Machine

Dans de nombreuses situations réelles, les décisions doivent être prises tôt, c’est-à-dire que les problèmes doivent être résolus avant d’être complètement compris. Pour ne donner qu’un exemple au quotidien, si la météo commence à s’avérer incertaine, vous pouvez annuler le pique-nique familial et aller plutôt au restaurant. Mais quand prenez-vous cette décision ? Une décision prise trop tôt est par nature incertaine, tandis qu’une décision prise trop tard pose des problèmes d’organisation.

Des décisions précoces sont également nécessaires dans de nombreux cas d’usage au sein du Groupe Orange, dans le but d’agir le plus rapidement possible :

Dans de nombreux exemples quotidiens, le moment choisi pour prendre une décision est influencé par « l'image mentale » que le décideur se fait des situations futures probables.

Dans de telles situations, plus vous prenez de temps pour prendre une décision, plus son résultat probable est clair (par exemple, si un équipement réseau est effectivement dans un état critique) mais plus les coûts associés sont élevés – des décisions précoces permettent généralement une meilleure préparation. Le but est donc de prendre une décision à un moment qui semble être un bon compromis entre précocité et qualité.

À proprement parler, retarder les décisions tend à les rendre plus fiables car il y a un gain d’informations au fil du temps – notre compréhension du problème en question devient progressivement plus complète et plus précise. Pour déterminer le meilleur moment pour prendre une décision, vous devez donc estimer ce gain d’information et le mettre en balance avec le coût d’un report de la décision.

Ce dilemme entre la précocité d'une décision et sa qualité a fait l'objet d'études particulières dans le domaine de la « classification précoce des séries temporelles » (ECTS) [1, 6, 7]. Cependant, l’ECTS présente des limites, que nous exposerons ci-dessous, qui restreignent son champ d’application. Ainsi, un problème plus général, appelé ML-EDM, a récemment été introduit [2] en vue d'optimiser les temps de décision des modèles d'apprentissage automatique [5] dans un large éventail de contextes où les données sont collectées au fil du temps.

Le but de ce problème est de prédire le plus tôt possible la classification d’une série temporelle observée progressivement au fil du temps. Si l’ECTS couvre de nombreuses applications, il ne s’étend pas à tous les cas où un modèle de machine learning est appliqué à des données collectées au fil du temps, où le compromis entre précocité et qualité des décisions doit être optimisé. En effet, l’ECTS, tel que défini dans la littérature, se limite aux situations suivantes :

L'article de positionnement [2] vise, d'une part, à dépasser les limites de l'ECTS et à définir un problème plus général appelé ML-EDM et, d'autre part, à développer ce nouveau champ de recherche en présentant à la communauté scientifique dix défis.

Les extensions de l'ECTS impliquent d'étendre ses premières approches décisionnelles à : tout type d'ensemble de données qui évolue dans le temps (par exemple textes, graphiques, séquences) ; tout type de tâche d'apprentissage (par exemple régression, prévision, apprentissage non supervisé) ; et le traitement en ligne des données observées en continu reçues sous forme de flux de données.

Au-delà de ces extensions naturelles, un tout nouveau problème d’apprentissage a été formalisé. En effet, contrairement à l’ECTS, le problème ML-EDM implique « plusieurs décisions précoces à situer dans le temps » [2]. Il y a donc deux défis, puisqu’il faut prévoir à la fois ce qui va se passer ensuite et la période qui y est associée. En outre, les décisions peuvent être révoquées si de nouvelles données les invalident, c'est-à-dire que la prévision de ce qui se passera ensuite et/ou la période associée peuvent être modifiées.

Le ML-EDM est donc un problème beaucoup plus large que l’ECTS, qui ouvre de nombreux cas d’usage, y compris la surveillance continue du système.

Exemple d'utilisation de ML-EDM pour la surveillance continue

Dans de nombreux exemples quotidiens, le moment choisi pour prendre une décision est influencé par « l'image mentale » que le décideur se fait des situations futures probables. Par exemple, un piéton cherchant à traverser une intersection estime quelle sera la situation sur la route en quelques secondes :

Les approches ML-EDM « non myopes » [1] peuvent anticiper ce type d'informations inobservées, dans un contexte donné. Ceci est techniquement possible car ces approches sont formées à l’aide d’exemples de données « complets » où le résultat de ces situations est connu. Par analogie, un adulte, qui a vécu de nombreuses situations similaires dans le passé, sera plus à même de décider quand traverser une intersection qu'un jeune adolescent, qui en a peu d'expérience.