Voici une illustration des points communs comportementaux réels dans les données brutes des transactions.

La platforme Endor analyse de grandes données pour répondre en quelques minutes, et non des mois, aux demandes business en langage simple.
Les entreprises emploient souvent des scientifiques spécialisés dans la collecte de données numériques pour recueillir des informations, par exemple sur les clients qui souhaitent certains services ou sur l’endroit où ouvrir de nouveaux magasins et stocker des produits. Cependant, l’analyse des données pour répondre à une ou deux de ces questions peut prendre des semaines, voire des mois.

Aujourd’hui, le MIT a lancé Endor a développé une plateforme d’analyse prédictive qui permet à quiconque, qu’il soit ou non au fait de la technologie, de télécharger des données brutes et d’entrer n’importe quelle question commerciale dans une interface – semblable à l’utilisation d’un moteur de recherche en ligne – et de recevoir des réponses précises en seulement 15 minutes.

La plateforme est basée sur la science de la « physique sociale« , co-développée au MIT Media Lab par les co-fondateurs d’Endor, Alex « Sandy » Pentland, professeur Toshiba d’arts médiatiques et de sciences, et Yaniv Altshuler, ancien post-doctorant du MIT. La physique sociale utilise des modèles mathématiques et l’apprentissage automatique pour comprendre et prédire les comportements des gens.

Les utilisateurs de la nouvelle plate-forme téléchargent des données sur les clients ou d’autres personnes, telles que les enregistrements des appels téléphoniques mobiles, les achats par carte de crédit ou l’activité sur le Web. Ils utilisent l’assistant « query-builder » d’Endor pour poser des questions, comme « Où devrions-nous ouvrir notre prochain magasin? » ou « Qui est susceptible d’essayer le produit X? » À l’aide des questions, la plateforme identifie les modèles de comportement antérieur parmi les données et utilise des modèles de physique sociale pour prédire le comportement futur. La plate-forme peut également analyser des flux de données entièrement cryptés, ce qui permet aux clients tels que les banques ou les opérateurs de cartes de crédit de préserver la confidentialité des données.

« C’est comme Google. Vous n’avez pas à vous demander si je vais passer du temps à poser cette question à Google. Vous n’avez qu’à chercher sur Google « , dit Altshuler. « C’est aussi simple que ça. »

Financé financièrement par Innovation Endeavors, la société privée de capital-risque d’Eric Schmidt, président exécutif du conseil d’administration de la société mère de Google, Alphabet, Inc, la startup a trouvé des clients de renom, tels que Coca-Cola, Mastercard et Walmart, parmi d’autres grandes sociétés de détail et bancaires.

Récemment, Endor a analysé les données Twitter pour une agence de défense pour détecter des terroristes potentiels. Endor a reçu 15 millions de points de données contenant des exemples de 50 comptes Twitter d’activistes ISIS identifiés, basés sur des identificateurs dans les métadonnées. A partir de là, ils ont demandé à la start-up d’en détecter 74 avec des identificateurs extrêmement bien cachés dans les métadonnées. Quelqu’un chez Endor a terminé la tâche sur un ordinateur portable en 24 minutes, détectant 80 comptes ISIS « ressemblants », dont 45 provenaient du pool de 74 comptes bien cachés nommés par l’agence. Le taux de faux positifs était également extrêmement bas (35 comptes), ce qui signifie que les analystes humains pouvaient se permettre d’avoir des experts qui enquêtent sur les comptes.

Regroupements de points communs

L’apprentissage machine est utilisé pour des problèmes informatiques complexes qui sont relativement statiques, tels que la reconnaissance d’images et la reconnaissance vocale. L’anglais écrit et parlé, par exemple, est resté essentiellement inchangé depuis des siècles.

D’un autre côté, le comportement humain est en constante évolution. Prédire le comportement humain signifie analyser un grand nombre de petits signaux sur une courte période de temps, peut-être des jours ou des semaines. Les algorithmes traditionnels d’apprentissage machine s’appuient principalement sur des modèles construits qui analysent les données sur des périodes beaucoup plus longues.

En général, vous avez besoin de beaucoup de données pour construire des modèles précis du comportement humain, ce qui signifie que vous devez vous fier au passé. « Parce que vous vous fiez au passé, vous ne pouvez pas détecter les choses qui se sont produites récemment et vous ne pouvez pas prédire le comportement humain « , dit Altshuler.

Tout au long du début et du milieu des années 2000, Pentland et Altshuler ont développé la « physique sociale  » dans le laboratoire de dynamique humaine, dans le but de capturer et d’analyser des données à court terme pour comprendre et prévoir la dynamique des foules. Dans leurs recherches, ils ont découvert que toutes les grandes données contiennent certains modèles mathématiques qui indiquent comment les interactions sociales se propagent et convergent, et que ces modèles peuvent aider à prédire les comportements futurs.

À l’aide de ces modèles mathématiques, ils ont construit une plateforme – la technologie de base de la plate-forme d’Endor – qui peut extraire des « clusters » de points communs comportementaux à partir de millions de points de données brutes, beaucoup plus rapidement et précisément que les algorithmes d’apprentissage machine. Un regroupement peut représenter des familles de quatre personnes, des gens qui achètent des aliments semblables ou des personnes qui visitent les mêmes endroits. « La plupart de ces modèles de données seraient impossible à distinguer du bruit avec n’importe quelle autre technologie « , dit Altshuler.

On ne sait pas immédiatement ce que représentent les grappes, mais il existe une forte corrélation. L’interrogation des données fournit toutefois un contexte. Avec les données clients, par exemple, quelqu’un peut demander quels clients sont les plus susceptibles d’acheter un produit spécifique. À l’aide de mots-clés, la plateforme associe les caractéristiques comportementales – telles que l’emplacement et les habitudes de consommation – des clients qui ont acheté ce produit avec ceux qui n’en ont pas acheté. Ce chevauchement crée une liste de nouveaux clients potentiels susceptibles d’acheter le produit.

« Bref, télécharger des données et poser la bonne question présente à la plate-forme une demande basique: Voici un exemple X, trouvez-moi plus de X. Tant que vous pouvez formuler une question de cette façon, vous obtiendrez une réponse précise « , dit Altshuler.

Endor et Endor-ish

Pour tester la plateforme, les chercheurs ont travaillé très tôt avec le Defense Advanced Research Project Agency (DARPA) des États-Unis pour analyser les données mobiles dans certaines villes en période de troubles civils afin de montrer comment les tendances émergentes peuvent aider à prédire les émeutes futures. Altshuler a également passé quelques mois à Singapour à analyser les données sur les trajets en taxi pour prédire les embouteillages dans la ville.

En 2014, Altshuler s’est joint à Schmidt par l’intermédiaire de Doron Alter, un ami et diplômé de l’Université de Stanford, qui était à ce moment-là un partenaire dans Innovation Endeavors. Les investisseurs ont demandé si la technologie pouvait être intégrée  » à un produit qui pourrait être utilisée par n’importe qui « , explique M. Altshuler.

Cette année-là, avec le soutien financier de Schmidt, Altshuler et Pentland, un entrepreneur en série, ont cofondé Endor pour transformer la plate-forme en logiciel commercial. L’équipe a été rejointe par Alter et Stav Grinshpon, un vétéran de l’industrie technologique et ancien expert technique de premier plan au 8200, un corps de renseignement israélien. unité.

L’entreprise avait rapidement gagné un premier partenaire chez Mastercard grâce au programme StartPath de la société de cartes de crédit. Altshuler a été sollicité par Mastercard pour répondre à des questions réservées aux scientifiques de données (data scientists), comme qui va prendre un vol pour l’étranger bientôt, contracter un prêt, ou qui va augmenter l’activité de ses cartes de crédit.

« Traditionnellement, les scientifiques devaient passer des semaines ou des mois à nettoyer les données et à concevoir des modèles d’apprentissage machine pour répondre individuellement à chaque question. Il aurait fallu, disons, deux mois à l’entreprise pour élaborer des modèles afin de répondre à ces questions », dit Altshuler.

« Les entreprises peuvent employer leur propre personnel d’analyse pour utiliser Endor. D’autres organiseront de brèves réunions hebdomadaires avec les représentants d’Endor pour déterminer la meilleure formulation des questions. Il faut environ cinq minutes pour traduire leur anglais vers ce que nous appelons « Endor-ish », c’est-à-dire la façon dont notre système peut comprendre les questions « , dit Altshuler.

La page web de la startup offre un exemple de résultats et une comparaison avec les moteurs traditionnels d’apprentissage machine. Un service marketing d’une banque demande: »Qui va prendre un prêt hypothécaire dans les six prochains mois? » Les moteurs d’apprentissage automatique peuvent détecter un bassin de 5 000 clients qui ont une carte de crédit bancaire et un pointage de crédit élevé, par exemple, et qui sont mariés – dont beaucoup peuvent être de faux positifs. Endor détecte des groupes plus spécifiques de couples sur le point de se marier ou de divorcer, par exemple, des fondateurs qui ont récemment vendu leur startup à Facebook, ou des clients qui ont récemment obtenu un prix intéressant pour un bien immobilier local. Les résultats d’Endor offrent beaucoup moins de faux positifs et dénichent beaucoup plus de clients potentiels supplémentaires, selon la startup.

« Ce qui est important, dit Altshuler, c’est que Endor ne vise pas à remplacer les scientifiques des données; il est conçu comme un outil pour les habiliter ». « Les scientifiques spécialisés dans les données, dit-il, sont plus familiers avec la sémantique commerciale de leur organisation et peuvent intégrer Endor dans leur flux de travail. En ouvrant un « goulet d’étranglement » – où l’entrée de données est plus rapide que n’importe qui peut produire un résultat – Endor vise à aider les scientifiques à améliorer leurs entreprises. Les scientifiques savent que nous pouvons en faire des héros « , dit Altshuler.

Endor a récemment obtenu le statut de « Cool Vendor » par Gartner, réservé aux entreprises qui changent en profondeur l’industrie, et a été reconnu comme un « pionnier technologique » par le Forum économique mondial. Au fur et à mesure que la nouvelle se répand, Endor gagne des clients à travers les Etats-Unis, avec des premiers clients aussi en Europe et en Amérique Latine. « C’est une époque excitante », dit Altshuler.

 

Endor

 

Publicités

Laisser un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.