Modèles d'inférence (causale)

Machine Learning pour les affaires

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Qu'est-ce que la causalité ?

• Déterminer dans quelle mesure certaines actions influencent un résultat d'intérêt
• Répond aux questions « pourquoi ? »
• Priorise l'interprétabilité du modèle plutôt que la performance
• Les modèles détectent des motifs dans des données observées et en tirent des conclusions causales

Expériences vs observations

• Les expériences sont conçues et les conclusions causales sont garanties, p. ex. en tests A/B
• Quand les expériences sont impossibles (non éthiques, trop coûteuses, ou les deux), on utilise des modèles (études observationnelles) pour estimer l'effet de certains intrants sur les résultats visés
• Les expériences sont toujours préférées aux études observationnelles quand c'est possible

Pratiques exemplaires

1. Faites des expériences dès que possible
2. Si en faire en continu coûte trop cher, faites-en périodiquement (trimestriel, annuel) et utilisez-les comme référence
3. S'il est impossible d'en faire, bâtissez un modèle causal. Cela exigera une méthodologie avancée

Exemple de modèle d'inférence

Inférence – entraînement

Inférence – apprentissage

Inférence – coefficients de régression

Inférence – interprétation

Passons à la pratique !

Machine Learning pour les affaires