Michaël Melloul, Directeur Technique, Juniper Networks
Par définition, le machine learning permet à des systèmes d’apprendre de nouveaux comportements sans intervention d’un programmeur, grâce à l’application de modèles mathématiques/automatiques résultant de l’analyse de données. Les profils de data scientists que vous voyez fleurir sur LinkedIn en sont une des conséquences, certains experts cherchant à exploiter ce potentiel d’analyse de données et algorithmes.
Que vaut réellement cet apprentissage ?
La réponse la plus évidente est que la pertinence et la performance des algorithmes mis en place définiront la réelle valeur d’un système intégrant des capacités de machine learning. Autrement dit, ceux qui découvriront des principes logiques dans une mer de données disparates pourront monétiser ces principes.
En schématisant, il existera deux types d’organisations : celles à qui les algorithmes apporteront un réel moyen de se démarquer de la concurrence, et celles pour qui le machine learning ne sera qu’un outil pratique permettant de rationaliser leurs coûts. La « valeur » du machine learning dépendra donc des objectifs fixés.
Chacun comprend de façon intuitive le rôle des algorithmes qui améliorent la capacité de Google à affiner ses résultats, à cibler le contenu et à monétiser les publicités. Il est également aisé de concevoir que les algorithmes peuvent aider les sites de e-commerce à faire des recommandations d’achat et à ajuster les prix de manière à optimiser les gains. Enfin, il n’aura pas échappé à certains que les éditeurs de jeux vidéo analysent les comportements et performances des joueurs et s’appuient sur le machine learning pour inciter les achats in-app.
Pour la grande majorité des entreprises, le machine learning deviendra très probablement un instrument plutôt qu’une compétence clé. Les modèles produits par les algorithmes constitueront l’outil grâce auquel les règles généralisées seront contextualisées et favoriseront des schémas comportementaux plus pertinents.
Dans le monde des réseaux, si l’objectif du machine learning est d’automatiser les workflows dans le cadre d’actions d’adaptation ou de prédiction, les algorithmes représentent des éléments de base. De plus, ces workflows qui ne sont d’ailleurs pas omniprésents dans le domaine réseaux seront bien souvent hyper-contextuels. Cela signifie que les éléments de base ne représentent probablement que 80 % de la solution.
Comment contextualiser un algorithme ? Pour parler en langage machine learning, on l’entraîne. Et c’est là qu’interviennent les données. Si le comportement qui fait l’objet d’un entraînement est commun et cohérent dans la plupart des environnements, les données peuvent alors être extraites de sources disparates et agrégées au sein d’une solution dite intelligente.
En revanche, si le comportement est fondé sur la base de l’infrastructure existante, l’algorithme généralisé doit alors être intégré à des données fortement contextualisées.
L’évolution pour garantir la pérennité
Ces dernières années, le monde des réseaux a vu émerger une forte pression en faveur de la diffusion de données en continu. Les développements autour de gRPC et bus de messagerie (Rabbit, ZMQ, etc.) ont connu un assez grand succès auprès des DevOps. Il s’avère essentiel de trouver une solution à la distribution de données afin de progresser vers une infrastructure axée sur la gestion d’événements.
Ce même type d’activité peut être facilement transposé à un monde digitalisé où le machine learning jouera un rôle croissant. Il faudra trouver des moyens pour recueillir les données nécessaires à l’entraînement. Et cela ne devra pas prendre la forme d’une démarche exceptionnelle, mais d’une évolution continue. Si vous ne mettez pas à jour vos modèles de données au fur et à mesure de l’évolution de votre infrastructure, les outils tels que l’automatisation ne feront qu’augmenter la vitesse à laquelle vous seriez susceptibles de vous tirer une balle dans le pied.
Si vous succombez aux sirènes du machine learning sans réfléchir à la manière dont vous allez collecter et utiliser dynamiquement les données au fil du temps, les prochaines années risquent d’être plutôt décevantes…. Les algorithmes auront beau être la clé de voute, ils n’exécuteront pas tout le travail à eux seuls. Ils ne constitueront qu’un moyen de parvenir à vos fins. Le moment est venu de penser à comment contextualiser des ensembles de règles généralisées. Avec en ligne de mire l’émergence de nouvelles opportunités de vente pour de nombreux acteurs !
Que vaut réellement cet apprentissage ?
La réponse la plus évidente est que la pertinence et la performance des algorithmes mis en place définiront la réelle valeur d’un système intégrant des capacités de machine learning. Autrement dit, ceux qui découvriront des principes logiques dans une mer de données disparates pourront monétiser ces principes.
En schématisant, il existera deux types d’organisations : celles à qui les algorithmes apporteront un réel moyen de se démarquer de la concurrence, et celles pour qui le machine learning ne sera qu’un outil pratique permettant de rationaliser leurs coûts. La « valeur » du machine learning dépendra donc des objectifs fixés.
Chacun comprend de façon intuitive le rôle des algorithmes qui améliorent la capacité de Google à affiner ses résultats, à cibler le contenu et à monétiser les publicités. Il est également aisé de concevoir que les algorithmes peuvent aider les sites de e-commerce à faire des recommandations d’achat et à ajuster les prix de manière à optimiser les gains. Enfin, il n’aura pas échappé à certains que les éditeurs de jeux vidéo analysent les comportements et performances des joueurs et s’appuient sur le machine learning pour inciter les achats in-app.
Pour la grande majorité des entreprises, le machine learning deviendra très probablement un instrument plutôt qu’une compétence clé. Les modèles produits par les algorithmes constitueront l’outil grâce auquel les règles généralisées seront contextualisées et favoriseront des schémas comportementaux plus pertinents.
Dans le monde des réseaux, si l’objectif du machine learning est d’automatiser les workflows dans le cadre d’actions d’adaptation ou de prédiction, les algorithmes représentent des éléments de base. De plus, ces workflows qui ne sont d’ailleurs pas omniprésents dans le domaine réseaux seront bien souvent hyper-contextuels. Cela signifie que les éléments de base ne représentent probablement que 80 % de la solution.
Comment contextualiser un algorithme ? Pour parler en langage machine learning, on l’entraîne. Et c’est là qu’interviennent les données. Si le comportement qui fait l’objet d’un entraînement est commun et cohérent dans la plupart des environnements, les données peuvent alors être extraites de sources disparates et agrégées au sein d’une solution dite intelligente.
En revanche, si le comportement est fondé sur la base de l’infrastructure existante, l’algorithme généralisé doit alors être intégré à des données fortement contextualisées.
L’évolution pour garantir la pérennité
Ces dernières années, le monde des réseaux a vu émerger une forte pression en faveur de la diffusion de données en continu. Les développements autour de gRPC et bus de messagerie (Rabbit, ZMQ, etc.) ont connu un assez grand succès auprès des DevOps. Il s’avère essentiel de trouver une solution à la distribution de données afin de progresser vers une infrastructure axée sur la gestion d’événements.
Ce même type d’activité peut être facilement transposé à un monde digitalisé où le machine learning jouera un rôle croissant. Il faudra trouver des moyens pour recueillir les données nécessaires à l’entraînement. Et cela ne devra pas prendre la forme d’une démarche exceptionnelle, mais d’une évolution continue. Si vous ne mettez pas à jour vos modèles de données au fur et à mesure de l’évolution de votre infrastructure, les outils tels que l’automatisation ne feront qu’augmenter la vitesse à laquelle vous seriez susceptibles de vous tirer une balle dans le pied.
Si vous succombez aux sirènes du machine learning sans réfléchir à la manière dont vous allez collecter et utiliser dynamiquement les données au fil du temps, les prochaines années risquent d’être plutôt décevantes…. Les algorithmes auront beau être la clé de voute, ils n’exécuteront pas tout le travail à eux seuls. Ils ne constitueront qu’un moyen de parvenir à vos fins. Le moment est venu de penser à comment contextualiser des ensembles de règles généralisées. Avec en ligne de mire l’émergence de nouvelles opportunités de vente pour de nombreux acteurs !