Vincent Boucher, président de Montréal.AI, a donné un webinaire sur les règles émergentes à l’ère de l’intelligence artificielle dans le cadre du Sommet de l’innovation et de l’entrepreneuriat organisé par AEPC-HEC.
Il est important de faire des tests A/B pour déterminer qu’elle est la meilleure option entre deux éléments. Pour ce faire, il faut évidemment faire des comparaisons entre deux différentes options. Dans cette pratique, on teste un élément à la fois pour parvenir à un résultat optimal. On teste un élément à la fois tout simplement pour être certain que l’élément qui est considéré est bien celui qui influence le résultat. Cela dit, il y a aussi des tests multivariés pour tester plusieurs éléments combinés pour gagner du temps. Il s’agit ici de faire des comparaisons de plusieurs combinaisons d’éléments. De leur côté, les test A/Z permettent de comparer plus de deux versions d’un même élément.
Dans le webmarketing, Google Optimize permet d’optimiser son site web pour rendre l’expérience des clients plus agréable. On peut aussi utiliser les tests A/B pour améliorer ses publicités. En changeant certains paramètres, on peut étudier la portée des changements effectués par le taux de conversion observé. On peut vérifier les éléments comme les images, les vidéos, les couleurs, les textes, etc.
Pour l’intelligence artificielle, le père de l’apprentissage par renforcement, Richard Sutton, explique dans The Bitter Lesson, que parallèlement à l’augmentation de la puissance de calcul, c’est la recherche et l’apprentissage qui explique l’évolution de ce domaine.
Or, la recherche et l’apprentissage est en réalité comme les tests A/B. La réussite d’une entreprise dépend beaucoup de sa rapidité et de son efficacité à exécuter les test A/B. Dans le monde actuel, il est indispensable de maîtriser cette pratique. Amazon est une entreprise qui a su conquérir une grande part de marché en raison de sa dextérité à faire des test A/B.
Les mégadonnées jouent un rôle déterminant pour la réussite des tests A/B tout comme l’échantillon qui est sélectionné. Plus les données sont nombreuses, plus nous disposons de meilleurs outils statistiques. L’apport de l’intelligence artificielle est de permettre une meilleure personnalisation des utilisateurs et une meilleure réussite des tests A/B. Les algorithmes statistiques permettent de segmenter des comportements en vue d’optimiser le ciblage.
Il y a plusieurs techniques en science des données qui peuvent être utilisées comme le partitionnement des données (le clustering) pour permettre un meilleur échantillonnage des données. Si on regarde du côté des statistiques, il y a notamment la méthode des bandits multi-bras. Lorsque l’on a plusieurs bras, on peut estimer le meilleur bras et exploiter ce meilleur bras. Cela doit être au cœur d’une stratégie web.
On peut aussi faire des planifications avec la recherche arborescente Monte-Carlo comme le fait MuZero avec un MCTS (Monte Carlo Tree Search) et des réseaux de neurones profonds. Il y a ici trois réseaux de neurones : un réseau qui apprend les prédictions, un second qui apprend la dynamique et un troisième qui apprend à prédire. Ces réseaux guident la recherche pour les MCTS.
Il ne faut pas sous-estimer l’importance des tests A/B. Ils peuvent changer de manière tangible les résultats d’une entreprise. C’est un outil qu’il faut savoir utiliser de manière appropriée.
Et vous, les avez-vous déjà utilisés ?
Stéphanie Tessier
Comments