L’énigme de l’utilisation de systèmes basés sur des règles par rapport aux systèmes d’apprentissage automatique

Souhaitez-vous en savoir plus sur les avantages des systèmes basés sur des règles ou les limites des systèmes d’apprentissage automatique (ML) ? Ou peut-être vous‘re cherchez un guide sur la façon d’intégrer ces deux concepts dans votre entreprise. Si oui, alors vous‘ Je suis venu au bon endroit.

Apprentissage automatique ? Systèmes d’auto-apprentissage? Super. Mais effrayant en même temps. Vous n’arrêtez pas de vous demander : qu’est-ce qu’un système basé sur des règles et un système d’apprentissage automatique ou d’auto-apprentissage ? Et – existe-t-il un meilleur choix pour mon projet ou ma demande ? Tu n’es pas seul. Il y a tellement de battage médiatique sur la règle par rapport à une machine qu’il peut être difficile de distinguer ce qui est vrai, pertinent, utile et définitivement exagéré.

Mais l’adoption est-elle basée sur des besoins réels ou sur l’adoption d’une technologie de pointe juste pour le plaisir ? Qu’advient-il des technologies telles que les systèmes basés sur des règles, qui étaient en vogue avant que les systèmes d’intelligence artificielle tels que l’apprentissage automatique n’existent ? Toutes les organisations devraient-elles passer à l’apprentissage automatique pour de meilleurs résultats, ou peuvent-elles continuer à utiliser des systèmes basés sur des règles ?

Dans cet article, discutons des systèmes basés sur des règles, de l’apprentissage automatique ou des systèmes d’auto-apprentissage et discutons des avantages, des limites et des besoins de l’entreprise pour les appliquer.

• Introduction aux systèmes basés sur des règles
• Qu’est-ce qu’un système basé sur des règles ?
• Avantages des systèmes basés sur des règles
• Limites des systèmes basés sur des règles
• Introduction à l’apprentissage automatique et aux systèmes d’auto-apprentissage
• Qu’est-ce qu’un système d’apprentissage automatique ? (ou système d’auto-apprentissage)
• Avantages du système d’apprentissage automatique
• Limites du système d’apprentissage automatique
• Systèmes basés sur des règles : devez-vous les ignorer ?
• L’apprentissage automatique est-il la voie à suivre ?

C’est une décision importante à prendre pour toute entreprise. Lorsque vous choisissez comment automatiser vos problèmes métier, vous pouvez soit utiliser des systèmes basés sur des règles, soit des systèmes d’apprentissage automatique. Chacun offre ses propres forces et faiblesses.

Le choix dépend du type de processus que vous souhaitez automatiser et de votre objectif ultime.

Comprenons d’abord mieux ces deux systèmes, d’accord ?

Introduction aux systèmes basés sur des règles

Les systèmes basés sur des règles sont des programmes informatiques qui utilisent des règles si-alors pour prendre des décisions et effectuer des tâches. Ils existent depuis des décennies et ont révolutionné le fonctionnement des entreprises à bien des égards. C’est pourquoi il peut être difficile de croire que nous nous appuyons encore fortement sur des systèmes basés sur des règles pour prendre des décisions, même avec toutes les avancées de l’apprentissage automatique.

Même si les systèmes basés sur des règles semblent être la réponse évidente à un problème, ils ne résolvent pas toujours le problème de manière optimale. En effet, leur qualité dépend de la qualité de leurs règles, qui ne sont pas toujours exactes ou complètes. En fait, l’une des principales raisons pour lesquelles les systèmes basés sur des règles sont si populaires est que lorsque vous avez un problème très spécifique avec un petit ensemble d’options, les systèmes basés sur des règles peuvent être très efficaces et efficients.

Qu’est-ce qu’un système basé sur des règles ?

Les systèmes basés sur des règles sont une méthode populaire de traitement des données. Ils utilisent un si-ceci-alors-cela structure pour prendre des informations connues, les traiter et développer un résultat. Ces systèmes sont rapides et faciles à construire, mais comme ils reposent sur des règles et des inférences codées en dur, ils sont rarement précis en dehors de leur domaine d’expertise.

Lorsque vous programmez le système pour qu’il prenne des décisions en fonction d’un certain ensemble de règles, on les appelle des systèmes basés sur des règles. Des experts humains construisent des systèmes basés sur des règles avec une connaissance approfondie du domaine pour garantir les meilleurs résultats possibles. Dès lors, ils sont systèmes dirigés par des experts.

Par exemple, lorsqu’une banque reçoit une demande de prêt de quelqu’un, la banque peut utiliser une règle simple comme “Si l’âge du demandeur est inférieur< = supérieur à 50 et son revenu est> = 60 000 $ par an”, la banque peut approuver le prêt. Bien sûr, c’est une règle simple, et les systèmes basés sur des règles peuvent être intégrés dans des règles beaucoup plus complexes pour qualifier le demandeur et décider d’approuver ou de rejeter la demande.

Comme mentionné ci-dessus, ces règles sont construites par des humains qui sont des experts du domaine. Les connaissances commerciales qu’ils apportent à l’élaboration de ces règles sont extrêmement essentielles pour que le système accepte les entrées et fournisse les sorties en conséquence.

Avantages des systèmes basés sur des règles

Les systèmes basés sur des règles sont beaucoup plus faciles à comprendre, à modifier et à entretenir que les systèmes d’apprentissage automatique. Dans la plupart des cas, les règles sont stockées dans une base de données, qui peut être modifiée par un analyste métier ou un professionnel de l’informatique sans aucune programmation.

Par exemple, si vous souhaitez que votre chatbot offre un coupon aux clients qui disent “Je veux annuler ma commande”, vous pouvez simplement ajouter cette règle à la base de données du système sans avoir à écrire de code. Examinons quelques-uns des avantages et des inconvénients des systèmes basés sur des règles.

1. Les systèmes basés sur des règles sont faciles à comprendre et à interpréter :

Cela contraste fortement avec un système d’apprentissage automatique qui peut être programmé par une personne et mis en œuvre par une autre, qui ne comprend pas nécessairement les détails du fonctionnement du système d’apprentissage automatique.

2. Mise en œuvre rapide :

Un système basé sur des règles peut être mis en œuvre relativement rapidement par rapport à un système d’apprentissage automatique, dont la construction, les tests et la mise en œuvre peuvent prendre des mois.

3. Modification facile :

Un système basé sur des règles peut être modifié rapidement car les modifications ne nécessitent que des modifications des règles elles-mêmes.

4. De nature durable :

Les systèmes basés sur des règles sont plus durables ; Ils ne modifient pas le “conditionnement” du système en raison des modifications de l’environnement.

5. Compatible avec ML/AI :

Lorsqu’ils sont combinés avec des méthodes d’apprentissage automatique et d’IA, les systèmes basés sur des règles peuvent augmenter leur efficience et leur efficacité en combinant différentes approches.

Limites des systèmes basés sur des règles

Les types de problèmes que les systèmes basés sur des règles résolvent n’ont pas disparu, mais ils ont été éclipsés par d’autres types de problèmes. Les principaux sont les suivants :

1. Problèmes avec un grand nombre de variables :

Lorsque des centaines ou des milliers de variables sont impliquées dans une décision, il peut être difficile pour les humains de formuler un ensemble exhaustif de règles. C’est là que l’apprentissage automatique brille car il peut facilement intégrer toutes ces variables sans devenir encombrant.

2. Problèmes avec de nombreuses contraintes :

Si votre problème implique de nombreuses exceptions et cas exceptionnels qui doivent être suivis, vous pourriez avoir du mal à rédiger des règles qui les couvrent tous. L’apprentissage automatique gère beaucoup mieux les contraintes et fait moins d’erreurs que les systèmes basés sur des règles.

3. Intelligence limitée :

La capacité de prendre des décisions est limitée par ce que nous avons explicitement programmé. Par conséquent, notre capacité à obtenir un comportement intelligent est limitée par quelque chose qui n’est pas entièrement connu au moment de la conception. Si nous ne savons pas quelles règles doivent être créées à l’avance, elles ne peuvent pas être écrites dans le système.

Introduction aux systèmes d’apprentissage automatique et d’auto-apprentissage

Au cours de la dernière décennie, nous avons assisté à une transition vers des systèmes utilisant des algorithmes d’apprentissage automatique pour prendre des décisions. À l’origine, l’utilisation de l’apprentissage automatique était limitée à des applications telles que la reconnaissance d’images et la reconnaissance vocale, mais elle s’est maintenant étendue à toutes sortes de systèmes numériques.

Mais qu’est-ce qu’un système d’apprentissage automatique ou un système d’auto-apprentissage ? Continue de lire.

Qu’est-ce qu’un système d’apprentissage automatique ? (ou système d’auto-apprentissage)

Les systèmes d’apprentissage automatique examinent de grandes quantités de données passées et prennent des décisions en fonction de leur apprentissage à partir des données. Par exemple, dans l’exemple de demande de prêt ci-dessus, un système d’apprentissage automatique peut voir qu’un demandeur de prêt dont l’âge est< =50 et revenu> = 60 000 $ peuvent être approuvés en fonction du grand nombre de données de candidats du passé.

Le point important à noter ici est que personne n’a besoin de communiquer les informations ci-dessus au système basé sur l’apprentissage automatique. Le logiciel peut faire cette déduction logique par lui-même en analysant simplement les données et en recherchant des corrélations.

La plus grande différence entre les systèmes basés sur des règles et les systèmes d’auto-apprentissage est que les humains programment manuellement les systèmes basés sur des règles, tandis que les machines entraînent automatiquement les systèmes d’auto-apprentissage. En d’autres termes, les systèmes d’auto-apprentissage apprennent de l’expérience plutôt que de se faire dire explicitement quoi faire par les humains.

Les systèmes d’auto-apprentissage s’appuient sur des algorithmes d’apprentissage automatique pour identifier des modèles à partir de données historiques. Le système ne sait pas explicitement quelles fonctionnalités sont essentielles, mais peut apprendre des données et prédire le comportement futur sur la base des informations historiques. Dans ce cas, si notre objectif était d’identifier les voyageurs fréquents, nous entraînerions le modèle à l’aide de données historiques (par exemple, des informations démographiques) qui incluent des attributs tels que l’âge, le sexe, le niveau d’éducation et l’historique des achats. Sur la base de ces attributs, nous pourrions créer des étiquettes telles que “voyageur fréquent” ou “voyageur occasionnel” et former le modèle en conséquence.

En bref, un système d’apprentissage automatique apprend par lui-même à partir de modèles dans les données qui lui sont transmises, tandis que les systèmes basés sur des règles utilisent des règles rigides “If-else” qui doivent être élaborées à la main.

Avantages du système d’apprentissage automatique

Les systèmes d’apprentissage automatique sont parfaits pour les problèmes où il est difficile d’écrire des règles ou de trouver des algorithmes. Examinons quelques-uns des avantages et des inconvénients des systèmes d’apprentissage automatique.

1. Systèmes d’auto-apprentissage :

Les systèmes d’apprentissage automatique peuvent apprendre des données passées et s’adapter à de nouvelles situations par eux-mêmes, tandis que les systèmes basés sur des règles nécessitent une intervention humaine pour tout changement.

2. Gérer des problèmes plus complexes :

L’apprentissage automatique est excellent pour trouver des modèles dans les données, mais il peut également trouver des modèles qui n’existent pas. C’est un gros problème pour les entreprises qui s’appuient sur l’apprentissage automatique pour identifier les transactions frauduleuses ou les activités suspectes. De tels taux de détection ne sont pas suffisamment précis pour que les modèles soient utilisés en production.

3. Plus performant avec moins d’interaction humaine que les systèmes basés sur des règles :

L’avantage significatif est que le système d’apprentissage automatique n’a pas besoin d’être explicitement programmé pour effectuer une tâche comme un système basé sur des règles.

4. S’adapter au fil du temps (via un apprentissage continu) aux changements de données et d’environnement :

Un système d’apprentissage automatique s’adaptera et évoluera à mesure que de nouvelles données seront disponibles. Il ne nécessite aucune intervention humaine pour mettre à jour ou affiner les règles qu’il utilise. Et parce qu’il apprend constamment de nouvelles données, sa précision s’améliore avec le temps.

Limites du système d’apprentissage automatique

Avant de passer trop de temps à créer un système d’apprentissage automatique, vous devez connaître certaines limites :

1) Les systèmes d’apprentissage automatique doivent voir un grand nombre d’entrées avant de pouvoir reproduire avec précision les sorties par eux-mêmes. Si votre ensemble de données est petit ou n’inclut pas beaucoup d’exemples différents, cela n’aidera pas beaucoup à former votre système. Dans ce cas, il n’y a pas assez d’informations pour qu’il puisse en tirer des leçons.

2) Les systèmes d’apprentissage automatique ne peuvent apprendre qu’à partir de données qu’ils ont déjà vues. Une modélisation de données entraînée sur des photos de chats ne reconnaîtra probablement pas très bien les photos de chiens, même si elles sont très similaires. Les modèles d’apprentissage automatique ne savent que ce que vous leur enseignez ; il n’y a pas de place pour l’intuition humaine. Si vous en entraînez un sur d’anciennes images de chiens et de chats, puis que vous lui en montrez un avec les deux sur la même photo, il n’y a aucune garantie qu’il identifiera correctement les deux sujets dans l’image.

3) Les systèmes d’apprentissage automatique ne sont pas intelligents au sens où les humains le sont. Ils n’ont aucun sens commun et ne « comprennent » pas ce qu’ils font de manière significative. Ils ne peuvent pas s’adapter à de nouvelles situations ou résoudre des problèmes pour lesquels ils n’ont pas été formés.

Systèmes basés sur des règles : devez-vous les ignorer ?

D’après ce que nous avons vu jusqu’à présent, il semble que l’apprentissage automatique soit la voie à suivre car il n’a besoin d’aucune interaction humaine et apprend lui-même à partir des “données passées” pour prendre des décisions.

Mais d’où les systèmes d’apprentissage automatique peuvent-ils obtenir ces « données passées », qui sont essentielles au comportement du modèle ? Un système existant basé sur des règles peut fournir la même chose. Les données du système basé sur des règles peuvent être utiles pour augmenter la précision de l’algorithme d’apprentissage automatique. Une précision de 50 % (ce qui équivaut à un tirage au sort) est quelque chose que vous pouvez attendre d’un modèle d’apprentissage automatique qui utilise les données du moteur de règles.

Cependant, les systèmes basés sur des règles sont sujets à l’erreur humaine, et l’intégration des règles peut être longue et coûteuse. Des règles complexes et trop nombreuses contribuent également à la dégradation des performances. À mesure que les règles deviennent plus strictes, il y a une forte possibilité de perdre de bons clients.

Cela dit, les systèmes basés sur des règles peuvent exécuter des décisions beaucoup plus rapidement avec une formation appropriée. Ils sont fiables. Les systèmes basés sur des règles peuvent être utiles lorsque des réponses exactes sont requises, et le nombre de règles et d’options est relativement simple. La sortie d’un système basé sur des règles est facile à déboguer pour un humain.

L’apprentissage automatique est-il la voie à suivre ?

L’attente qui accompagne l’utilisation de l’apprentissage automatique est qu’il s’agit de systèmes d’intelligence artificielle qui offrent des niveaux de précision élevés par rapport aux humains. Cette notion conduit à « des machines remplaçant l’homme », à « une réduction de l’effort humain », à un « gain de temps », etc. Mais la construction d’un système d’apprentissage automatique n’est pas une blague, et un système d’apprentissage automatique mal construit peut coûter cher à une organisation sur tous les fronts, y compris les coûts, les efforts et l’utilisation.

Bien que les systèmes d’apprentissage automatique offrent des avantages significatifs par rapport aux capacités d’un système basé sur des règles, ce serait une erreur de considérer l’apprentissage automatique comme la solution miracle à tous vos problèmes.

Les modèles d’apprentissage automatique prennent du temps pour comprendre et apprendre des données. Un modèle d’apprentissage automatique est aussi bon que les données qu’il absorbe, et cela peut prendre des mois pour que le système soit prêt à remplacer les règles. Il ne sert à rien d’attendre une “super précision” d’un modèle d’apprentissage automatique du jour au lendemain ou de se plaindre qu’il est sous-performant par rapport à votre moteur basé sur des règles actuel.

Conclusion

Une bonne approche lors de la transition des systèmes basés sur des règles vers l’apprentissage automatique consiste à exécuter des règles en parallèle avec l’apprentissage automatique. Cela permet de comparer les résultats au fil du temps et de décider quand remplacer l’apprentissage automatique à la place de votre système basé sur des règles.

Vous pouvez également considérer les règles de fonctionnement et les systèmes d’apprentissage automatique en tandem, ce qui serait plus avantageux pour l’organisation que de remplacer entièrement les règles. L’apprentissage automatique n’est pas destiné à remplacer les humains, mais à augmenter ce dont les humains sont capables. Les résultats du modèle d’apprentissage automatique correctement construit peuvent imiter les capacités humaines, complétant complètement les efforts humains et aidant à augmenter leur productivité.

Alors que la force de l’apprentissage automatique réside dans la quantité de données qu’il peut analyser et suivre en temps réel, la force d’un humain réside dans la fourniture de contexte et d’intuition dans l’analyse des valeurs aberrantes et d’autres scénarios extrêmes.

Il est important de prendre en compte l’expertise du domaine qu’un humain apporte aux règles de construction qui font le succès des systèmes basés sur des règles.

Nous espérons que cet article vous plaira et que vous apprendrez comment l’apprentissage automatique fait partie intégrante de la science des données ! Réserver une prestation découverte avec nos architectes de données dès aujourd’hui et prenez une longueur d’avance sur la concurrence. Rendez-le simple et rendez-le rapide.

Lire la suite :

• Top 8 des tendances en Business Intelligence en 2022
• Qu’est-ce qu’une matrice de corrélation ? Comment l’utiliser pour prendre des décisions commerciales ?
• Qu’est-ce que la gouvernance des données ? Quelle est son importance ?
• Comment configurer le processus d’analyse des données pour les données d’entreprise ?