Le machine learning, sans formule

Le machine learning, c'est apprendre une règle à partir d'exemples au lieu de l'écrire à la main. On montre à la machine cent mille appels déjà classés, elle trouve seule ce qui distingue une réclamation d'une demande d'information. C'est le renversement complet de l'IA symbolique vue à la carte précédente.

Apprendre au lieu de programmer

Dans un programme classique, un humain écrit les règles : « si le client dit "remboursement", alors transférer au service après-vente ». Chaque cas doit être prévu. Dès que les clients disent « je veux récupérer mon argent », la règle ne s'applique plus.

En machine learning, on inverse le problème. On ne donne pas de règles, on donne des exemples : des milliers d'appels, chacun étiqueté « réclamation », « information », « résiliation ». L'algorithme cherche dans ces exemples les régularités qui prédisent l'étiquette. Le résultat est un modèle : une règle apprise, que personne n'a écrite, et qui s'applique à des appels jamais vus.

Un modèle n'est donc rien d'autre qu'une fonction qui transforme une entrée (un appel, un e-mail, un client) en sortie (une catégorie, un nombre, une décision). Ce qui le distingue d'un programme, c'est que sa logique a été trouvée dans les données, pas tapée au clavier.

Les trois façons d'apprendre

L'apprentissage supervisé est de loin le plus courant. Il suppose qu'on dispose d'exemples déjà étiquetés, et c'est souvent là que le projet achoppe : étiqueter cent mille appels coûte du temps humain, et des étiquettes incohérentes produisent un modèle incohérent.

L'apprentissage non supervisé ne demande pas d'étiquettes. On donne les verbatims bruts, l'algorithme les regroupe par similarité. On découvre ensuite que le groupe 7 parle de livraisons en retard et le groupe 12 d'un bug de l'application. C'est un outil d'exploration, pas de prédiction.

L'apprentissage par renforcement apprend par essai et erreur, avec une récompense à chaque bonne décision. Il est à l'origine des victoires aux jeux (go, échecs) et de certains systèmes de routage. En centre de contact, il reste rare, parce qu'on ne peut pas se permettre des milliers d'essais ratés sur de vrais clients.

Classer ou prédire un nombre

Deux grandes familles de problèmes reviennent sans cesse.

La classification range dans une case. Ce motif d'appel est-il une réclamation ? Ce client va-t-il résilier ? Ce message est-il positif ou négatif ? La sortie est une catégorie parmi un nombre fini.

La régression prédit un nombre. Combien d'appels demain à 14 h ? Combien de temps va durer ce traitement ? Quel sera le panier de ce client ? La sortie est une valeur continue.

La distinction compte parce que les outils, les mesures de qualité et les erreurs possibles ne sont pas les mêmes. Un modèle de classification qui se trompe met le client dans la mauvaise file ; un modèle de régression qui se trompe met trop ou trop peu de conseillers sur le plateau.

Les mots qui reviennent

• Données d'entraînement : les exemples dont la machine apprend. Leur qualité compte plus que l'algorithme. Un modèle entraîné sur des appels mal étiquetés reproduit fidèlement les erreurs d'étiquetage.
• Données de test : des exemples mis de côté, jamais vus pendant l'entraînement, qui servent à vérifier que le modèle marche sur du nouveau.
• Surapprentissage : l'élève qui apprend le corrigé par cœur et échoue à l'examen. Le modèle est excellent sur ses données d'entraînement et mauvais sur les nouvelles. C'est l'erreur la plus fréquente, et la plus facile à cacher dans une démo.
• Précision : parmi les clients que le modèle signale comme prêts à partir, combien partent vraiment. Une précision de 40 % veut dire que six alertes sur dix sont fausses.
• Rappel : parmi les clients qui partent vraiment, combien le modèle avait signalés. Un rappel de 30 % veut dire qu'il en a raté sept sur dix.
• Biais : le modèle reproduit les déséquilibres de ses données. Si les appels étiquetés viennent surtout d'un seul pays, le modèle sera moins bon sur les autres accents.

Précision et rappel se contredisent souvent : un modèle qui signale tout le monde a un rappel parfait et une précision nulle. Le bon réglage dépend du coût de chaque type d'erreur, et c'est une décision métier, pas technique.

Pourquoi les projets échouent

La plupart des projets de machine learning n'échouent pas sur l'algorithme. Ils échouent avant, sur les données, ou après, sur l'intégration.

Avant : les données n'existent pas, ou elles existent mais personne ne sait où, ou elles existent mais les étiquettes sont fausses. Un centre de contact qui n'a jamais codifié ses motifs d'appel ne peut pas entraîner un modèle de routage par motif. Il faut d'abord six mois de taxonomie.

Après : le modèle fonctionne en laboratoire, mais le plateau ne l'utilise pas. Les conseillers ne font pas confiance aux suggestions, les superviseurs n'ont pas été formés, ou le modèle n'a pas été rebranché quand l'outil de téléphonie a changé. Un modèle non maintenu se dégrade silencieusement : les clients changent, les motifs changent, le modèle non.

Ce que ça change en centre de contact

Le machine learning « classique » est partout dans un centre de contact moderne, et depuis bien avant l'IA générative : les prévisions de charge du WFM sont de la régression, le routage prédictif et la détection de churn sont de la classification, le regroupement de verbatims est du non supervisé.

Ces usages sont souvent les plus rentables, parce qu'ils s'attaquent à des décisions prises des milliers de fois par jour. Ils sont aussi les plus discrets : personne ne fait une démonstration de prévision de charge, alors que c'est elle qui décide du nombre de conseillers sur le plateau le lundi matin.

Quand un éditeur présente une fonction « intelligente », les questions à poser sont celles de cette carte : sur quelles données le modèle a-t-il appris ? Comment mesurez-vous la précision et le rappel sur nos cas ? Que se passe-t-il quand nos motifs d'appel changent ?

Ce qu'on retient

• Un modèle est une règle apprise à partir d'exemples, pas écrite à la main.
• Trois façons d'apprendre : avec un corrigé, sans consigne, par essai et erreur.
• La qualité des données compte plus que l'algorithme ; le surapprentissage est l'erreur à débusquer dans une démo.
• Précision et rappel se contredisent ; leur équilibre est une décision métier.
• WFM, routage prédictif, détection de churn : le machine learning classique est déjà sur votre plateau.