Prendre la bonne Décision

avec les Réseaux Bayésiens

PEBA Pau, Jeudi 20/05/2010

Christophe Dutertre

www.dside-solutions.fr

• D-SIDE solutions, SARL créée en 2008,

• Une Structure issue de la Recherche :

– MBA knowledge Management Stockholm University

“Bayesian Networks and Integrated Performance Management in

Organizations: an analysis”

• Partenariat Stratégique avec BAYESIA, D-SIDE solutions,

distributeur officiel de BayesiaLab

• Enseignant Associé :

– ESC Pau : Cours Master 1 Knowledge Management

– Université de Pau : Cours STID Réseaux Bayésiens

Références

Le Monde est Chaotique

Complexité de l’Environnement,

+

Changements rapides, Incertitude,

=> RISQUE dans la Prise de Décision

La Nécessité de Réduire le Risque

Nécessité pour le Décideur de :

• Comprendre une situation dans ses multiples facettes,

• Pouvoir comparer différentes options dans un cadre rigoureux

Décider en connaissance de cause

Exemple d’Application : Les experts

New York, 85% des taxis sont jaunes et 15% sont blancs.

Un piéton est renversé par un taxi qui prend la fuite.

Un témoin affirme à la police que le taxi coupable est blanc.

Après plusieurs tests de couleur dans des conditions de visibilité similaires,

il apparaît que le témoin donne la bonne réponse 4 fois sur 5.

Peut-on conclure que le taxi coupable est blanc ?

Les Réseaux Bayésiens

Outil de Modélisation des Connaissances Incertaines

A la croisée de :

• la Théorie des Graphes

• la Théorie de l’Information

• la Théorie des Probabilités

=> Qualité Visuelle

=> Rigueur Mathématique

Frise Historique des Réseaux Bayésiens

1763 : Théorème de Bayes :

P(A|B) = P(B|A)P(A)/P(B)

1988 : Judea Pearl : “Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference”

RUPTURE TECHNOLOGIQUE

Déterminisme vs Probabilisme

1996 : Bill Gates : “L’avantage concurrentiel de Microsoft à moyen terme repose sur son expertise en réseaux Bayésiens”

2004 : MIT Enterprise Technology Review : Apprentissage des réseaux Bayésiensen 4ème position des 10 technologies émergentes qui vont changer le monde

Applications Pratiques des Réseaux Bayésiens :

• Prises de Décisions Stratégiques,

• Analyse de Relations et Découverte de Connaissance,

• Scoring et détermination de l’appétence

à un nouveau produit ou service,

• Amélioration de la Qualité,

• Intégration dans un Logiciel.

(La Suite de l’exposé est exécutée en Live avec le logiciel Blab)

Conclusion :

Il y a 94,26% de

chances que vous

ayez besoin de

D-SIDE solutions

Votre Profil :

Marketing,

Traitement de données Quali/Quanti

& données Manquantes,

Prise de décisions stratégiques,

Scoring de bases de données,

Difficultés à communiquer vos

traitements

La démarche D-SIDE solutions

Enclencher le Cercle Vertueux du Data Mining en 7 points :

• Formalisation des objectifs

• Acquisition des données

• Préparation des données

• Apprentissage – application des méthodes

• Interprétation – explication

• Evaluation et validation

• Déploiement

Les Ecueils de la Modélisation

• Deux écueils à éviter :

– Apprendre des choses qui ne sont pas vraies

– Apprendre des choses vraies mais inutiles

• Les causes sont multiples :

– Les objectifs sont mal définis,

– Les données sont mauvaises,

– Les données sont inadaptées,

– La transformation des données a détruit ou caché une importante partie

de l’information,

– L’échantillon est biaisé (ne représente pas la population que le modèle est

censé décrire),

– Mauvais pas de temps,