Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
Le deep learning, ou apprentissage profond, est une méthode d’apprentissage automatique qui utilise des réseaux de neurones artificiels composés de nombreuses couches successives pour apprendre, à partir d’exemples, des représentations de plus en plus abstraites des données.
Le terme officiel en France est « apprentissage profond ». La Commission d’enrichissement de la langue française l’a publié en 2018 dans son vocabulaire de l’intelligence artificielle. Elle le définit comme un apprentissage automatique qui utilise un réseau de neurones artificiels à nombreuses couches, chacune correspondant à un niveau croissant de complexité dans le traitement des données.
Chaque couche transforme ce que lui transmet la précédente. Les premières repèrent des éléments simples, comme des contours dans une image ou des fragments de mots. Les suivantes les combinent en notions plus complexes. Le modèle ajuste ses paramètres en comparant ses prédictions aux résultats attendus, sur un grand nombre d’exemples. Il extrait ainsi lui-même les caractéristiques utiles, là où d’autres méthodes demandent à un spécialiste de choisir les variables. Un projet réunit en général des données d’entraînement volumineuses, une architecture de réseau, une forte puissance de calcul et une évaluation sur des données non vues pendant l’apprentissage.
Le deep learning est une branche du machine learning, lui-même rattaché à l’intelligence artificielle. Il s’en distingue par la profondeur des réseaux et par son aptitude à traiter des données non structurées : images, sons, textes, vidéos. Le réseau de neurones désigne l’architecture de calcul ; le deep learning désigne l’apprentissage automatique fondé sur des réseaux qui comptent de nombreuses couches. Les modèles de langage et l’IA générative reposent sur cette technique. En marketing, on la rencontre surtout intégrée à des outils : reconnaissance d’image, traitement automatique du langage naturel appliqué aux avis clients, moteurs de recommandation, production de textes et de visuels.
L’article de synthèse de Yann LeCun, Yoshua Bengio et Geoffrey Hinton (« Deep learning », Nature, 2015) attribue à ces méthodes de nets progrès en reconnaissance de la parole et en reconnaissance visuelle d’objets. À notre sens, une équipe marketing entraîne pourtant rarement elle-même un réseau profond. Elle l’utilise le plus souvent sans le savoir, à travers un outil d’analyse des avis, de recommandation de produits ou de production de contenus. Selon nous, la vraie question n’est donc pas « faut-il faire du deep learning ? », mais « sur quelles données et pour quelle décision cet outil est-il fiable ? ».
L’apprentissage profond excelle sur les images, le son et le texte. Il n’est pas toujours le meilleur choix sur des tableaux de données classiques : historiques d’achat, fiches clients, résultats de campagnes. Une étude de Léo Grinsztajn, Edouard Oyallon et Gaël Varoquaux (« Why do tree-based models still outperform deep learning on tabular data? », 2022) a comparé ces approches sur 45 jeux de données. Elle conclut que les modèles fondés sur des arbres de décision restent les plus performants sur des tableaux de taille moyenne, de l’ordre de 10 000 lignes. Pour un scoring prédictif ou une prévision du taux d’attrition, nous recommandons donc de comparer un réseau profond à un modèle plus simple avant de retenir le plus coûteux.
Deux niveaux de mesure coexistent. Le niveau technique juge la qualité des prédictions : taux d’erreur, précision et rappel pour une tâche de classement. Le niveau métier juge l’effet sur une décision : temps de traitement gagné, hausse des ventes, baisse des réclamations. Un modèle très précis en test peut n’apporter aucun gain métier. Nous recommandons de mesurer cet effet par comparaison avec un groupe témoin traité sans le modèle, sur la même période.
Pour les outils qui exploitent images, sons ou textes, Advalians repère avec vos équipes les usages à forte valeur et les déploie par étapes.
Le deep learning est une branche du machine learning. Les deux apprennent à partir d’exemples. Le machine learning regroupe toutes les méthodes qui améliorent leurs résultats à partir des données, y compris des modèles simples comme la régression ou les arbres de décision. Le deep learning utilise des réseaux de neurones à nombreuses couches, qui extraient eux-mêmes les caractéristiques utiles.
Critère pratique : pour des images, des sons ou des textes, le deep learning s’impose souvent. Pour un tableau de données clients, testez d’abord une méthode plus simple.
Commencez par une tâche précise, répétitive et mesurable, par exemple classer les avis clients par motif d’insatisfaction. Vérifiez ensuite que vous disposez de quelques centaines d’exemples annotés à la main pour contrôler le résultat. Ce volume est un ordre de grandeur indicatif, à ajuster selon la tâche.
Privilégiez un modèle existant que vous adaptez, plutôt qu’un entraînement complet. Testez-le sur un périmètre limité, avec un responsable métier chargé de valider les résultats. Étendez seulement si le gain est démontré.
Mesurez à deux niveaux. Le niveau technique vérifie la qualité des prédictions sur des données que le modèle n’a jamais vues : taux d’erreur, précision, rappel. Le niveau métier vérifie l’effet sur la décision : temps gagné, ventes, réclamations.
Pour isoler cet effet, comparez un groupe traité avec le modèle à un groupe témoin traité sans lui, sur la même période. Fixez le seuil de réussite avant le test. Réévaluez ensuite chaque trimestre, car les performances baissent quand les comportements changent.
Le premier risque est l’opacité : le modèle ne fournit pas de lui-même les raisons de ses résultats, ce qui pose problème si vous devez expliquer une décision à un client. Le deuxième tient aux biais algorithmiques : le modèle reproduit les déséquilibres de ses données d’entraînement. Le troisième concerne les données que vous confiez à l’outil.
Avant de signer, demandez au fournisseur sur quelles données le modèle a été entraîné, comment sa performance a été mesurée et ce qu’il advient de vos données. Faites relire les contenus produits avant toute diffusion.
Pas en premier choix. Un scoring repose en général sur des données en tableau : historique d’achat, ancienneté, canal. Sur ce type de données, des modèles plus simples donnent souvent d’aussi bons résultats, à moindre coût, et restent plus faciles à expliquer.
Comparez au moins deux approches sur les mêmes données, dont une méthode simple. Retenez le deep learning si l’écart de performance justifie son coût et son opacité, ou si le scoring intègre des textes ou des images, comme le contenu des échanges avec le service client.
Par Thomas Bizot – Président du cabinet Advalians
Le référencement naturel (SEO) est depuis longtemps le pilier essentiel du marketing digital,..
Les directions marketing se trouvent aujourd’hui à un tournant décisif. Alors que la..
