cleverm8

Cognitive automation, Intelligence Artificielle différenciative, Sciences Cognitives et Data-Sciences

Blog

m8 devient Cleverm8 !

par Laisser un commentaire

Bonjour à tous,

Grande nouvelle ! Dans le cadre de son développement m8 devient Cleverm8.

Ce changement reflète notre nouvelle stratégie qui consiste à développer en interne nos technologies afin de les proposer via une API : nos solutions de clever cognitive automation.

Cleverm8, à prononcer à l’anglaise « clever » « mate », votre pote intelligent, fait référence à m8 tout en affirmant son ambition internationale et accentuant son côté Humain !

C’est dans ce cadre que Jean Pierre Malle (fondateur de m8 et maintenant Directeur Scientifique) a été rejoint par : Alexandre du Sordet (Président), Laetitia Audouin (Directrice Générale) et Sylvain Fischer (Directeur Technologique).

Ce changement d’activité est porté par une nouvelle structure juridique : m8run SASU. La partie formation de l’activité de m8 a été transférée à Sirioos.

Nous sommes actuellement dans une phase de R&D et nos premières solutions sont en cours de finalisation.

N’hésitez pas à nous contacter pour plus d’informations !

L’équipe Cleverm8

Pas de progrès sans viol

par Laisser un commentaire

Le progrès, pour le meilleur ou pour le pire ?

Le progrès consiste à passer d’une situation donnée à une situation meilleure. Une idée peut être novatrice, mais si elle dégrade la situation des hommes, elle ne constitue pas un progrès.

Dans bien des cas, ce qui a été considéré durant des décennies comme un progrès se révèle souvent plus tard comme une régression. Par exemple l’agriculture conventionnelle nous a été présentée comme un progrès et aujourd’hui le monde prend conscience de son action dévastatrice sur l’écosystème et sur la santé des hommes. Il en va de même pour les énergies fossiles, les sacs en plastique, etc.

On parle souvent de bilan bénéfice-risque pour décider d’appliquer ou non un supposé progrès. Le vrai problème sous-jacent à cette démarche est notre incapacité à évaluer correctement le risque.

Pour avancer, les industriels agissent souvent selon le principe de la non-interdiction : tant que la législation n’interdit pas ou ne réglemente pas un produit, on peut le vendre. Et les états agissent selon le principe de précaution : tant que l’on ne connait pas les conséquences on l’interdit.

Bref, personne ne maitrise. Pourtant il faut bien avancer.

Les sommes mises en jeu par les industriels peuvent être colossales, le risque de découvrir à la fin d’une longue période de R&D un effet négatif peut soit limiter les ardeurs à conduire des recherches soit inciter à passer sous silence l’effet en question.

D’un autre côté, les règlementations mises en œuvre par les états sont toujours en réaction à une prise de conscience du public, elles peuvent être soit excessives et bloquer tout progrès au nom du principe de précaution, soit laxistes influencées par des lobbys puissants ou de la corruption.

L’arbitrage de la science

Mais un acteur s’invite de plus en plus dans ce système bipartite industriel-état, c’est le consommateur. Depuis le développement des associations de consommateurs dans les années 50, le monde a évolué. Aujourd’hui le consommateur est informé par des médias bien plus virulents. Ces derniers seraient-ils devenus spontanément clairvoyants et coopératifs ?

En fait ils ont compris qu’avec internet chacun de nous peut être le « journaliste » qui révèle une situation régressive. Alors ils prennent les devants, effectuent des veilles, vérifient les informations et s’en font les relais. Et ils deviennent de fait les maîtres du jeu. Pour asseoir leur crédibilité, ils s’appuient sur des scientifiques.

La guerre se déplace alors sur le terrain de la science. Ce n’est pas sans risque, les scientifiques rejoignant les rangs des journalistes s’exposent ainsi à des menaces, des actes en dénigrement, des destructions de carrières orchestrées par des industriels et des politiques peu scrupuleux devenus violents.

Mais c’est à ce prix qu’un progrès annoncé peut effectivement être considéré comme tel ou réfuté par la population via la science. La démarche est Poppérienne.

Le temps comme alibi

Lorsqu’un industriel ou un politique est pris le doigt dans le pot de confiture, il évoque généralement le temps. Ses propos sont toujours les mêmes : « on ne savait pas », « on ne découvre ce problème que maintenant », « il faut du temps pour que le problème apparaisse », « on va conduire des analyses complémentaires », etc. bref on nous enfume.

Prenons le cas de l’amiante, on à découvert les propriétés nuisibles de l’amiante … du temps de la Rome antique (dixit Pline l’ancien au 1er siècle de notre ère). Alors bien sûr au XXème siècle, on … « ne savait pas », pour reprendre le style rédactionnel d’une émission de télévision spécialisée dans ce genre de scandale !

Que certains se soient honteusement enrichis au détriment de la santé de la population est en soit déjà un crime, mais il n’y a pas que cela. Durant toutes ces décennies, de nombreuses inventions constituant réellement des progrès au bénéfice de la population ont été tuées dans l’œuf.

Lorsqu’un progrès finit par émerger, lorsqu’un acteur se présente comme un inventeur, il est fort à parier que l’idée n’est pas nouvelle. De nombreux autres scientifiques ont imaginé et pensé à des concepts similaires ou dans la même lignée bien avant, mais ils se sont heurtés au mur de l’intérêt de ceux qui tiennent la place. Ils furent à l’origine des premiers coups de boutoir mais ils n’en ont pas tiré profit.

Le progrès ne s’installe généralement pas sur une idée neuve mais en violant ceux qui profitent du système installé. Au début l’idée neuve est qualifiée de « ridicule », puis de « dangereuse », et enfin lorsqu’elle émerge elle devient subitement « évidente » comme nous le rappelle Idriss Aberkane.

La blockchain, un pas vers le graal

Heureusement, là aussi les choses évoluent. Nous disposons aujourd’hui des moyens de communication pour exposer au plus grand nombre toutes les facettes de chaque situation, quelles soient bénéfiques ou régressives. Les scientifiques peuvent s’exprimer sans crainte dans des forums. Du fait de leur multitude, les actes en intimidation ont bien moins de prise sur eux. L’émergence de la blockchain permet de conserver les traces des discours des uns et des autres et donc d’étayer les raisonnements de façon plus factuelle et accessible au plus grand nombre. Et ce n’est que le début d’une révolution en marche.

L’organisation d’entreprise

par

L’approche cartésienne de l’organisation

J’ai lu dernièrement un article très intéressant sur l’adaptation du modèle CMMi (capacity maturity model integration) à la transformation digitale des organisations.

Moi aussi, j’ai cru à une époque de ma vie que l’analyse permettait aux individus de comprendre où se situaient leurs failles afin de les corriger. Il parait en effet quasi évident que si l’on dispose de moyens de mesure efficace, que des dysfonctionnements sont mis en lumière et que des réflexions sont conduites ensemble sur ces sujets alors l’organisation sera mécaniquement améliorée.

Mais dans les faits, ce n’est pas vrai. Combien reste-t-il de sociétés qui arborent un logo ISO9001 ? Les générations passent et les procédures disparaissent. Ce n’est pas un hasard.

Tant que nos raisonnements resteront dans le carcan de l’épistémologie hypothético-déductive (cartésienne) nous ne maitriserons rien. L’homme et la société en général agissent selon une épistémologie constructiviste.

Bien sûr, le raisonnement cartésien est accessible à chacun de nous lorsqu’il analyse une situation à postériori, lorsqu’il se place devant un paperboard, lorsqu’il lit un article. C’est le raisonnement qui a été pratiqué par les enseignants durant toute notre scolarité, c’est celui des debriefings, c’est celui qui a permis de nombreux progrès scientifiques et technologiques, c’est celui de nos recherches et de nos investigations sur internet. Mais ce raisonnement a aussi ses limites, il ne s’applique pas aux êtres pensants. Or les organisations sont le résultat d’une multitude de pratiques orchestrées par des êtres pensants qui analysent des situations et font au mieux avec leurs moyens, leurs connaissances, leurs envies, leurs collègues.

Je comprends que ce constat ne soit pas recevable par tous ceux qui veulent normaliser ces pratiques, faire en sorte que les opérateurs soient interchangeables, que les services soient exécutés de façon uniforme. Leur raisonnement se tient dans un référentiel hypothético-déductif universaliste. Mais les faits sont têtus, l’homme est constructiviste et le restera, car c’est la seule façon pour lui de rester en vie.

Le constructivisme, c’est quoi ?

C’est accepter le fait que chacun de nous dispose d’un référentiel de raisonnement qu’il s’est construit, qu’il utilise et enrichit au quotidien. De fait une stratégie universelle, touchant le plus grand nombre ne peut fonctionner que sur des principes triviaux. Alors oui, dans ce cas une procédure convenant à chacun peut être éditée. La procédure « comment utiliser un ticket de métro » à de forte chance d’être appliquée par quasi tout le monde sans rejet. Mais une procédure relative à l’organisation d’une entreprise a peu de chance d’être appliquée.

Combien de référentiels procéduraux ont été écrits, discutés, négociés, publiés et abandonnés ? Il est facile de critiquer les uns et les autres, de les accuser de mauvaise volonté. Alors qu’ils ne cherchent qu’à faire au mieux de leurs possibilités et sans arrière-pensée machiavélique. 

Si l’on étudie un tant soit peu les êtres pensants que nous sommes, nous comprenons que nous sommes constitués chacun d’une collection d’avatars. Lorsque nous analysons une situation à postériori, c’est un avatar analyste et plutôt cartésien qui prend la main, il travaille lorsque nous sommes confortablement assis autour d’un café à discuter de la façon d’améliorer un processus. Mais lorsque nous sommes actifs au sein du processus, à tenter de répondre aux sollicitations, c’est un avatar temps réel qui prend les commandes. Et celui-là s’appuie sur nos expériences, notre champ de conscience et agit par induction et non par déduction. En fait nous ne sommes pas vraiment les mêmes selon la temporalité de la situation. Il faut l’accepter.

Alors comment faire ?

Les sociétés qui persistent sont celles qui intègrent ces mécanismes constructivistes, qui les exploitent.

L’homme est majoritairement inductif, alors agissons par induction et tout se passera bien. Remplaçons les « et » par les « ou », les « donc » par les « avec », les « si » par les « pour » et chacun y trouvera place. Créons les conditions pour qu’une majorité des acteurs agissent de façon positive face à une situation, chacun pour des raisons différentes, en s’appuyant sur des expériences différentes. L’important est que chacun comprenne la stratégie et adapte ses actions pour converger vers cette stratégie au mieux de ses possibilités.

De plus, de vous à moi, l’induction nécessite bien moins d’énergie que la déduction. La déduction impose de discuter, de négocier, de justifier de chercher des compromis pour aboutir à un texte détaillé et fastidieux qui ne sera que très partiellement mis en œuvre. Que de temps perdu. L’induction au contraire s’appuie sur les référentiels de chacun sans effort particulier, si l’on accepte la diversité. La déduction c’est un peu comme chercher à arrêter une avalanche, alors que l’induction consistera à chercher seulement à la dévier, on passe du « contre » au « avec », c’est bien plus efficace.

En revanche, il faudra accepter une certaine diversité dans les pratiques. En fonction de la situation un intervenant ou un autre agira dans un même objectif de la façon qui lui est propre. Et ce n’est pas parce qu’une pratique donne de meilleurs résultats qu’il faut chercher à l’imposer à tous, elle peut ne pas convenir à certains. Le meilleur moyen est de faire savoir que cette pratique existe et qu’elle est efficace dans certaines situations. Chacun peut alors se positionner et l’adopter ou s’en inspirer dans le but d’atteindre ses objectifs au mieux. Le RSE (réseau social d’entreprise) est alors un outil d’induction très efficace, là où certains adeptes du cartésianisme n’y voient qu’un jouet synonyme de perte de temps. Encore faut-il l’animer efficacement et le piloter dans le cadre de la stratégie d’entreprise fixée.

IA différenciative

par

Les 3 dimensions d’un système

Tout système automatique peut se décomposer selon 3 dimensions

  • Une dimension proportionnelle pour laquelle la réponse du système est directement fonction de la situation courante
  • Une dimension intégrative pour laquelle la réponse du système s’appuie sur le passé par intégration des situations antérieures
  • Une dimension différenciative pour laquelle la réponse du système est liées aux singularités de la situation et à son évolution

Certains flux de situations nécessitent que le système qui les traite soit plus ou moins développé sur certaines dimensions. Un système d’intelligence artificielle ou de data-intelligence n’échappe pas à ces règles.

Chacune des dimensions apporte ses méthodes et ses savoir-faire spécifiques. Sous l’angle mathématique on retrouvera des techniques liées à l’analyse fonctionnelle pour la dimension proportionnelle, au calcul intégral ou différentiel pour les deux autres. Sous l’angle de la psychologie des acteurs en situation on parlera plutôt sociologie pour la dimension intégrative et psychologie différenciative pour la dimension différenciative du système.

Mais en matière algorithmique, on rencontre des datascientists qui n’ont pas conscience de la notion de système et qui notamment n’instancient pas la dimension différenciative. Le résultat est qu’ils produisent des systèmes qui se montrent déceptifs dès que les dimensions manquantes deviennent prépondérantes. Ce n’est heureusement pas toujours le cas, mais comme cela arrive il est intéressant de se pencher sur les raisons sous-jacentes.

Le machine learning : IA purement intégrative

Certains systèmes se présentent avec des dimensions plus développées que les autres selon les situations à traiter, leur caractère rémanent, leur caractère évolutif, leur variété.

Par exemple si l’on cherche à anticiper le trafic d’une ligne de métro, on comprend bien que la dimension proportionnelle aura un effet car plus il y a de personnes, plus la demande de transport sera grande. Toutefois la croissance de la population est lente et bien souvent elle peut être considérée comme stable à l’échelle du système à concevoir. La dimension intégrative sera prépondérante car les usagers utilisent la ligne de métro de façon très récurrente et donc un apprentissage de type machine learning sera surement efficace. On peut donc se contenter généralement d’une machine avec une seule dimension intégrative pour prédire le trafic.

En revanche si des évènements exceptionnels sont planifiés tels que des rencontres sportives, si des incidents surviennent sur la ligne ou sur des lignes voisines, si la météo est perturbée, alors l’IA intégrative fournira pour ce jour-là des prédictions erronées.

Par définition, un système intégratif élimine les singularités pour se concentrer sur les phénomènes récurrents, il est donc normal que les exceptions ne soient pas prédictibles avec de tels systèmes.

Lorsque l’on analyse l’offre disponible en algorithmes sur le marché, qu’il s’agisse de Microsoft Azure, Amazon AWS ou Google Cloud pour citer les principales plateformes, il semble que les constructeurs se soient polarisés essentiellement sur les techniques intégratives. Les formations en data-science disponibles sur le marché n’évoquent que rarement la dimension différenciative. De fait les datascientists que l’on rencontre n’ont que très rarement à l’esprit cette dimension différenciative et on constate leur carence dans la plupart des systèmes installés.

Tant qu’il s’agit de prédire des cas récurrents, tant que la prédiction erronée en cas de situation exceptionnelle est tolérable, ces systèmes répondent bien à la demande, sont relativement simples à mettre en œuvre et sont bien maitrisés des datascientists.

Le deep learning : IA partiellement différenciative

Il existe plusieurs cas de figure dans lesquels la dimension différenciative s’impose. Le premier cas concerne les systèmes prédictifs asymétriques ou à forte variété d’évènements.

Un système asymétrique est un système dans lequel les évènements sont catégorisés selon une répartition fortement déséquilibrée, une catégorie est représentée de façon infinitésimale et l’autre couvre la quasi-totalité des cas. Dans cette situation les algorithmes intégratifs de type machine learning ne fonctionnent plus. En effet ces algorithmes sont conçus pour lisser les singularités et éliminer les signaux faibles. Or les événements rares sont considérés par l’algorithme comme des signaux faibles et sont éliminés.

Un artifice consiste à multiplier les événements peu probables lors de l’apprentissage pour forcer les algorithmes à les reconnaître en les présentant avec une densité plus grande. Mais cet artifice rencontre des limites en termes d’efficacité lorsque la variété d’événements rares grandit. Dès lors, les erreurs de catégorisation se multiplient mécaniquement.

Ce phénomène peut être amoindri par l’introduction d’une dimension différenciative permettant de limiter localement la variété des événements en réalisant plusieurs apprentissages sur des lots d’événements à variété plus réduite. C’est notamment le cas avec la mise en œuvre des techniques de deep learning. En effet les réseaux neuronaux offrent des capacités de différenciation des événements en amont ce qui permet d’affiner l’apprentissage. Les algorithmes de deeep learning classifient bien plus précisément que les algorithmes de machine learning.

Ces algorithmes trouvent notamment toute leur place dans le monde de la sémantique ou la variété de sens est très importante et partout ou une grande variété de situations se présentent.

L’IA personnalisée

Le deuxième cas ou s’impose la dimension différenciative concerne les événements dont la nature nécessite un traitement différencié. Par exemple il serait très discutable d’envisager de prescrire un traitement à un patient sur la seule base d’une statistique. Dans ces cas et bien d’autres, seule la dimension différenciative permet de prendre en charge les spécificités du dossier analysé.

Dans tous ces cas l’apprentissage en vue de reproduire une stratégie qui a fonctionné dans d’autres situations peut s’avérer très dangereux. De fait la dimension intégrative sera réduite. Un médecin par exemple mettra en œuvre une dimension proportionnelle pour définir la dose d’antidouleur à administrer au patient en fonction de son niveau de souffrance et une dimension différenciative par un examen approfondi du patient.

Bien sûr le médecin s’appuiera sur son expérience, sur les autres cas rencontrés mais son travail ne sera complet que s’il étudie tous les détails qui constituent des différences avec les cas rencontrés. C’est un travail d’analyse et d’investigation long et qui doit être mené avec sérieux, ce qui justifie la durée de la consultation, les examens complémentaires et les équipements sophistiqués nécessaires. Si le médecin se contentait de mettre en œuvre une dimension intégrative comme ce fut le cas par le passé, notre durée de vie serait considérablement amoindrie.

Il existe des cas bien moins critiques mais pour lesquels la personnalisation de l’IA se révèle également indispensable, il peut s’agir de l’orientation scolaire, de propositions d’emplois, de conseils, ou de recommandations de produits. En fait partout où l’IA s’adresse à un individu en particulier ou concerne une personne spécifique.

Par exemple pour proposer un produit à une personne, une IA intégrative ne s’appuiera que sur une statistique, et produira une recommandation du type « ceux qui ont consulté ça ont aussi consulté ça » ou « ceux qui habitent votre quartier achètent majoritairement ça ». Alors qu’une IA différenciative produira une recommandation bien plus proche de celle que ferait un conseiller en chair et en os « compte tenu de votre situation, nous vous proposons plutôt ça ».

L’IA justifiée

Le troisième cas concerne les événements pour lesquels il est nécessaire de justifier la prise de décision opérée par l’intelligence artificielle. Là encore, la dimension intégrative ne peut que fournir qu’une tendance globale liée à la présence de signaux forts. Seule la dimension différenciative permet de mettre en exergue les singularités qui ont modelé la prise de décision par l’intelligence artificielle et qui la justifient.

C’est le cas par exemple de la justice, il est bien évident que si une IA devait analyser les dossiers en vue d’alléger la charge du personnel judiciaire, les mêmes conclusions que celles obtenue dans le cas du médecin s’imposeraient, on ne peut inculper quelqu’un sur la seule base d’une analyse statistique, la dimension différenciative est primordiale. Mais ici le phénomène serait encore renforcé par le fait que l’IA devra apporter la justification précise de sa prise de décision. Dans tout acte judiciaire, il y a confrontation des arguments, l’accusation et la défense s’appuient sur des analyses du même dossier en mettant en exergue des différenciations à l’avantage à l’une ou l’autre des thèses. Il est alors indispensable que l’ensemble des justifications des décisions, alertes et recommandations de l’IA soient fournies et analysables par les parties concernées.

Cette situation se rencontre dans de nombreuses situations ou l’IA fait une incursion à notre époque. Par exemple le véhicule autonome devra tracer l’ensemble de ses décisions et devra les justifier en cas d’accident. C’est également le cas d’IA prenant des décisions financières, de celle intervenant dans un processus de production, décidant d’opérations de maintenance, etc.

Un effort important et soutenu

La construction d’un système intégratif est facilité à plusieurs niveaux :

  • Par principe ces systèmes éliminent les signaux faibles et les singularités et de fait se simplifient
  • L’intégration est une fonction qui a toujours une solution mathématique qui de plus est continue et régulière donc facilement calculable
  • Un système intégratif est peu sensible aux erreurs dans les données, leur qualité est donc peu influente
  • Il existe pléthore d’algorithmes sur le marché pour faciliter le développement du système
  • Même si le système est partiellement étudié, une intégration fournit toujours un résultat visible qui va dans le bon sens

En revanche construire un système différenciateur est un travail bien plus laborieux

  • Par principe ces systèmes sont très sensibles à la qualité des données, si les données sont édulcorées par un système de collecte leur efficacité chute de façon drastique
  • La différenciation peut se conduire selon de nombreux axes différents qu’il faut tester et souvent combiner
  • La différenciation peut conduire à des discontinuités, nécessiter de réaliser des calculs dans des espaces non euclidiens, elle n’est pas toujours possible mathématiquement
  • Il existe peu d’algorithmes sur le marché, il est souvent nécessaire de les construire soit même à partir de bibliothèques et bien veiller à respecter leur domaine d’application
  • Le système différenciateur produit peu d’effets tant que sa couverture de la variété des événements n’est pas achevée en grande partie.

Ce constat explique que l’intelligence artificielle différenciative soit si peu prisée des datascientists. De fait nombre d’entre eux s’évertuent à produire des systèmes intégratifs car ce sont les seuls qu’ils connaissent, alors même que leur application sera contre-productive. Dans de nombreux cas seule la dimension différenciative peut répondre à la problématique posée mais elle nécessite de la formation et de l’effort pour sa mise en œuvre.

La tyrannie du scoring

par

Le scoring

Nous avons tous été confrontés à la tyrannie du scoring, voici pourquoi.

Prenons le cas d’Aline qui travaille dans une direction métier. Aline rassemble dans un tableau des éléments qu’elle veut pouvoir sélectionner selon des critères. Elle va voir Kevin, son informaticien préféré, qui lui annonce que c’est très simple. Il suffit qu’elle lui communique le tableau avec les évaluations de chaque critère pour chaque élément et il fera un scoring. Ce serait bien de commencer par un petit test lui dit-il en bon professionnel.

Aline revient avec un fichier de 20 éléments et 3 critères évalués de 0 à 5. En un tour de main Kevin forme la requête et le tiercé des 3 meilleurs éléments tombe. Aline jette un œil et constate que ce résultat est conforme à sa connaissance sur les éléments présents dans le tableau. La validation est faite.

Aline revient voir Kevin le lendemain avec un fichier de 587.623 éléments associés à 137 critères évalués de 0 à 5 et repart avec le tiercé gagnant, les 3 meilleurs scores de Kevin.

De retour dans sa direction métier, ses collègues apportent beaucoup de critiques sur la sélection, qui ne semble pas correspondre à leur interprétation des dossiers. On conclut qu’un bug a dû se glisser, certains ne manquant pas d’ajouter : « comme d’hab ! ».

Kevin est sûr de sa requête, il vérifie 3 fois et dit à Aline que les données sont surement fausses. Aline, entre le marteau et l’enclume, cherche une solution. Elle vérifie les données mais tout à l’air bon. A ce stade, Aline ne sait pas encore que la méthode n’a fonctionné hier que parce qu’il n’y avait peu de critères.

Elle propose d’élargir la proposition générée par l’algorithme, on retiendra 10 éléments au lieu de 3, pour voir. Les 10 éléments reçoivent les mêmes critiques, toutefois le 10eme semble un peu meilleur que les autres à la direction métier. Personne ne comprend pourquoi. Aline est victime de la tyrannie du scoring.

Ou est le problème ?

Le problème réside dans le fait que ni la direction métier, ni Aline, ni Kevin ne veulent s’encombrer de la gestion de l’incertitude. Se faisant, ils finissent par se leurrer.

Les critères sont évalués avec une note de 0 à 5. Lorsque l’on donne 4 a un élément cela signifie qu’il vaut entre 3.5 et 4.5 car en dehors de cet intervalle on lui aurait affecté 3 ou 5. L’incertitude est donc sur chaque critère de + ou – 0.5 et lorsque l’on fait la moyenne des critères on a aussi une incertitude de + ou – 0.5 sur le résultat aux effets de bord près.

Mais quand on fait la moyenne d’un grand nombre de critères, on ne trouve pratiquement plus d’éléments ayant des valeurs extrêmes, la plage des valeurs se réduit autour d’une moyenne générale. A cause de l’incertitude de l’évaluation des critères, celui qui arrive en deuxième est peut-être meilleur que celui qui arrive en premier, il faut retenir les deux. Sur les 587.623 éléments associés aux 137 critères d’Aline, on constate que les scores évoluent entre 1.817 et 3.204 soit une amplitude de 1.387 seulement, ce qui est à peine supérieur à l’intervalle d’incertitude de 1 (deux fois 0.5). Il n’y a pas « un premier » mais « 341.547 premiers potentiels » dans cet exemple transposé d’un cas réel.

Bien sûr lorsque l’on annonce la vérité, personne ne veut l’entendre. La direction métier dit à Aline de se débrouiller pour réduire ça à 3 éléments. Kevin demande à Aline si elle peut ajouter plus de critères pour « être plus sélectif », ce qui aura pourtant l’effet inverse car cela réduirait encore un peu plus la plage de valeurs prise par le scoring et augmenterait mécaniquement les premiers potentiels.

Certains proposent de pondérer les critères, ce qui est une bonne idée pour limiter la subjectivité dans les avis des membres de la direction métier qui devront établir un référentiel commun, mais cela ne changera rien au problème car l’intervalle d’incertitude sur le résultat ne sera pas modifié par la pondération.

Quelle est la solution ?

La bonne solution consiste à abandonner ce scoring simpliste et dévastateur dans le cas présent, et conserver la signature formée par les 137 critères. Cela permet de comparer des éléments deux à deux en tenant compte des incertitudes et des pondérations éventuelles.

Il est toujours intéressant de disposer des 137 critères évalués pour chaque élément, mais il est rare que pour une situation donnée la sélection doive porter sur les 137 critères. En réduisant le nombre de critères jugés importants par rapport à la situation à traiter on améliore le résultat (ce qui n’est pas toujours intuitif pour le non mathématicien). D’expérience, ne pas classer les éléments dans l’absolu mais par rapport à chaque situation à traiter permet de produire un résultat bien plus pertinent.

Une étude de la distribution de l’incertitude sur les critères permet aussi de réduire de façon importante la plage des éléments potentiels théoriques. Par exemple si la notation de tous les critères et de tous les éléments vient de la même source ou non, si certaines incertitudes peuvent se compenser, si le phénomène répond à une distribution statistique spécifique, etc.

Enfin en analysant la distribution des éléments sélectionnables par des techniques différentielles on peut encore réduire le volume des éléments susceptibles de répondre à la demande. Par exemple un point d’inflexion dans la distribution peut attester de la banalisation d’une caractéristique des éléments portant sur un sous-ensemble de valeurs de critères, ce qui est surement interprétable au niveau métier et donc exploitable pour affiner le résultat.

Mais il ne faut pas se leurrer dans une telle situation, avec 587.623 éléments et 137 critères, les premiers potentiels se compterons encore par milliers ou par centaines au mieux.

Les incertitudes ont la vie dure ! les ignorer revient à produire des faux positifs. Cela se voit régulièrement et parfois sans que les directions métier en soient conscientes, malheureusement.

Copyright © 2019 m8run SASU • Cleverm8 ®