Un dirigeant vous demande une prévision du taux d’attrition pour définir le budget de rétention du prochain trimestre. Vous disposez de 48 heures, vous connaissez bien l’entrepôt de données, mais vous subissez la pression d’avoir à fournir un chiffre unique. L’IA peut vous aider à gagner en rapidité, mais elle ne peut pas assumer la responsabilité finale. Si le modèle entraîne une dépense inappropriée, l’échec qui en découle incombe à l’analyste et à l’organisation qui l’a déployé.
Dans le domaine prédictif, l’obligation fondamentale demeure inchangée. Vous devez définir la cible, prévenir les fuites d’information (leakage), évaluer le modèle sur un échantillon indépendant et expliquer les données qu’il utilise. L’IA peut rédiger du code, suggérer des variables et résumer les diagnostics. Il vous revient de vérifier que les définitions correspondent aux réalités métier et que l’évaluation est adaptée à la décision à prendre.
L’approche pratique de ce cours est simple : utilisez l’IA pour générer des ébauches de travail, puis soumettez-les à la validation de l’analyste dès lors que des erreurs pourraient compromettre la décision.
Un livrable prédictif s’apparente à une chaîne. Chaque maillon présente un risque d’erreur spécifique, et l’IA a tendance à produire des résultats qui semblent plausibles, même lorsqu’un maillon est défaillant.
Découvrez comment les étapes clés s’articulent et à quel stade l’IA peut vous apporter son aide.
Vos validations ne sont pas de simples « étapes ». Ce sont des points de responsabilité directe.
Au stade de la définition du problème, vous maîtrisez le contexte décisionnel. L’IA peut proposer des métriques cibles, mais c’est vous qui choisissez celle qui correspond aux actions concrètes de l’entreprise. Au stade des données, vous définissez les étiquettes (labels) et les fenêtres temporelles. L’IA peut rédiger des requêtes SQL, mais vous vérifiez les jointures, la granularité et les données manquantes, car une explosion silencieuse du nombre de lignes lors d’une jointure modifie la nature du problème d’apprentissage.
Au stade de la validation, vous êtes garant de la rigueur de la séparation entre les jeux d’entraînement et de test. L’IA peut suggérer une méthode de découpage (train_test_split), mais vous confirmez que ce découpage respecte la structure temporelle des données. Si l’objectif est de prédire le taux d’attrition (churn) pour le mois suivant, un découpage aléatoire risque d’introduire des informations issues du futur, invalidant ainsi la métrique.
Dans ce cours, le terme « IA » désigne un LLM (Large Language Model, ou grand modèle de langage). Il s’agit d’un modèle capable de générer du texte, du code et des données structurées en se basant sur des schémas identifiés dans ses données d’entraînement. Un LLM n’examine pas votre base de données à moins que vous ne lui fournissiez des données, et il ne peut pas savoir si une métrique est adaptée à votre décision commerciale.
Un prompt correspond aux instructions et au contexte que vous fournissez au LLM. Un token est une unité de texte lue et écrite par le LLM ; cette notion est importante car les longs tableaux et les journaux d’événements sont souvent tronqués. On parle d’hallucination lorsque le LLM génère une affirmation péremptoire ou un détail de code qui ne repose pas sur les données d’entrée que vous avez fournies.
Découvrez les points forts et les limites de l’IA dans le cadre de la modélisation prédictive.