Introduction à l’inférence en apprentissage automatique
Imaginez que vous avez entraîné un excellent modèle de machine learning pour aider l’équipe business à attirer plus de clients grâce à des recommandations pertinentes. L’étape la plus logique consiste à intégrer ce modèle entraîné dans l’infrastructure de l’entreprise, afin qu’il puisse être utilisé pour prédire sur les informations de nouveaux clients. Le fait d’exploiter un modèle existant s’appelle l’inférence.
L’inférence en apprentissage automatique est essentielle, car elle permet d’utiliser le modèle dans des cas concrets comme la prédiction, la classification ou la recommandation.
À la fin de cet article, vous comprendrez mieux le fonctionnement de l’inférence en machine learning, en quoi elle diffère de l’entraînement traditionnel, et vous aurez un aperçu des approches d’inférence existantes, de leurs bénéfices, de leurs défis et de leurs applications dans la vie réelle.
Inférence en apprentissage automatique vs entraînement
Première idée clé : l’inférence en apprentissage automatique et l’entraînement ne sont pas la même chose, et chacune intervient à une phase différente d’un projet. Cette section propose une explication intuitive à travers l’analogie du restaurant de Cassie Kozyrkov.
Elle explique que pour faire une bonne pizza (un produit de valeur), il faut une recette (modèle ou formule) qui précise comment préparer les ingrédients (données de qualité) avec quels ustensiles ou appareils (algorithmes).
Il n’y a pas de service si rien ne sort de la cuisine. Et la cuisine (l’équipe Data Science) n’a pas de valeur si les clients n’apprécient pas les plats.
Pour une expérience client réussie et un meilleur retour sur investissement, les deux équipes doivent travailler main dans la main.
Cuisine (équipe Data Science) & salle (équipe Business)
Entraînement d’un modèle de machine learning
Former un modèle nécessite des données d’entraînement et de validation. Les premières servent à construire le modèle, les secondes à ajuster ses paramètres pour le rendre le plus robuste possible. À l’issue de cette phase, le modèle doit prédire de nouvelles données avec un minimum d’erreurs. On peut assimiler cette étape au travail en cuisine.
Dans notre guide complet What is Machine Learning, vous apprendrez ce qu’est le machine learning, en quoi il diffère de l’IA et du deep learning, et pourquoi il s’agit de l’un des domaines les plus passionnants de la data science.
Inférence en machine learning
Un plat ne peut être servi que lorsqu’il est prêt à être dégusté, tout comme un modèle doit être entraîné et validé avant d’être utilisé pour faire des prédictions. L’inférence en machine learning ressemble donc à la phase de service au restaurant. Les deux demandent de l’attention pour obtenir des résultats meilleurs et plus précis — gage de satisfaction client et de valeur business.
Pourquoi bien distinguer les deux
Distinguer entraînement et inférence est crucial pour mieux allouer les ressources de calcul à chacune de ces phases une fois le modèle déployé en production.
Les performances d’un modèle diminuent souvent en production. Comprendre la différence aide à adopter les bonnes stratégies d’industrialisation et à maintenir les modèles dans le temps.
Points clés pour choisir entre inférence et entraînement
Utiliser un modèle en inférence ou entraîner un nouveau modèle dépend du problème, de l’objectif final et des ressources disponibles.
Les critères déterminants incluent — sans s’y limiter — le time-to-market, les contraintes de ressources ou le coût de développement, la performance du modèle et l’expertise de l’équipe.
- Time-to-market. Il est important d’évaluer le délai disponible pour choisir entre entraîner et réutiliser un modèle existant. Parfois, un modèle pré-entraîné demande moins de temps et peut offrir un avantage concurrentiel à l’équipe business.
- Contraintes de ressources ou coût de développement. Selon le cas d’usage, entraîner un modèle peut exiger beaucoup de données et de puissance de calcul. À l’inverse, recourir à un modèle en inférence requiert souvent moins de ressources, ce qui facilite l’obtention d’excellentes performances en un temps réduit.
- Performance du modèle. L’entraînement est itératif et ne garantit pas toujours un modèle robuste. Un modèle utilisé en inférence peut offrir de meilleures performances qu’un modèle développé en interne. Aujourd’hui, l’explicabilité et la réduction des biais sont essentielles ; les modèles utilisés en inférence doivent parfois être mis à jour pour intégrer ces capacités.
- Expertise de l’équipe. Concevoir un modèle robuste exige des compétences pointues, tant pour l’entraînement que pour l’industrialisation. Cette expertise n’est pas toujours disponible ; s’appuyer sur des modèles en inférence peut alors être la meilleure alternative.
Inférence bayésienne en apprentissage automatique
L’inférence bayésienne est une technique qui permet aux algorithmes de faire des prédictions en actualisant un savoir a priori à la lumière de nouvelles preuves, grâce au théorème de Bayes.
Mais qu’est-ce que le théorème de Bayes ?
Il décrit la probabilité de l’événement A sachant qu’un autre événement B s’est produit. Sa formule est la suivante :
Théorème de Bayes
P(A) : antérieure → probabilité que l’événement A se produise sans connaissance d’autres événements.
P(B) : constante de normalisation permettant de calculer la probabilité a posteriori de l’événement B.
P(A|B) : postérieure → probabilité de l’événement A sachant que l’événement B s’est produit.
P(B|A) : vraisemblance → probabilité de l’événement B si A se produit.
Avec ces éléments, voyons les avantages de l’inférence bayésienne et quelques applications concrètes.
Dans notre Naive Bayes Classification Tutorial using Scikit-learn, vous apprendrez à construire et évaluer un classifieur Naive Bayes avec le package Scikit-learn de Python.
Atouts de l’inférence bayésienne
L’inférence bayésienne présente de nombreux avantages, parmi lesquels :
- Flexibilité. Elle s’applique aux modèles linéaires et non linéaires, et à de nombreux problèmes de machine learning : régression, classification, clustering, traitement du langage naturel, etc.
- Plus intuitive. Le passage de l’a priori à l’a posteriori avec de nouvelles données reflète la façon dont nous mettons à jour nos croyances — ce qui la rend intuitive. Par exemple, si l’on pense qu’il va neiger demain et que l’on consulte la météo, on ajuste sa croyance en conséquence.
- Interprétable. Les distributions de probabilités générées sur les valeurs possibles des prédictions sont faciles à interpréter, aidant ainsi les décideurs à agir selon leur tolérance au risque.
Applications de l’inférence bayésienne en machine learning
Voici quelques applications concrètes de l’inférence bayésienne :
- Détection de fraude à la carte bancaire. On part d’une croyance a priori sur la probabilité qu’une transaction soit frauduleuse (données historiques). Puis, à mesure que de nouvelles informations arrivent (montant, historique d’achats du client, etc.), on met à jour cette croyance via le théorème de Bayes pour obtenir une probabilité a posteriori et décider si la transaction est frauduleuse.
- Diagnostic médical. Le théorème de Bayes permet d’analyser des cas antérieurs et d’estimer la probabilité qu’un patient soit atteint d’une maladie donnée. L’approche bayésienne intègre divers facteurs influents et produit des estimations probabilistes plus explicables que de simples résultats binaires.
- Traitement d’images. L’inférence bayésienne intervient dans plusieurs tâches, par exemple la réduction de bruit via des techniques comme les chaînes de Markov Monte Carlo combinées au théorème de Bayes.
- Traitement de la parole. Le clustering bayésien non paramétrique (BNC) est utilisé dans des réseaux neuronaux hiérarchiques non paramétriques pour la reconnaissance vocale et des émotions, avec des performances supérieures à l’état de l’art sur des tâches similaires.
Inférence causale en apprentissage automatique
L’inférence causale est une approche statistique utilisée en IA et en machine learning pour comprendre les relations de cause à effet entre variables.
En marketing, par exemple, les décideurs veulent savoir quelle campagne génère le plus de conversions. L’inférence causale aide à identifier la relation causale entre campagne et taux de conversion, afin de maximiser les résultats.
Our Statistical inference with R peut vous aider à acquérir les compétences essentielles en inférence statistique pour comprendre, interpréter et ajuster vos modèles statistiques et de machine learning.
Pourquoi l’inférence causale est importante
Elle est clé en machine learning pour plusieurs raisons, dont la qualité des prédictions et l’équité. Regardons-les rapidement.
- Prédictions plus fiables. Dans de nombreux cas, la corrélation ne suffit pas — elle n’implique pas la causalité. L’inférence causale permet d’identifier les relations causales sous-jacentes entre variables, menant à des prédictions plus précises.
- Équité. L’inférence causale aide à déceler les causes profondes des biais dans les données. Les décideurs peuvent alors agir pour les atténuer et développer de meilleurs modèles.
Défis de mise en œuvre de l’inférence causale
Comme d’autres techniques, l’inférence causale comporte des défis, notamment :
- Grand volume de données de qualité. Une inférence causale valide exige des données riches et fiables. Or, les données réelles sont souvent bruitées ; trouver l’approche idéale pour les assainir est complexe.
- Interprétabilité. Les méthodes d’estimation de la causalité sont souvent complexes et requièrent à la fois une solide expertise statistique et une connaissance approfondie du domaine pour interpréter correctement les résultats.
- Variables confondantes. Ces variables sont liées à la fois aux variables indépendantes et dépendantes. Elles peuvent biaiser l’effet causal réel des variables indépendantes, compliquant l’estimation précise de cet effet.
Conclusion
Cet article a expliqué ce qu’est l’inférence en machine learning, en quoi elle diffère de l’entraînement, et les points clés à considérer pour choisir entre les deux. Il a également présenté les inférences bayésienne et causale, leur importance et leurs défis en machine learning.
Retenez que l’inférence est indispensable pour qu’un modèle soit utile dans la vraie vie. C’est grâce à elle que les modèles s’intègrent aux applications existantes et qu’ils sont exploités par les équipes métiers et les parties prenantes pour un impact business concret.