Le machine learning (ML) aide à résoudre toutes sortes de problèmes, mais cela semble plutôt inaccessible. La plupart des gens ont entendu ce terme, et beaucoup ne savent pas exactement ce qu'il signifie. Comment peut-il aider à résoudre les problèmes des entreprises de services publics ? <\/SPAN>Plus loin dans cet article de blog, nous examinerons trois mots qui aideront chacun à devenir ce qu'un collègue à moi appelle conforme aux buzzwords en machine learning.<\/STRONG><\/P>Avec la montée en puissance des données et de l'analytique, le terme "machine learning" apparaît partout. C'est un sous-ensemble du domaine de l'intelligence artificielle. Cela fait un peu penser à de la science-fiction, mais ce n'en est pas. Le stockage moderne des données dans le cloud et les ressources informatiques ont une capacité étonnante pour aider à résoudre de vrais problèmes commerciaux, en particulier avec les techniques ML. Le machine learning utilise des programmes génériques plutôt que de créer des programmes spécifiques pour chaque nouveau défi commercial. Ces programmes évaluent les données pour identifier des motifs puis utilisent ces motifs pour formuler des prédictions. En un sens, la machine, ou l'ordinateur, apprend à partir des données sur les expériences passées et applique cet apprentissage au problème actuel.<\/STRONG><\/P>Les machines apprennent de la même manière que nous, les humains. Quelqu'un nous dit souvent à quoi nous attendre (algorithme), nous avons des expériences (données), nous faisons des observations et formons nos propres idées sur les motifs (entraînement), puis nous appliquons ces motifs aux expériences futures. Ma femme a appris à lire mon humeur par mon expression faciale et mon emplacement. Même si elle n'a pas une connaissance directe de mes pensées intérieures, quand je fais "cette tête" dans la cuisine, elle a appris que je suis mécontent que les enfants aient laissé leur vaisselle dans l'évier. Elle a observé un motif et fait donc des prédictions précises.<\/P>1. Modèle<\/STRONG><\/P>Dans le domaine du ML, "modèle" n'a pas encore de définition standard. <\/SPAN>Pensez au modèle comme au système qui incarne les techniques, programmes et données.<\/STRONG> <\/SPAN>C'est le modèle qui produira finalement les résultats. Vous pourriez vous renseigner sur la performance d'un certain modèle sur un nouvel ensemble de données. Si vous demandiez à un data scientist si le modèle était prêt à résoudre votre problème, la réponse pourrait être : "Le modèle n'est pas encore assez précis ; il a encore besoin d'être affiné."<\/P>2. Algorithme<\/STRONG><\/P>Un algorithme est une procédure pour accomplir une tâche, comme une recette<\/STRONG>. En ML, c'est une approche mathématique pour trouver les motifs dans les données. Le logiciel ML inclut des bibliothèques de ces programmes génériques qui peuvent être utilisés dans vos modèles. Il existe de nombreux algorithmes écrits par des mathématiciens, chacun avec ses forces et faiblesses selon les situations. Ils ont souvent des noms cryptiques comme empirical Bayesian kriging (EBK) ou ordinary least squares (OLS), et certains tests sont nécessaires pour trouver le meilleur algorithme pour chaque application. Une formation en data science est généralement nécessaire pour sélectionner le meilleur algorithme pour une tâche particulière.<\/P>3. Entraînement<\/STRONG><\/P>L'entraînement distingue le ML des autres types de résolution de problèmes. Le modèle est entraîné en utilisant un ensemble de données avec des résultats connus. Il applique l'algorithme pour analyser les données d'entraînement, trouvant les corrélations et motifs dans ces données. <\/SPAN>Une fois que le modèle est suffisamment entraîné, il peut alors être utilisé pour faire des prédictions sur de nouvelles données dont les résultats sont encore inconnus.<\/STRONG><\/P>Résoudre un vrai problème<\/STRONG><\/P>Les services publics d'électricité activent et désactivent le service dans le cadre de leurs activités normales. Pour la plupart des clients d'utilités, cela n'arrive pas très souvent. Cependant, pour certains, cette action est requise aussi fréquemment que plusieurs fois par an. Cela peut être dû aux déménagements ou aux factures impayées. Certaines utilités installent des compteurs qui peuvent être activés et désactivés à distance depuis le bureau, sans avoir besoin d'envoyer un employé et un véhicule sur place. Ces compteurs font gagner du temps au client tout en réduisant les coûts de transaction et l'impact environnemental. Comment une utilité pourrait-elle analyser les données pour prédire quels clients bénéficieraient de ces compteurs plus coûteux ?<\/P>Pour résoudre ce problème, nous pourrions rassembler des données provenant d'ordres passés et faire des prédictions sur l'activité future d'activation et désactivation. Les données pourraient inclure le type de compte, tarif, historique des paiements, montants des factures, adresse, etc. Nous choisirions un algorithme, rassemblerions des données historiques et entraînerions le modèle. Ce modèle pourrait ensuite être utilisé pour examiner les comptes actuels et prédire lesquels sont les plus susceptibles d'avoir une forte demande pour ce service à l'avenir.<\/P>Dans cet exemple, comme dans la plupart des préoccupations liées aux utilités, l'information sur l'emplacement serait inestimable pour aider à résoudre ce problème<\/STRONG>. Nous comprenons que les étudiants universitaires occupent des appartements selon le cycle scolaire puis déménagent souvent pendant l'été. Les déménagements étudiants affectent directement les commandes de service électrique. Si nous pouvions également utiliser l'information sur l'emplacement, comme la proximité des universités, le modèle pourrait fonctionner encore mieux.<\/P>Les techniques de machine learning continueront d'évoluer. Au fur et à mesure, il est important d'inclure l'intelligence géographique à chaque étape. L'emplacement est une partie naturelle de la préparation des données utilitaires, de l'entraînement du modèle et des prédictions significatives.<\/STRONG> <\/SPAN>Il n'y a pas de meilleure façon d'incorporer l'intelligence géographique dans le ML qu'avec GIS.<\/P>La tâche d'exploiter le big data est bien trop grande pour une analyse manuelle.<\/STRONG> <\/SPAN>Les utilités ont besoin des meilleurs outils et techniques pour trouver des insights exploitables dans les données, visualiser les résultats et communiquer clairement l'impact aux parties prenantes. La plateforme ArcGIS inclut ces outils ainsi que de puissantes techniques de machine learning basées sur la localisation.<\/P>La prochaine fois que vous sortirez de la cuisine et que quelqu'un lira dans vos pensées grâce à votre expression faciale, réalisez qu'il utilise la même technique que le machine learning. Découvrez comment l'intelligence géographique et le machine learning peuvent <\/SPAN>répondre à vos défis commerciaux<\/A>.<\/P>
