Quelles informations utiles puis-je retirer de mes mesures de contrôle ?
Comment extraire de l'information d 'une base de donnée incomplète pour créer un modèle rapidement opérationnel en interne ?
Quel est le niveau de fiabilité et de généricité de mon modèle prédictif ainsi construit ?
On retrouve les approches de Machine Learning dans de nombreux domaines opérationnels, comme la reconnaissance de motifs (reconnaissance de caractères, d'objets) et le développement d'intelligences artificielles. Avec la baisse des coûts de la puissance de calcul et de la mesure, les applications dans le domaine industriel et de l'environnement sont en plein développement.
L'objectif principal des approches de Machine Learning est de généraliser à partir d'un apprentissage ; c'est à dire de produire un modèle qui représente globalement les caractéristiques et les interactions contenues dans la base de données sur laquelle le modèle a été construit. Le modèle construit permet une analyse fine de l'information contenue dans la base de données tout en étant très performant et simple d'usage.
Ces approches sont particulièrement intéressantes quand les liens entre variables explicatives et processus sont a priori inconnus ou complexes.
Les Machines Learning permettent souvent d'aller plus loin que les approches statistiques classiques qui nécessitent une connaissance préalable sur les liens et des hypothèses de travail contraignantes.
