuel effectué par le cerveau lorsqu'il réagit aux signaux des yeux.
Par exemple, l'application Google Translate utilise l'apprentissage en profondeur pour traduire le texte non incorporé d'images dans une autre langue. Un utilisateur voyageant dans un autre pays peut prendre une photo d'une boîte de céréales ou d'un panneau de signalisation et la télécharger sur Google Translate. Google identifie ensuite le texte sur la boîte et renvoie une traduction dans leur langue maternelle.
De même, un autre projet Google,  Google Sunroof , prend des images de l'application Google Earth et crée des modèles 3D réalistes de toits à utiliser dans l'installation solaire. À l'aide de réseaux neuronaux d'apprentissage en profondeur, l'outil Toit ouvrant est capable de différencier les surfaces de toit des arbres ou des voitures, même avec l'existence de facteurs d'obscurcissement, comme l'ombre et la couverture des arbres.
Toit ouvrant Google
Des outils d'apprentissage en profondeur comme ceux-ci permettent aux scientifiques des données de construire des modèles prédictifs basés sur des données non structurées, telles que des images, de la vidéo et de l'audio, plutôt que de simplement s'appuyer sur des informations structurées comme du texte ou des chiffres. De cette façon, il ouvre d'énormes quantités de données commerciales qui n'avaient pas été exploitées auparavant.
Contenu connexe: 

La science des données converge avec l'IA

L'apprentissage automatique et l'apprentissage en profondeur sont des applications de l'intelligence artificielle (IA), et l'utilisation croissante de technologies de l'IA comme celles-ci aura un impact profond sur la pratique de la science des données. Encore une fois, la tendance générale est l'évolution des outils qui sont simplement  informatifs  vers ceux qui sont  transformationnels , comme l'a  souligné à juste titre l'auteur et expert en intelligence artificielle Carlos Perez .
Les outils d'IA font le voyage de la collecte de données au traitement des données, et vont plus loin, en synthétisant les données dans des conceptions et des solutions.
Par exemple,  le Project Dreamcatcher d'Autodesk  est un système de conception assistée par ordinateur (CAO) qui utilise l'IA pour générer des conceptions de produits 3D en fonction de critères imputés par les concepteurs, tels que les objectifs fonctionnels, les matériaux requis, la méthode de fabrication et le budget.
vélo-gif
La différence entre ce projet et le type d'outils en rotation régulière aujourd'hui est qu'ils ne permettent pas seulement aux utilisateurs finaux de créer des conceptions. Ils fournissent en fait des ensembles de solutions basées sur des données et aident les concepteurs à former des prototypes conçus pour résoudre des problèmes spécifiques.
Des outils comme ceux-ci anticipent un avenir où la science des données passera d'une fonction strictement analytique (synthétisant le Big Data et offrant des informations et des recommandations) à davantage d'applications de développement de produits et de R&D.
Cependant, certains experts pensent que les technologies de l'IA finiront par devenir si courantes qu'elles seront omniprésentes, inaugurant essentiellement une nouvelle révolution industrielle. Les appareils d'IA d'apprentissage automatique affecteront probablement un large éventail d'industries, de la publicité à la zoologie et tout le reste.
Les outils d'IA peuvent non seulement faire le travail de l'esprit humain, mais dans de nombreux cas, ils peuvent le faire plus efficacement que jamais. Des machines comme celles-ci sont capables de prouver mathématiquement des   idées que les humains ne pouvaient que  ressentir. Prenez, par exemple, la société  Affectiva , qui utilise des équipements d'IA pour reconnaître les émotions humaines - colère, joie, surprise - aussi efficacement que les leaders humains des groupes de discussion commerciaux.
Lectures complémentaires: 

La fin de la science des données pilotée par l'homme?

Le succès des outils d'apprentissage automatique automatisés comme ceux décrits jusqu'à présent a laissé certains dans le domaine de la science des données se demander s'il arrivera un moment où les experts humains ne seront pas du tout nécessaires. Le potentiel de traitement avancé des réseaux de neurones peut très bien automatiser le travail des scientifiques des données - en substance, selon certains experts, les scientifiques des données peuvent très bien se retirer d'un travail.
La question se profile devant les employeurs d'aujourd'hui. Les scientifiques des données ont peut-être été  surnommés «le travail le plus sexy du 21e siècle» en 2012 , mais aujourd'hui, l'avenir du rôle n'est pas aussi clair. Lors d'un récent symposium du MIT, les experts ont réfléchi à la durabilité du domaine, le vice-président de l'ADP et chef de la sécurité,  Roland Cloutier,  déclarant finalement qu'il n'était pas sage pour les étudiants en STEM en herbe de poursuivre la science des données, car, selon ses mots, «au fil du temps, les logiciels fera de plus en plus ce que les scientifiques des données font aujourd'hui. "
Comme  le souligne Fortune , des outils comme  Tableau  ont déjà fait des progrès incroyables pour simplifier la visualisation des données, et de nombreux nouveaux programmes sont en cours de développement pour gérer les flux de travail et les interprétations des données.
KDNuggets , un site de l'industrie pour les analystes commerciaux, les scientifiques des données et les développeurs d'apprentissage automatique, a récemment interrogé les lecteurs pour leur opinion sur la question. Seulement 18,8% estimaient que les scientifiques des données étaient irremplaçables par les machines. Cinquante et un pour cent, quant à eux, ont déclaré qu'ils s'attendaient à ce que la plupart des tâches soient automatisées en moins de 10 ans.
Data Scientists automatisé et sans emploi d'ici 2025
Bien sûr, tout le monde n'a pas une vision aussi sombre de la question. Comme le souligne la  Harvard Business Review  , les machines deviennent beaucoup plus «intelligentes», peut-être même plus que les humains dans certains cas. Et pourtant, ils manquent encore largement des capacités humaines pour raconter leur expérience. Les données et les informations peuvent être plus complexes, mais les appareils ne peuvent pas toujours nous dire comment ils y sont arrivés. Les machines peuvent être excellentes pour répondre aux questions, mais elles peuvent ne jamais être aussi compétentes que des experts humains pour trouver de nouveaux défis et problèmes à résoudre.
De même, il y a des moments où la précision surhumaine d'une machine la propulse à travers les frontières des mœurs sociales. Un  exemple célèbre est  la cible , qui a utilisé avec succès des données de consommation de prédire quand les clientes attendaient. Cela a créé la situation assez gênante d'un père apprenant la grossesse de sa fille adolescente à partir des annonces qu'elle a reçues par la poste. Ainsi, alors que les machines sont capables de faire des déductions complexes sur la base d'un comportement structuré, elles ne sont pas toujours en mesure de proposer une réponse sophistiquée et délicate, en particulier lorsque la réponse en question tombe dans une zone grise morale.
Cet argument pointe vers un avenir où les scientifiques des données se comporteront comme des «chuchoteurs», aidant les appareils à éviter les faux pas sociaux et générant les missions et les projets dans lesquels ils s'engagent.

Le futur proche de la science des données

Bien sûr, avec la technologie évoluant aussi vite qu'elle est, il est très difficile de prédire à quoi ressemblera  n'importe quel  travail dans 15 ans. En attendant, nous savons que la demande pour la science des données est en augmentation - IBM prévoit une augmentation de 28% d'ici 2020 - la majeure partie de cette croissance étant centrée sur la finance, l'assurance, les services professionnels et l'informatique.
Pour ceux qui travaillent dans la science des données, le défi sera de rester en avance sur la technologie. Les scientifiques des données doivent nager constamment, apprendre de nouveaux programmes et rester au courant de la direction du terrain. Cependant, étant donné que de nombreuses tâches pourraient devenir automatisées dans un avenir proche, il serait judicieux pour les entreprises créant ces emplois de rechercher des candidats qui pourraient éventuellement assumer des rôles de leadership à mesure que les emplois en science des données évoluent.
Bien que les compétences techniques soient toujours très demandées, avec l'IA dans l'image, nous nous dirigeons de plus en plus vers un avenir où les compétences générales, comme l'interprétation des données et la capacité à établir des relations humaines et à identifier les problèmes, seront ce qui nous séparera des travailleurs de la machine. Ironiquement, en engageant plus de machines dans notre vie quotidienne, nous pourrons peut-être renouer avec - et apprendre à valoriser - ces capacités qui nous rendent les plus humains.

A propos de l'Auteur
Posted by at No comments:

The Future of Data Science & Predictive Modeling






There’s no doubt that predictive analytics has been all the rage for the last few years—and for good reason. The new algorithm-based discipline has empowered us to bring about insights that provide details on the probability of a given outcome, as well as helping us bring about the ones that are favorable.
Use cases of data science and predictive modeling comes in the form of trip-planning tools, where customers can set locations, dates, miles program memberships, hotel needs, and other factors that affect travel details. These products mark an evolution toward user-friendly data science, with tools that essentially turn the customer into the data scientist, allowing them to create their own models to return desired results.
We’ve even seen data science and predictive modeling utilized by influential companies such as Airbnb.
Back in 2014, Airbnb hosts had a problem: they never knew how to price their rentals. There were so many variables: seasonality, location and individual preferences, as well as the amenities and unique features of each property. How could hosts come up with a nightly fee that was both reflective of all those factors and likely to get them a booking?
Airbnb uses data science to solve a lot of company-wide problems; previously, they relied on data-backed insights to improve the gender diversity of their team. So when hosts needed help picking their prices, it made sense to build a selection of predictive models for them.
Enter the Aerosolve model, a dynamic pricing model designed to synthesize multiple variables to help listers pick the ideal rate for their rental. This tool is more than a mere algorithm, however. It employs machine learning technology so that data is continuously fed back into the tool. Realizing that Aerosolve had many additional potential applications, Airbnb decided to upload the code on Github for open source access.
However, what’s unique about the model is its usability. Layers are compressed into a simplified format that allows end users to understand insights—in this case, their probability of receiving a booking—as they adjust factors like the price and date.
The presentation of predictive tools in an easy-to-digest, consumer-facing user interface is exactly what the future has in store for data science.
image1 1

From Predictive to Prescriptive

Those applications are also emblematic of a change sweeping through commercial data science. Data scientists are moving toward practical applications of prescriptive, rather than predictive, modeling. Whereas the latter uses historical data to predict the probability of future of events (i.e. the likelihood that it will rain tomorrow), the former assumes an active human agent capable of influencing outcomes.
Quick definitions:
  • Descriptive analytics is the first stage of business analytics in which you look at historical data and performance.
  • Predictive analytics is the second stage of business analytics in which past data is used with algorithms to predict a future outcome.
  • Prescriptive analytics is the third stage of business analytics in which you determine the best course of action.
Data scientists might build a prescriptive uplift model to predict the likelihood of converting a lead with a certain offer, for instance, or to tell whether offering a sign-on bonus will influence a prospective employee’s probability of accepting the job.
In this way, it is much more useful for proactive planning—such as in the Airbnb use case. It also marks a blurring of the line between machine and human interactions. Older predictive models, for instance, merely offered end users insight into an event’s likelihood. It was up to human agents to decide what to do with that information.
Prescriptive uplift modeling, however, can calculate event outcomes if end users choose to pursue a certain course of action. It can, therefore, estimate whether a marketing campaign is likely to win over a certain demographic or offer solutions for a political campaign hoping to win over swing voters.
The potential applications of this kind of proactive data are practical innumerable; it’s especially useful for predicting outcomes in retail, sales, marketing, politics, and charitable donations—essentially anywhere where users hope to inspire populations towards a certain behavior.
Further Reading:

Deep Learning: Machines Take On the Processing Patterns of Their Makers

The trend toward prescriptive modeling is an interesting development, philosophically-speaking, given the growing popularity of machine-learning technologies. Modern data scientists are often called upon to work closely with software engineers in the development of new automated tools, and many of those products will employ machine learning technology.
You’ve probably already heard of this technological development—it’s a very popular buzzword in the data science field right now. However, what is less well known is precisely what machine learning is, and how it relates back to big data and data science.
Machine learning offers extraordinarily powerful applications of big data and statistical probability. It breaks down the divisions between data collection and data processing.CLICK TO TWEET
Here, machines incrementally adjust behavior and responses based on environmental data; hence, the “learning” part of the name. A real-life example of this is Amazon’s recommendation tool. The more data that users feed the tool through browsing and buying, the more precise the recommendations become.
Tools like these are evidence of real-time interactions between humans and devices. As humans respond to results, machines tailor their next offerings based on that feedback. It’s a lot more like a conversation than a chain of commands.
One particular segment of machine learning, known as deep learning, takes this evolution to the extreme. Deep learning models the structure and processing patterns of the human mind: deep learning computers are built with neural networks, with layers of nodes built on top of one another. This architecture allows nodes to make connections to one another in a nonlinear fashion, calling upon certain processing domains as necessary.
deep learning
Deep learning technologies are particularly useful for mimicking the kind of visual processing performed by the brain as it responds to signals from the eyes.
For instance, the Google Translate app uses deep learning to translate unembedded text from images into another language. A user traveling in another country can snap a picture of a box of cereal or a street sign and upload it to Google Translate. Google then identifies the text on the box and returns a translation in their native language.
Similarly, another Google project, Google Sunroof, takes images from the Google Earth application and creates realistic 3D models of rooftops to use in solar installation. Using deep learning neural networks, the Sunroof tool is able to differentiate roof surfaces from trees or cars, even with the existence of obscuring factors, like shadow and tree coverage.
Google Sunroof
Deep learning tools like these allow data scientists to build predictive models based on unstructured data, such as images, video and audio, rather than merely relying on structured information like text or numbers. In this way, it opens up huge swaths of commercial data previously left untapped.
Related Content: 

Data Science Converging with AI

Both machine learning and deep learning are applications of artificial intelligence (AI), and the evolving use of AI technologies like these will deeply impact the practice of data science. Again, the overarching trend is the evolution away from tools that are merely informational to ones that are transformational, as rightly pointed out by author and AI expert Carlos Perez.
AI tools take the journey from data gathering to data processing, and go one step further, by synthesizing data into designs and solutions.
For instance, Autodesk’s Project Dreamcatcher is a computer-aided design (CAD) system that uses AI to generate 3D product designs based on criteria imputted by designers, such as the functional objectives, materials required, manufacturing method, and budget.
bike-gif
The difference between this project and the type of tools in regular rotation today is that they don’t just allow end users to build designs. They actually provide sets of data-based solutions and help designers form prototypes designed to address specific problems.
Tools like these anticipate a future where data science moves from a strictly analytical function (synthesizing big data and offering insights and recommendations) to more product development and R&D applications.
However, some experts believe that AI technologies will eventually become so commonplace as to be ubiquitous, essentially ushering in a new industrial revolution. Machine-learning AI devices will likely affect a wide range of industries—from advertising to zoology and everything in between.
AI tools can not only do the work of the human mind, but in many cases they can do it more effectively than we ever could. Machines like these are able to mathematically prove insights that humans could only feel. Take, for instance, the company Affectiva, which uses AI equipment to recognize human emotions—anger, joy, surprise—as effectively as human leaders in commercial focus groups.
Further Reading: 

The End of Human-Driven Data Science?

The success of automated machine-learning tools like the ones described so far have left some in the data science field wondering if there will come a point where human experts are not necessary at all. The advanced processing potential of neural networks may very well automate the work of data scientists—in essence, according to some experts, data scientists may very well write themselves out of a job.
The question looms large in front of today’s employers. Data scientists might have been dubbed the “sexiest job of the 21st century” back in 2012, but today, the future of the role isn’t quite as clear. At a recent MIT symposium, experts mused on the field’s sustainability, with ADP VP and Chief Security Officer Roland Cloutier eventually declaring that it wasn’t wise for budding STEM students to pursue data science, since, in his words, “over time, software will do more and more of what data scientists do today.”
As Fortune points out, tools like Tableau have already made incredible strides to simplify data visualization, and there are many new programs in development to address workflows and data interpretations.
KDNuggets, an industry site for Business Analysts, Data Scientists, and Machine Learning Developers, recently polled readers for their thoughts on the matter. Only 18.8% felt that data scientists were irreplaceable by machines. Fifty-one percent, meanwhile, said they expected most tasks to be automated in less than 10 years.
Data Scientists Automated and Unemployed by 2025
Of course, not everyone has such a gloomy take on the matter. As the Harvard Business Review points out, machines are becoming much “smarter,” perhaps even more so than humans in some cases. And yet, they still largely lack the human capability to narrate their experience. Data and insights may be more complex, but devices can’t always tell us how they got there. Machines might be excellent at answering questions, but they may never be as competent as human experts at coming up with new challenges and problems to solve.
Likewise, there are times where a machine’s superhuman precision propels it across the boundaries of social mores. A famous example of this is Target, who successfully used consumer data to predict when female customers were expecting. That created the fairly awkward situation of a father learning about his teenage daughter’s pregnancy from the ads that she received in the mail. So while machines are able to make complex deductions based on patterned behavior, they’re not always able to come up with a sophisticated, tactful response—especially when the response in question falls into a moral gray area.
That argument points toward a future where data scientists behave something like “machine whisperers,” helping devices steer clear of social faux pas, and generating the missions and projects they engage in.

The Near Future of Data Science

Of course, with technology moving as fast as it does, it’s very hard to predict what any job will look like 15 years from now. In the meantime, we do know that the demand for data science is on the rise—IBM predicts a 28% increase by 2020—with most of that growth centered around finance, insurance, professional services, and IT.
For those who do work in data science, the challenge will be staying ahead of the technology. Data scientists must be constantly swimming, learning new programs and staying on top of where the field is going. However, given that many tasks may become automated in the near future, it would be wise for the businesses creating those jobs to look for candidates who can eventually take on leadership roles as data science jobs evolve.
Although hard skills will always be in high demand, with AI in the picture we are increasingly hurtling towards a future where soft skills, like data interpretation and the ability to build human relationships and identify problems, will be what separates us from machine workers. Ironically, by engaging more machines in our daily lives, we may be able to reconnect with—and learn to value—those abilities that make us most human.
 About the Author
Posted by at No comments:
Subscribe to: Posts (Atom)