Les données et algorithmes face à l'imprévu : réagir aux crises et améliorer la résilience des systèmes

La crise du Covid-19 a mis à mal de nombreux systèmes basés sur des données historiques et des algorithmes formés sur des événements passés. Des modèles prédictifs, notamment dans la gestion des stocks ou des comportements des consommateurs, sont devenus obsolètes face à l’imprévu. Les entreprises ont dû s’adapter et parfois se reposer sur l’intuition humaine pour prendre des décisions cruciales.

L’essor du machine learning et des données massives a bouleversé la manière dont les entreprises fonctionnent. Cependant, face à des événements comme une pandémie, des algorithmes formés sur des données anciennes ne sont plus efficaces. Par exemple, les modèles de prédiction des ventes et des stocks, adaptés à un monde normal, sont devenus inopérants lorsque les habitudes des consommateurs ont radicalement changé.

Pour surmonter ces défis, plusieurs stratégies sont proposées. Certaines entreprises ont réentrainé leurs algorithmes sur des données plus récentes, tandis que d'autres ont opté pour un apprentissage actif, permettant d’adapter rapidement les systèmes intelligents à de nouvelles données. L’un des enseignements tirés est la nécessité d’être prêt à réagir rapidement face à l’imprévu et d’augmenter la fréquence de l’entraînement des modèles pour qu’ils deviennent plus agiles.

Le COVID-19 a également mis en lumière la valeur des données historiques, souvent sous-estimées. Si les données passées peuvent sembler obsolètes, elles peuvent offrir une perspective précieuse pour comprendre les crises futures. L’importance de conserver ces données devient donc cruciale, même en période de changement. En ce sens, les leçons de la crise sanitaire pourraient transformer l'approche des entreprises face aux crises futures.

Source : ICTjournal