Améliorer la décision commerciale

De nombreux modèles commerciaux reposent sur la précision de la prise de décision. Les demandes de prêt, les approbations de réparation sous garantie, les prix de détail et le placement des éoliennes, pour n'en nommer que quelques-uns. Dans ces situations, les modèles de décision basés sur la machine sont souvent préférés car le jugement humain peut souvent être sujet à des biais et à un manque de fiabilité. Un autre facteur bénéfique de la prise de décision basée sur la machine est la vitesse et l'échelle. Une machine peut prendre beaucoup plus de décisions qu'un humain, mais comporte le risque que la qualité doive être surveillée pour s'assurer que le modèle reste à jour et peut de manière fiable reporter les décisions à un examen humain si nécessaire.

Utiliser l'apprentissage automatique pour automatiser l'évaluation de la solvabilité des demandeurs de prêt dans une banque.

Les modèles de décision sont souvent présentés comme des problèmes de classification multi-classes pour les algorithmes d'apprentissage automatique. À l'aide de données historiques, le modèle construit est normalement testé à l'aide d'une validation croisée pour la robustesse. La validation croisée mélange les données de formation en différentes fractions de train et de test pour garantir autant que possible que le modèle est robuste aux données invisibles. Une grande banque multinationale a utilisé C3.ai, une plateforme Enterprise AI, pour évaluer rapidement la solvabilité de ses clients pour les décisions de prêt. En utilisant 9 sources de données différentes, la banque a pu réduire de 30 % le temps de cycle moyen, ce qui s'est traduit par une augmentation des revenus annuels attendus de 100 millions de dollars2.