L’état de l’apprentissage automatique dans l’expérimentation Web

L'apprentissage automatique est l'un de ces mots à la mode qui peuvent amener presque tout le monde à lever les sourcils - ou à rouler des yeux. Le battage médiatique autour de l'apprentissage automatique (parfois appelé à tort "IA") ​​a été tellement exagéré pendant si longtemps que beaucoup sont devenus des cyniques grisonnants, estimant que l'apprentissage automatique ne représente pas une panacée mais un trou d'argent inutile pour les entreprises.

La réalité est en fait quelque part entre les deux. L'apprentissage automatique est en effet un outil puissant pour toutes sortes d'applications, y compris l'expérimentation et la conception d'expérience Web, mais il doit être dirigé par la même stratégie solide que toute autre initiative. Le principal mensonge du battage médiatique de l'apprentissage automatique n'est pas qu'il peut résoudre vos problèmes, mais qu'il peut résoudre vos problèmes par lui-même.

Pour arriver à une meilleure compréhension, nous devons nous plonger dans ce qu'est l'apprentissage automatique et comment il est utilisé dans l'expérimentation et la conception d'expérience.

Qu'est-ce que l'apprentissage automatique?

En termes simples, l'apprentissage automatique est l'automatisation de la conception de logiciels. Un programme observe l'activité d'un autre, généralement un soi-disant "réseau neuronal", et apporte de petites modifications itératives à la conception de ce réseau neuronal. La plupart de ces modifications visent à désaccentuer les aspects du réseau neuronal qui sont associés à de mauvais résultats et à renforcer ceux associés aux bons.

Cette idée simple a eu un impact incroyable au cours de la dernière décennie, permettant la création de programmes qui n'auraient jamais pu être créés directement. Les data scientists ont passé des décennies à essayer en vain d'enseigner aux ordinateurs à transcrire rapidement la langue parlée, avant de finalement abandonner et de passer le problème à l'apprentissage automatique; alors que chacun des scientifiques avait un cerveau qui pouvait bien sûr traduire les mots parlés eux-mêmes, leur manque de conscience du processus par lequel cela se produisait les rendait incapables d'enseigner le processus à un ordinateur.

L'apprentissage automatique, en revanche, a si bien réussi à résoudre ce problème que nous tenons désormais pour acquis les smartphones compatibles avec le langage. Les réseaux neuronaux qui effectuent ce travail ont été architecturés (et continuent de l'être à mesure que de nouvelles données arrivent) par des algorithmes d'apprentissage automatique. De nombreux acteurs du monde des affaires ont été informés que l'apprentissage automatique pouvait les aider à créer des logiciels tout aussi révolutionnaires, à résoudre des problèmes difficiles et à surmonter une complexité apparemment impossible.

Ça a l'air génial, mais comment ça marche réellement?

Cependant, si nous comprenons le fonctionnement de l'apprentissage automatique, nous savons qu'il ne s'applique vraiment que dans des types de situations spécifiques. Le plus gros obstacle dans la plupart des cas est la nécessité de créer un ensemble de données de soi-disant "données de formation" à analyser; si nous voulons apprendre à un ordinateur à trouver des images de chats, le jeu de données est une collection d'images contenant ou non un chat. Cet ensemble de données doit également être méticuleusement joint avec des métadonnées contenant toutes les informations requises par l'algorithme d'apprentissage automatique - dans le cas des images de chat, cela signifie une balise indiquant s'il y a vraiment ou non un chat dans chaque image. Dans la conception Web, l'ensemble de données est souvent composé de parcours des utilisateurs et d'un moyen de déterminer si ce parcours s'est terminé positivement ou non.

Ainsi, vous ne pouvez pas simplement dire à un algorithme d'apprentissage automatique de devenir meilleur pour "me faire de l'argent"; vous devez être en mesure d'exprimer clairement vos besoins, en sachant à l'avance le processus exact à améliorer, exactement à quoi ressemblera un résultat meilleur ou pire, et en particulier le point final que vous souhaitez que le processus atteigne. Cela nécessite souvent une supervision ou une maintenance humaine à une étape du processus - ce qui, si vous gardez le score, mine gravement l'argument "automatisé" de l'apprentissage automatique. Le "ML" peut être coûteux et prendre du temps, nécessitant un investissement important avant même de pouvoir démarrer le processus.

Il devrait être évident que si l'apprentissage automatique est puissant, il est également mal adapté à de nombreuses applications; c'est loin d'être une solution miracle pour les expériences et la croissance numériques. Les réseaux neuronaux ne savent que ce qu'ils ont vu et ont tendance à ne pas être en mesure de gérer les écarts par rapport au contenu de leur ensemble de données d'entraînement. Cela signifie que la généralisation des solutions d'apprentissage automatique à des tâches similaires dans différents projets peut être difficile et qu'elles sont souvent incapables de faire face à des changements radicaux dans l'environnement - par exemple, une pandémie mondiale et les changements massifs de comportement humain qui l'accompagnent.

Apprentissage automatique x expérimentation

Dans l'expérimentation sur les expériences Web, il y a trois utilisations principales que nous voyons le plus souvent. Ces tactiques représentent les moyens les plus simples d'intégrer l'apprentissage automatique dans votre entreprise.

1. Répartition du trafic

   Utilise des algorithmes dits de "bandit multi-armé" pour déterminer la meilleure répartition du trafic afin de maximiser les conversions, le trafic ou toute autre métrique qu'il est censé atténuer. Les données de formation sont généralement collectées de manière continue au fur et à mesure que le trafic du site se produit pendant la période de test. Il est capable de corréler de nombreux attributs de différents parcours utilisateur et Frankenstein ensemble le ou les trajets globaux les plus forts, en fonction de ses objectifs programmés.

Cet article offre une bonne introduction sur le fonctionnement des bandits multi-armés et sur la manière dont une approche mathématique différente de la solution peut conduire à des résultats radicalement différents.

2. Conception d'expérience dynamique

   Plutôt que de cibler de petits groupes d'utilisateurs, un système d'apprentissage automatique prend ici des modèles de trafic agrégés et détermine l'expérience idéale pour le groupe, dans son ensemble. Cela peut affiner la version principale du site vers une expérience de base qui devrait fournir des résultats solides pour la grande majorité des utilisateurs. Avec une telle conception par défaut, des voyages plus spécifiques à l'utilisateur peuvent être créés.

Par exemple, le ML pourrait identifier les catégories de produits spécifiques qui sont les plus corrélées à la conversion et réorganiser les catégories de produits pour les afficher de manière plus visible.

3. Score utilisateur prédictif

   Ici, les données de formation sont observées à travers l'engagement des visiteurs sur le site, jugés par rapport à des mesures d'engagement spécifiques. L'ordinateur dérive des modèles de ces données et les applique pour calculer de manière prédictive les mesures d'engagement des utilisateurs. Ces scores peuvent être utilisés pour dériver le trafic entre plusieurs trajets adaptés au type d'utilisateur.

   Par exemple, une entreprise peut souhaiter utiliser la notation prédictive des utilisateurs pour deviner à quel point chaque utilisateur est susceptible de devenir ennuyé par des bogues sur un site, ce qui entraîne des "clics de rage" et un taux de rebond élevé. Les utilisateurs avec un score de rage élevé peuvent être dirigés vers un voyage plus simple et moins avancé qui minimise le risque de bugs, tandis que les utilisateurs avec des scores faibles peuvent être shuntés plus en toute sécurité pour tester des versions du site.

À partir de ces trois applications seulement, toute entreprise peut commencer à envisager des stratégies activées ou améliorées par l'apprentissage automatique. Mais si vous voulez être l'évangéliste de votre entreprise pour ces techniques avancées, assurez-vous de bien comprendre que vous comprenez réellement le processus. Dans un article récent, Cassie Kozyrkov de Google a donné plus de détails sur les nombreuses situations dans lesquelles l'apprentissage automatique n'est pas la solution.

Expliquez clairement ce que l'apprentissage automatique peut faire pour améliorer les résultats de l'entreprise, et vous aurez même les cyniques qui chanteront vos louanges.

Découvrez comment votre programme d'expérimentation se compare!

Évaluez la maturité de votre expérimentation avec notre nouvelle évaluation de maturité en 7 minutes et obtenez des stratégies éprouvées pour développer une machine de croissance axée sur les connaissances.

Commencer