L'apprentissage automatique

L'apprentissage automatique a transformé la reconnaissance d'images et la traduction. En finance, ses succès sont plus inégaux qu'on ne le croit.

Il y a quatre terrains. Prévoir les prix, exécuter les ordres, détecter les fraudes, et décider à la place d'un humain.

Premier terrain, la prévision des prix. C'est le rêve. Et c'est le terrain le plus décevant.

Une photo de chat reste une photo de chat. Un marché, lui, change dès qu'on a trouvé sa règle, car d'autres l'exploitent aussitôt.

Le signal est faible, l'histoire est courte, et le passé ne se répète pas. Un modèle puissant y apprend surtout le bruit.

Deuxième terrain, l'exécution des ordres. Moins brillant, mais bien plus rentable.

Acheter un million d'actions d'un coup fait monter le prix contre soi. Il faut découper l'ordre, au bon rythme.

Pour l'exemple : sur un ordre de cent millions d'euros, gagner un dixième de pour cent de coût, c'est cent mille euros économisés.

Répété chaque jour sur des milliers d'ordres, c'est une fortune. Et ici, le modèle dispose de millions d'exemples pour apprendre.

Ce chapitre est animé et raconté dans l'application, carte après carte. Commencer l'essai gratuit.

Télécharger dans l'App Store

Troisième terrain, la détection de fraude. Là où ça marche vraiment.

Chaque paiement par carte est noté en une fraction de seconde. Lieu, montant, heure, habitudes : tout est comparé.

Piège classique : mettons une fraude pour mille paiements. Un modèle qui répond toujours « pas de fraude » a raison quatre-vingt-dix-neuf virgule neuf pour cent du temps.

Et il ne sert à rien. Ce qui compte, c'est combien de fraudes il attrape, et combien de clients honnêtes il bloque.

Pour l'exemple : un million de paiements, mille fraudes. Le modèle en attrape neuf cents, et se trompe sur zéro virgule cinq pour cent des paiements honnêtes.

Cela fait quatre mille neuf cent quatre-vingt-quinze fausses alertes. À peine une alerte sur six est une vraie fraude.

Quatrième terrain, la boîte noire. Un modèle refuse un crédit. Pourquoi ? Souvent, même ses créateurs ne savent pas le dire simplement.

Or, dans beaucoup de pays, la loi exige de pouvoir expliquer un refus de crédit. Et un régulateur veut comprendre une décision avant de l'accepter.

Un modèle peut aussi reproduire les biais de ses données. S'il apprend sur des décisions injustes, il les répète, à grande vitesse.

Alors les banques arbitrent : un modèle un peu moins précis, mais qu'on peut expliquer, plutôt qu'un oracle muet.

Retenez : la machine excelle là où les exemples sont nombreux et les règles stables. Elle déçoit là où l'avenir ne ressemble pas au passé.

Méfiez-vous donc de toute intelligence artificielle qui promet de prédire la Bourse. C'est justement le terrain où elle brille le moins.