Depuis quelques années le SEO prend une place très importante dans les stratégies de marketing digital des entreprises. Il y a un développement des technologies d’Intelligence Artificielle et des algorithmes qui s’effectue en parallèle et qui permet de nouvelles fonctionnalités. Les termes de Machine Learning et Deep Learning sont souvent mentionnés dans ces cas-là, nous allons vous expliquer en quoi consistent ces mots techniques.
Qu’est-ce que le Machine Learning?
Le machine learning fait partie de l’Intelligence Artificielle (IA) qui regroupe l’ensemble des théories et principes qui servent à permettre aux programmes informatiques de simuler des traits d’intelligence semblables à celui du cerveau humain en matière d’apprentissage et de raisonnement.
Le machine learning est donc uniquement une composante de l’IA et est basé sur les systèmes qui apprennent à comprendre des données pour améliorer leurs performances.
Sans que l’on s’en rende compte, le machine learning est aujourd’hui présent dans de nombreuses technologies de notre quotidien comme les réseaux sociaux, les applications ou encore les systèmes de paiement en ligne. Le machine learning permet donc d’optimiser et d’améliorer l’expérience utilisateur et les services en fonction des données analysées.
Il existe deux méthodes d’apprentissage lorsque l’on parle de Machine Learning: le machine learning non supervisé et le machine learning supervisé. Le choix entre les deux approches déprendra de la quantité de données à traiter et de l’utilisation faite de ces données.
- Le machine learning non supervisé
L’ordinateur est indépendant de toute intervention humaine. Il évolue sans être guidé et va relever des schémas et des processus de manière autonome. Dans ces cas-là les données n’ont pas d’étiquettes donc l’ordinateur va trier les informations il va attribuer lui-même des étiquettes aux ensembles de données identifiées.
- Le machine learning supervisé
C’est le machine learning le plus courant. Dans ces cas-là, il y a l’intervention d’un data analyst qui va guider l’algorithme dans les conclusions à tirer du traitement des données. Ces données sont déjà étiquetées et la machine va donc apprendre à partir d’exemples.
Qu’est-ce que le Deep Learning?
Le machine learning et le Deep Learning sont étroitement liés. Le Deep Learning prolonge les possibilités du machine learning par un apprentissage autonome à travers des modélisations avec un haut niveau d’abstraction. Concrètement le Deep Learning s’inspire du cerveau humain et du réseau composé de nombreuses couches de neurones. Le système de Deep Learning fonctionne en couche et chacune des couches analyse et interprète les informations de la couche précédente.
Durant les différentes étapes, les mauvaises réponses sont éliminées et il y a un réajustement qui est fait. Les informations s’organisent de manière plus complexe au fur et à mesure et l’algorithme peut apprendre des choses sans avoir besoin de lui indiquer quoi que ce soit.
Exemple: on lui propose des millions d’images d’animaux à analyser, au bout d’un certain temps, il sera capable de reconnaître les images qui représentent un chat grâce au deep learning. Et ce, sans qu’on ait eu besoin de lui expliquer le concept même de chat.
Le deep learning est vraiment une technologie importante qui a permis de nombreuses découvertes et l’avenir de cette technologie semble très prometteuse pour la médecine par exemple, car elle a permis de mettre au point un nouvel antibiotique.
Quels sont leurs impacts sur le SEO et le marketing?
Au vu du potentiel des sciences du deep et machine learning, il est évident qu’elles ont eu et auront à l’avenir des conséquences sur le SEO. La machine pourra aider les entreprises à choisir les bons mots clés pour référencer leur site internet et pour savoir quel élément du SEO (sémantique, netlinking…) doit être le plus optimisé pour avoir un impact maximisé. Le champ d’application peut être très large par exemple dans Google Analytics, cela permettra de pouvoir avoir des éléments d’analyse plus approfondis et de mieux gérer les importants volumes de données.
Concernant le marketing le machine learning permet de mieux comprendre de façon générale les internautes, mais aussi de réaliser une meilleure segmentation de la clientèle.
Le machine learning permet de pouvoir mieux exploiter les informations sur les internautes et de mieux comprendre leurs comportements d’achat grâce à plusieurs critères. Ces critères pourront être analysés de façon plus précise et il sera possible de faire de meilleurs liens entre eux.
Grâce à la création de groupes de clients plus précis, les campagnes pourront être très ciblées et personnalisées afin d’augmenter les ventes plus facilement. Les entreprises seront de plus en plus capable d’atteindre un segment proche du cœur de cible.
De part sa vitesse et à sa grande précision le machine learning est redoutable pour l’analyse de données sur les réseaux sociaux, les CRM ou encore pour tout ce qui concerne les données transactionnelles.
Les limites du machine learning
Cette technologie a révolutionné nos modes de vie à plusieurs égards cependant le système n’est pas parfait. Dans certains cas on arrive aux limites de ce que peut faire le machine learning. On appelle ces limites des biais. Il en existe deux types:
- Les biais d’algorithme
- Les biais sociétaux
L’un des exemples est la reconnaissance faciale. Cette fonctionnalité est particulièrement intéressante si tenté qu’elle soit efficace pour tous les individus. Or d’après plusieurs tests, des chercheurs se sont rendus compte que le système était beaucoup moins performant pour les personnes de couleur et les femmes avec des taux d’erreurs de l’ordre de 35% pour une femme de couleur contre 0,8% pour un homme blanc.
Les raisons de cette différence sont les bases de données sur lesquelles sont construit tous ces modèles. En effet, les systèmes de reconnaissance faciale ont été pour la plupart renseignés avec des bases de données avec une majorité de photo d’hommes blancs. Ce sont les données apportées aux algorithmes qui sont biaisées et qui entraînent ces dysfonctionnements.
Un autre exemple est l’utilisation de ces technologies pour trier les CV des candidats pour des offres d’emplois. Sur un certain nombre de candidats, les scientifiques ce sont rendus compte que les profils qui étaient le plus souvent retenus étaient ceux des hommes blancs. Cela s’explique par le fait que d’après les historiques, la plupart des personnes employées étaient des hommes blancs.
Les algorithmes reproduisent donc les stéréotypes de nos sociétés même si les données semblent neutres. Les biais sociétaux sont les plus durs à mettre en lumière et à tracer.
Le domaine du machine learning et du deep learning va continuer à impacter nos modes de vies et va s’améliorer au fil du temps. Quoi qu’il en soit les enjeux autour de ces technologies sont énormes pour le monde informatique et celui de la science et les ingénieurs du monde entier travaillent dessus pour alimenter la recherche et développer les champs d’application.