Dans le monde de l'apprentissage automatique, des prévisions précises constituent souvent la colonne vertébrale de la prise de décision. Cependant, dans un environnement où le contexte et les actions évoluent constamment, la robustesse des modèles prédictifs peut être compromise avec le temps.

Pour une stratégie plus complète, il est conseillé d'explorer le domaine de l'apprentissage automatique causal. Cette approche de pointe nous permet de révéler les relations de cause à effet et d'obtenir des résultats précis pour anticiper l'effet d'actions spécifiques.

Comprendre l'apprentissage automatique causal

L'apprentissage automatique traditionnel se concentre principalement sur l'identification des corrélations et la réalisation de prédictions basées sur ces corrélations.

L'apprentissage automatique causal va plus loin en s'efforçant de comprendre les connexions de cause à effet entre les variables. Dans l'apprentissage causal, l'objectif n'est pas uniquement de déterminer les caractéristiques qui contribuent à prédire un résultat mais aussi de découvrir les facteurs causaux induisant le résultat et de quantifier précisément leur impact.

—

Considérez, par exemple, la tâche de prédire l'attrition des clients. Supposons que nous travaillons pour un opérateur téléphonique pour lequel nous créons un ensemble de données complet qui nous permettra de prédire avec précision l'attrition des clients pour chaque client.

Après avoir formé un modèle ML et effectué des tests rigoureux, il est devenu évident que le prix de l'abonnement a émergé comme la caractéristique la plus influente. En présentant nos résultats, les parties prenantes ont pris la décision logique d'accorder une remise aux clients identifiés comme "à risque". Ce faisant, ils ont pu conserver la plupart des clients.

Plus tard, lorsque le modèle a demandé à nouveau de prédire les niveaux d'attrition, le client a reçu un résultat indiquant qu'il n'y avait actuellement aucun client à risque. Ce résultat n'a pas beaucoup de sens d'un point de vue commercial.

En accordant une remise pour fidéliser les clients, l'opérateur a perturbé la relation entre le prix et la perte de clients, fournissant une raison convaincante pour leur décision.

—

Le concept à garder à l'esprit lors de l'élaboration d'un modèle de prédiction est que la caractéristique avec le score d'importance le plus élevé :

• Pourrait ne pas être la meilleure caractéristique sur laquelle agir (et si la meilleure caractéristique était l'âge du client ?)

• Pourrait même ne pas affecter du tout le résultat.

Cette dernière remarque pourrait surprendre. Cependant, il est bien connu que les schémas de corrélation peuvent être fallacieux.

Se concentrer uniquement sur les prédictions est acceptable, mais cela devient problématique lorsque des décisions sont prises sur la base de ces prédictions, en particulier lorsque ces décisions peuvent affecter directement l'état actuel de l'environnement. L'apprentissage automatique causal déplace son attention des modèles prédictifs qui dépendent des corrélations vers des modèles capables d'alimenter la mécanique de la cause et effet.

Source : XKCD

Passer à l'apprentissage automatique causal

Maintenant, il est parfait temps de fournir une définition précise de l'apprentissage automatique causal. L'apprentissage causal représente un changement de focus d'un point de vue modélisation :

• Au lieu de faire des prédictions, nous nous efforçons d'identifier les variables qui sont responsables du résultat.

• Estimons comment ce résultat changerait si nous modifions ces variables.

Ou, de manière plus formelle : un traitement T entraîne un résultat Y si et seulement si changer T entraîne un changement de Y tandis que tout le reste est maintenu constant.

Du point de vue commercial, cette évaluation consiste essentiellement à répondre à la question "et si ?". Et si je n'avais pas modifié le prix proposé au client ? Combien auraient quitté ? Ce que l’on appelle communément un contrefactuel. Imaginez-le comme une dimension parallèle, où tout reste inchangé sauf la façon de gérer les choses.

Simuler un univers parallèle est indéniablement difficile, tout comme prédire le contrefactuel. Nous n'observons jamais cet univers, et il pourrait y avoir plusieurs structures causales qui conviennent à votre problème. Cela signifie divers traitements à prendre en compte. Alors, comment faire ?

Appliquer l'apprentissage causal

L'apprentissage automatique causal brille lorsqu'il est associé à une compréhension approfondie des affaires et à une solide base de raisonnement logique.

La première étape est la modélisation, où nous construisons un graphe causal englobant le traitement, le résultat et les variables de confusion potentielles. C'est là que vous souhaitez impliquer les parties prenantes autant que possible, car leurs connaissances vont être extrêmement précieuses. Par exemple, pour l'exemple d'attrition ci-dessus, le graphique acyclique pourrait ressembler à ceci :

L'étape cruciale suivante est l'identification, où vous choisissez soigneusement l'algorithme qui répondra efficacement à votre scénario spécifique. Cela pourrait impliquer une gamme d'options, telles que des expériences aléatoires, une prise en compte approfondie de tout facteur de confusion ou la réalisation de tests A/B rigoureux. Microsoft's Causal ML propose un arbre décisionnel pour aider à choisir la bonne bibliothèque pour votre contexte.

Après la modélisation et l'identification, la troisième étape est d'effectuer l'estimation, en utilisant l'algorithme sélectionné sur votre ensemble de données.

L'étape finale est la réfutation, où l'on teste la validité du modèle. Cela pourrait être sous forme d'un test placebo, où le traitement est remplacé par une valeur aléatoire pour voir s'il y a un effet sur le résultat.

La question épineuse du test A/B

Les expériences menées par l'équipe de Microsoft illustrent la multitude d'applications pour l'apprentissage automatique causal. Elles incluent des scénarios tels que l'étude des annulations de réservations d'hôtel, l'analyse de l'efficacité des programmes de fidélisation de la clientèle, ou même la prévision de l'attrition des clients.

À ce stade de l'article, les lecteurs pourraient réfléchir : "Nous mettons déjà en œuvre l'apprentissage automatique causal. J'ai récemment effectué un test A/B."

Alors que le test A/B est un élément important de l'apprentissage causal, il doit être abordé avec beaucoup de soin, surtout dans un contexte commercial.

Le succès du test A/B repose fortement sur des hypothèses essentielles, dont l'une est de mener une seule expérience à la fois. De plus, le test A/B ne vous permet pas de discriminer a priori vos clients.

Prenons un nouvel exemple. Imaginez que vous possédez deux restaurants de sushis. Ces restaurants sont similaires de tous points de vue. Taille, nourriture, prix, segmentation des clients…

Subissant une lassitude des sushis un jour, vous vous trouvez en quête d'une nouvelle aventure culinaire. C'est alors que vous faites un choix audacieux d'introduire un plat entièrement nouveau et alléchant.

Cependant, vous vous trouvez déchiré entre les choix de salades et de pâtes.

Vous décidez de mener un test A/B, et de servir uniquement des salades dans le restaurant 1, et des pâtes dans le restaurant 2.

Après analyse des données de revenu pendant un mois, il devient abondamment clair que les pâtes sont sans aucun doute l'option la plus rentable ! Nos deux restaurants se spécialisent dans la transmission d'une large variété de plats de pâtes délicieux. Cette option pourrait ne pas satisfaire les attentes de tous vos clients.

• Cible : Ces clients raffolent des assiettes de spaghetti mais quittent rapidement un restaurant qui ne sert que de la salade.

• Valeur sûre : Peu importe ce que vous cuisinez, ces clients viendront dans votre restaurant.

• Causes perdues : Peu importe ce que vous proposez sur le menu, ces clients ne dîneront jamais dans votre restaurant.

• Chien endormi : Si vous arrêtez de servir des sushis, ces clients partiront.

Dans un monde parfait, vous serez capable de vous concentrer exclusivement sur vos clients cibles.

Malheureusement, personne ne peut être à la fois traité et non traité. Un seul de ces résultats potentiels peut être jamais observé. Le non-observé est un contrefactuel. Le manque de déduction causale peut conduire à une perte inattendue de clients, qui pourrait dépasser vos attentes.

Pourquoi l'apprentissage automatique causal est important

L'apprentissage automatique causal fournit des insights qui ne peuvent être dérivés de simples prédictions. En étant conscient des relations de cause à effet, une entreprise peut prendre des décisions mieux informées et, par conséquent, créer des stratégies robustes qui restent pertinentes malgré l'environnement en rapide évolution.

Bien que le processus semble exigeant, les récompenses sont à la hauteur, allant des prix Nobel pour les chercheurs aux avantages commerciaux pratiques. Une fois que vous comprenez le concept, l'apprentissage automatique causal a le potentiel d'ouvrir une ère de prise de décision augmentée par des insights éclairés.