Modèles d’inférence (causale)

Machine Learning pour le business

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Qu’est-ce que la causalité ?

• Identifier la relation causale: impact d’actions sur un résultat
• Répond aux questions « pourquoi ? »
• Privilégie l’interprétabilité du modèle plutôt que la performance
• Les modèles détectent des motifs dans des données observées et en déduisent des effets causaux

Expériences vs. observations

• Les expériences sont conçues et garantissent des conclusions causales (ex. tests A/B)
• Quand les expériences sont impossibles (non éthiques, trop coûteuses), on utilise des modèles (études observationnelles) pour estimer l’effet d’entrées sur des résultats
• Les expériences sont toujours préférées aux études observationnelles quand c’est possible

Bonnes pratiques

1. Faites des expériences dès que possible
2. Si les mener en continu est trop coûteux, faites-les périodiquement (trimestriel, annuel) et utilisez-les comme référence
3. Si aucune expérience n’est possible, construisez un modèle causal (méthodologie avancée requise)

Exemple de modèle d’inférence

Inférence - entraînement

Inférence - apprentissage

Inférence - coefficients de régression

Inférence - interprétation

Passons à la pratique !

Machine Learning pour le business