Analyse inductive vs analyse déductive : quelles différences en matière d’IA ?

Dans le langage commun, il n’est pas rare que les termes de déduction et d’induction soient confondus. Pourtant ces concepts sont bien différents. En matière d'intelligence artificielle, l’utilisation de l’un plutôt que l’autre peut d’ailleurs tout changer pour l’animation commerciale des sites e-commerce. Décryptage.

Analyse inductive vs analyse déductive : différences

Analyse déductive : définition

La déduction s'appuie sur des règles établies et démontrées.

Par exemple, une personne entre dans un hypermarché avec une liste de courses et 30 euros en poche. Sa liste est bien plus grande que son porte-monnaie.

Elle commence par relever tous les prix des articles en rayons dans les catégories inscrites sur sa liste, puis à l'aide d'un tableur elle crée tous les groupes d'articles et retient ceux qui totalisent 30 euros ou un peu moins, ensuite elle choisit dans la liste celui qui lui paraît le plus viable, en éliminant par exemple celui qui contient le ketchup mais pas les pâtes …

Bien que la déduction soit jugée plus scientifique, elle n’est que rarement utilisée par le cerveau humain pour prendre des décisions. En revanche, elle s’avère particulièrement efficace lorsque la situation est analysée hors contexte. Pour faire nos courses dans un magasin, nous n’utilisons jamais la logique déductive ; pour résoudre un problème de mathématiques à l’école, bien davantage !

Analyse inductive : définition

Contrairement à la déduction, l’induction généralise ce qu’elle a vécu dans un cas particulier, en lui donnant une valeur relative. Une nouvelle expérience différente viendra changer le point de vue. L’analyse inductive s’appuie alors sur la situation et non plus sur la règle pour prendre une décision.

Reprenons l’exemple d’une personne qui souhaite faire ses courses, mais qui utilise l’analyse inductive plutôt que déductive :

Comme le précise Descartes, la déduction est pertinente dans le cas d'une "première fois", quand on ne dispose d'aucune expérience exploitable.

L'induction est au contraire applicable en cas de récurrence. Chaque "nouvelle fois" est analogue à une "ancienne fois" avec quelques adaptations nécessaires. Par exemple, j'ai acheté 1kg de pommes la semaine dernière, je saurai en acheter aujourd'hui même si je dois en prendre 2 kg. Je ne pose pas de questions. Alors que si c'est la première fois que je dois acheter des pommes, je vais me demander lesquelles choisir, quelles sont les différences, les plus ou moins chères, acides...

Ainsi, l’analyse inductive fonctionne en deux phases :

• L’analogie : le contexte actuel est rapproché d’un contexte déjà rencontré dans lequel la décision X s’est avérée concluante. 
• L’adaptation : la stratégie X mise en œuvre dans le contexte analogue est projetée sur le contexte actuel pour être à nouveau appliquée.
  
  

Analyse inductive vs Analyse déductive

Bien que nous utilisions très fréquemment l’expression « j’en déduis que », nous mettons souvent en œuvre une logique inductive, en nous appuyant sur une expérience passée efficace. En outre, l’induction est un mécanisme cognitif bien plus rapide que la déduction.

Les techniques actuelles de machine learning et de deep learning utilisées par la quasi-totalité des moteurs de suggestion sont construites sur des principes statistiques. Le fait d’ériger les résultats de ces calculs statistiques en "règles" rend le raisonnement qui les exploite déductif. Or appliquer une statistique à un individu particulier est une ineptie. 75% des gens aiment les pommes golden, mais pas moi. Si l'on érige la statistique en règle, lorsque je demande une pomme, on va me servir une golden : je serai déçu. Si on a tous une liste d'au moins 8 articles on sera quasiment tous déçus, chacun au sujet d'un article différent.

Analyse inductive : quels avantages pour l’animation commerciale des sites e-commerce ?

1.      L’analyse inductive pour reproduire le fonctionnement inductif du cerveau humain

En magasin physique, le vendeur peut intervenir auprès du consommateur pour lui conseiller le produit le plus adapté à ses besoins. Il n’a pas en mémoire l’intégralité de la base d’apprentissage - comprenant par exemple les 100 000 visiteurs du magasin des 6 mois précédents -, ni de tableur Excel lui permettant de créer un modèle à partir de formules statistiques. Pour conseiller le visiteur, le vendeur s’appuie sur l’analyse inductive : il sait qu’avant hier, dans la même situation, il a vendu ce produit. Et que la semaine précédente il a vendu cet autre dans la même situation. Ce sont donc ces deux produits qu’il proposera  à son chaland. En ce moment, dans cette situation donnée, c’est ce que le vendeur vend. C’est cette “intelligence” inductive qui lui permet de vendre.   

Pour augmenter son efficience  dans l’animation commerciale d’un site e-commerce, l’analyse inductive - qui reproduit ce fonctionnement cognitif du cerveau humain - s’avère donc tout particulièrement efficace. Elle permet en effet d’imiter le comportement du vendeur en magasin et de remédiatiser la relation avec le client.

2.     L’IA inductive, idéale pour travailler en temps réel

L'induction est un mécanisme qui agit en temps réel . Contrairement aux systèmes de machine learning qui créent des règles en amont sur des bases statistiques et appliquent le même modèle ainsi prédéfini au contexte, les systèmes basés sur une IA inductive ne requièrent pas de règles établies et ne produisent pas de modèles. 

L'induction consiste à identifier la situation que vit le visiteur au travers des différents contextes qu'il traverse ; puis à rechercher la même situation ou une situation très proche dans le passé récent du site, sur le même contexte, pour l'appliquer au cas présent. Elle suggère ensuite les contenus ou produits qui ont le mieux fonctionné auprès de cet alter sur ce même contexte… en 35 millisecondes en moyenne. Les suggestions sont ainsi personnalisées et proposées en temps réel.

Le principe n’est pas de rechercher une fiabilité statistique mais une efficacité commerciale. 

Et savoir pousser en 35 ms auprès du visiteur d’un site marchand les 4 produits qui sont achetés en ce moment par les visiteurs les plus récents dans la même situation que lui est toujours plus efficace que de faire tourner un modèle issu qui est déjà dépassé.

3.      L’analyse inductive pour prendre en compte l’évolution de la situation et bénéficier d’une pertinence accrue

Prendre en compte l’évolution du comportement du visiteur

Dans la mesure où elle permet de travailler avec pertinence en temps réel, l’IA inductive permet également de prendre en compte l’évolution de la situation de l’internaute pendant sa visite. 

Chaque donnée reçue représente ainsi l’occasion d’affiner les recommandations proposées au visiteur. La pertinence des suggestions s’en trouve grandement améliorée. Pour le comprendre, prenons un exemple :

Un visiteur se rend sur un site e-commerce pour acheter un téléviseur dernier cri. Pourtant, lors de sa navigation, il se rend compte que les téléviseurs sortis l’année dernière sont en promotion. Il se décide à acheter l’un deux, motivé par la promotion exceptionnelle consentie par le site sur les produits en « fin de vie ». 

Au fil de sa navigation, le visiteur passe de chasseur d’innovations technologiques (pour ce téléviseur) à chasseur de bonnes affaires (pour ce téléviseur). L’exposition à l’offre du site marchand a ainsi modifié son comportement. Pour proposer des suggestions produits pertinentes, le site doit pouvoir prendre en compte l’évolution de comportement du visiteur en temps réel. L’analyse de la dimension comportementale de sa situation permet justement de réaliser des suggestions en adéquation avec l’état d’esprit du visiteur à un instant T et non en application d’un modèle prédéfini appliqué à un segment lui-même prédéfini.  

Prendre en compte l’évolution de la consommation

Au-delà de la situation unique d’un visiteur spécifique, l’induction permet de prendre en compte les évolutions de la consommation dans sa globalité. En effet, imaginons :

L’an dernier, les tee-shirts en coton ont constitué la majorité des ventes. Le mois dernier, un scandale sur le coton a éclaté si bien qu’aujourd’hui, les tee-shirts en coton ne se vendent plus. La majorité des ventes est réalisée sur des tee-shirts en lin.

Tant que le nombre de tee-shirts en lin vendus ne dépassera pas celui des tee-shirts en coton, les moteurs de machine learning continueront de suggérer les tee-shirts en coton. Statistiquement, le coton aura en effet été plus vendu que le lin, alors même que plus personne n’en achète depuis un mois. Avec l’analyse inductive en revanche, le nouveau comportement d’achat n’est pas tenu de devenir dominant pour être inscrit dans un modèle. Ainsi, toute évolution de la situation du visiteur et notamment celles qui ressortent de l’évolution de la consommation peut être prise en compte, quasiment en temps réel. Il suffit que l’IA inductive trouve dans l’expérience la plus récente une nouvelle situation qui ait produit cela comme résultat pour suggérer le tee-shirt en lin plutôt que le tee-shirt en coton.