Algorithmes: Sommes-nous entrés dans l’ère post-algorithmique ?

Algorithmes: sommes-nous dans l'ère post-algorithmique ?

Les algorithmes sont-ils des reliques du passé ?

Bien sûr que non ! En fait, les algorithmes s’intègrent chaque jour davantage dans les processus métier et les processus d’analyse basés sur des algorithmes vont continuer à prendre de l’importance dans un proche avenir. Dans ce cas, que signifie “ère post-algorithmique” ?
Le facteur déterminant de l’ère post-algorithmique est que le fait d’avoir accès aux algorithmes et de savoir comment les exécuter n’est plus un élément différenciateur. Il n’y a pas si longtemps, une grande partie de la proposition de valeur pour un professionnel de l’analytique était :

– Savoir comment utiliser les outils logiciels alors peu nombreux (et complexes) qui contenaient des algorithmes.
– Avoir l’expérience nécessaire pour savoir quels algorithmes spécifiques pourraient fonctionner le mieux dans n’importe quelle situation donnée.

Il fallait beaucoup de compétences pour utiliser les logiciels d’analyse et en même temps, le traitement était si coûteux qu’il fallait limiter les options envisagées. Ainsi, les professionnels de l’analytique possédant les deux compétences citées plus haut se distinguaient par leur grande valeur (ajoutée).

Quelle est la nouvelle réalité ?

La réalité d’aujourd’hui est que les algorithmes sont omniprésents et largement disponibles, non seulement dans des logiciels commerciaux, mais nombreux sont ceux qui sont open source et gratuits (de même que les progiciels qui les contiennent). De plus, il est possible de louer simplement des algorithmes au sein d’une interface simple et conviviale pour un faible coût sur le cloud.
C’était loin d’être le cas à l’époque où les investissements importants dans le hardware et le software étaient un préalable nécessaire ne serait-ce que pour envisager la mise en place de processus analytiques significatifs. Le simple fait de savoir comment accéder à des algorithmes n’est plus un différenciateur aujourd’hui.

De même, le coût de traitement a diminué de façon substantielle de sorte qu’aujourd’hui on peut essayer tous les algorithmes possibles et imaginables pour une situation donnée et laisser les résultats nous dire lequel est le meilleur. Cela a longtemps été une approche courante dans le machine learning.
Dans le passé, les data analysts ont ajouté de la valeur en étant capable d’affiner et de cibler l’ensemble des algorithmes à essayer. Aujourd’hui, il est tellement bon marché d’essayer toutes les options que même si une décision est prise, il est toujours logique de valider par des tests. Du coup, dans la pratique, savoir ce qui fonctionne le mieux (et quand) n’est plus un différenciateur non plus.


Comment s’adapter ?

L’ère post-algorithmique sera définie par les analystes qui se concentreront sur les utilisations innovantes des algorithmes pour résoudre un plus large éventail de problèmes, par opposition à la focalisation historique sur le codage et les algorithmes de test manuel. On peut maintenant laisser un logiciel de traitement bon marché tester toutes les options viables pour un problème donné pendant qu’on réfléchit à ce qu’il faut faire avec les résultats.
Il est essentiel de noter que ces analystes devront encore s’assurer qu’un problème est bien défini, que les données sont correctement préparées et que le portefeuille d’algorithmes mis à l’essai est théoriquement solide. Le fait que les tests des options seront automatisés n’annule pas ces besoins de base.

Ce début d’année est donc la bonne période pour commencer à mettre en œuvre des outils de test automatisé d’algorithmes. De nombreux outils, à la fois open source et commercialisés, sont aujourd’hui disponibles pour le faire. On peut même construire le sien.
Il faut juste bien comprendre que l’entreprise doit passer à ce niveau d’automatisation plus élevé pour rester compétitive dans l’espace data analytique.

L’évolution de la proposition de valeur des data analysts

Simultanément, la proposition de valeur des professionnels de l’analytique continuera d’évoluer. Avec le temps alloué au codage et aux tests de base gagné, ils peuvent réorienter ce temps et cette énergie vers la résolution de problèmes plus complexes et l'”opérationnalisation” des résultats.
La mise en œuvre opérationnelle est une étape cruciale qui n’a commencé que récemment à attirer l’attention qu’elle mérite. Il en résulte que le sens aigu du business, qui est déjà une compétence clé pour les analystes, sera encore plus important à l’avenir.

La rédaction
La rédaction
La rédaction est composée de plusieurs collaborateurs du Groupe Altares qui sont spécialisés dans leurs domaines respectifs (data science, data marketing, data intelligence, etc.) et qui partagent l'envie de faire part de leur passion de la Data à nos lecteurs.

Vous aimerez aussi...

Poster un Commentaire

Soyez le premier à commenter !

Me notifier des
avatar
wpDiscuz
X