COVID-19 a bouleversé les méthodes de travail des entreprises, obligeant nombre d'entre elles à reconsidérer la façon dont elles utilisent des algorithmes et des modèles complexes pour prévoir toute une série de tâches, des ventes aux budgets en passant par le moment où certains articles reviennent en stock. Nous vivons une époque sans précédent, et il est donc surprenant que les données historiques ne soient plus un bon indicateur de l'avenir.
Nombreux sont ceux qui se demandent s'il est préférable d'affiner et d'ajuster les modèles existants, formés à partir de données historiques, ou de les reconstruire entièrement en comprenant mieux la "nouvelle normalité" d'aujourd'hui. La réponse dépend de la capacité d'adaptation de vos modèles et de la rapidité avec laquelle ils peuvent apprendre à partir des données récentes. Avant de prendre des décisions susceptibles de modifier l'activité et d'avoir un impact sur l'expérience client, les dirigeants doivent prendre du recul et s'assurer qu'ils comprennent une idée fausse très répandue : la différence entre les modèles d'apprentissage automatique et les véritables modèles d'IA.
Comprendre la différence entre l'apprentissage automatique statique et la véritable IA
Il est naturel de vouloir tirer des conclusions causales à partir d'événements corrélés. Sans surprise, nombreux sont ceux qui attribuent à COVID-19 la raison pour laquelle "leurs modèles de prévision ont cessé de fonctionner". En réalité, la cause la plus probable est liée au type de modèle utilisé. Le plus souvent, les équipes utilisent des modèles d'apprentissage automatique qui n'apprennent pas en permanence, contrairement à un véritable modèle d'IA, qui peut apprendre et affiner son modèle en permanence.