Familiarisez-vous avec le machine learning

La plupart des décideurs IT et métier savent qu’en dépit des bouleversements économiques et humains associés à la pandémie de COVID-19, la transformation numérique ne va faire qu’accélérer. Les défis immédiats de la pandémie ont incité les entreprises à trouver des moyens innovants de remplir leur mission, en s'appuyant sur des décisions et des technologies alimentées par les données.

Confrontés à l’explosion du volume et de la variété des données liées aux scénarios d’utilisation actuels et émergents, nous devons agir sur ces données en temps réel. Les humains ne peuvent pas examiner efficacement des données de log, par exemple, pour y détecter des signaux d'alerte touchant la sécurité ou les opérations. Pour extraire des renseignements des données, il faut faire appel au machine learning. Les algorithmes de machine learning peuvent, en toute autonomie, apprendre des données qu'ils traitent pour accomplir certaines tâches spécifiques, et en améliorer les performances. (Bien que « machine learning » et « intelligence artificielle » soient souvent employés de façon interchangeable, le ML est un sous-domaine de l’IA.)

Pour améliorer la résilience face aux futures crises et pour exceller dans une période de transformation numérique accélérée, le machine learning est notre meilleur outil pour comprendre et exploiter les volumes de données que nous recevons à la vitesse requise pour satisfaire nos clients, devancer nos concurrents et remplir notre mission.

Le machine learning est un domaine complexe qui fait beaucoup parler de lui, et les commentaires qu’il suscite ne sont pas toujours flatteurs – ni exacts. Pour compliquer encore son adoption, les fournisseurs de solution tendent à présenter le machine learning sous la forme d’une fonctionnalité, comme s’il s'agissait d’un simple assaisonnement sur un plat et non de la pièce de résistance. Pourtant, de toutes les technologies qui doivent nous faire entrer dans l’ère des données, le machine learning est la plus fondamentale. Les algorithmes de machine learning vont nous permettre de travailler avec les volumes de données que les technologies actuelles et futures vont produire. Toutes les entreprises doivent impérativement apprendre à utiliser le machine learning. Heureusement, on ne parle pas de faire le saut de l’ange. Je dis souvent qu’il faut d'abord apprendre à marcher à quatre pattes puis sur deux jambes avant de courir.

1. À quatre pattes : faites confiance mais vérifiez. Si votre entreprise n’a aucune expérience en IA, la meilleure option consiste généralement à démarrer avec un produit qui intègre un composant de ML autonome. Une solution SIEM, par exemple, emploie le machine learning : vous pouvez configurer la solution mais vous n’allez pas interagir avec les algorithmes. Il faut toutefois que ces solutions puissent « expliquer » leur démarche. Quand l’algorithme trie les activités malveillantes, les faux-positifs et les comportements normaux, vous avez besoin de comprendre comment les décisions sont prises, afin de vérifier les résultats et de renforcer (ou affaiblir pour de bonnes raisons) votre confiance dans l'algorithme. 
   
   
2. Sur deux jambes : affinez les entrées, améliorez les résultats. Une fois que votre entreprise compte des collaborateurs capables de passer au niveau supérieur, vous pouvez dépasser le stade de l’observation pour mieux trier et exploiter les résultats du ML. Avec un peu plus de code, vous allez commencer à contrôler les fonctionnalités du système. Après vous être contenté de vérifier le travail de votre solution, vous pouvez contrôler la quantité de métadonnées pour améliorer l'algorithme et affiner les données pour qu’il utilise les informations les plus pertinentes. 
   
   
3. Prêt à courir : prenez le contrôle, faites des tests. Le troisième niveau exige un niveau d’expertise supérieur et la capacité à travailler avec les algorithmes de façon bien plus approfondie. S’il est utile de savoir affiner un algorithme donné, pouvoir tester et comparer des algorithmes offre bien plus de possibilités. Vous avez optimisé l'algorithme A autant que possible, voyons maintenant ce qu’il donne face à ce nouvel algorithme B pour identifier le plus performant. Cette approche scientifique de l’utilisation du machine learning permet d'obtenir les meilleurs résultats tout en vous offrant un maximum de transparence et de confiance.
    

Le machine learning suscite beaucoup d'inquiétude et de confusion, de même que l’intelligence artificielle dans son ensemble. Certaines inquiétudes sont justifiées : les algorithmes ont des biais, notamment, et il faut identifier ces biais pour les supprimer des algorithmes. L’IA va également affecter les emplois, en faisant évoluer les compétences requises pour avancer dans nos carrières et en rendant possible l’automatisation de fonctions complètes. Mais ces débats concernent les scénarios de conception et de déploiement de l’IA, et la solution n’est pas de fuir la technologie, car c’est impossible. Au contraire, il faut l’adopter avec prudence, évaluer son fonctionnement et acquérir les talents nécessaires pour l’exploiter au mieux et la mettre au service d'une amélioration permanente.

Nous entrons dans un monde toujours plus rapide et débordant de données, et le machine learning va être un outil indispensable pour trouver notre voie vers la réussite.

----------------------------------------------------
Thanks!
Splunk