strategie digitale | AI series | 7 min read

De l'IA et du machine learning pour stimuler votre marketing social media

Don't forget to share this post!

blog-post-example-media

En marketing digital, tout part d’informations pertinentes. Quels sont nos taux de transformation ? Quels objets de mail sont les plus efficaces ? À quoi consacrer notre budget publicitaire ? Plus vous en savez sur un canal donné, meilleures seront vos campagnes.

 

 Les média sociaux ne font pas exception mais présentent souvent beaucoup trop de données disponibles. On dénombre 95 millions de posts Instagram par jour, 31.25 millions de posts Facebook chaque minute et 6000 tweets chaque seconde.

Par chance, nous disposons aujourd’hui des moyens pour suivre de près cette nouvelle façon de communiquer.

L'« intelligence artificielle », le « machine learning » et le « deep learning » sont trois buzzwords qui ne gagnent pas en popularité par hasard : ils se font le relais de nouveaux procédés qui nous aident à traiter des quantités immenses d'informations. Tâchons alors de les connaître davantage et de comprendre ce qui les rend si efficaces dans le traitement de gros volumes de données relatives aux médias sociaux.

En quoi consistent l'intelligence artificielle, le machine learning et le deep learning ?

Les médias sociaux abondent d'informations qu'il est facile de récolter directement depuis les diverses plateformes disponibles pour le grand public. La vraie question, c’est de savoir s’il nous est vraiment offert de tirer des insights de cet océan de data.

Grâce à l’intelligence artificielle, il semblerait que la réponse soit “oui” !

 

AI basics definition

 

Qu’est-ce que l'intelligence artificielle ?

John McCarthy, précurseur dans le domaine de l'intelligence artificielle, l'a décrite comme « la science de concevoir des machines capables d'effectuer des tâches spécifiques à l'intelligence humaine ». Il peut autant s'agir de comprendre une langue et de traduire un contenu entre des langues différentes que d'identifier des éléments dans les images et les mots ou encore de prendre des décisions.

De l'avis de la majorité, l'intelligence artificielle pense et se conduit à l'image des humains. C'est sur ce concept dystopique d'une « IA généralisée » que se cristallisent aujourd'hui toute l'excitation et les craintes concernant l'intelligence artificielle, bien que cette généralisation ne soit pas encore d’actualité (pour le moment).

La plupart des systèmes développés par les entreprises et les chercheurs consistent plutôt en des IA appliquées, notamment dans les systèmes de machine learning. L'IA appliquée œuvre dans un secteur très réduit : elle peut se révéler très performante sur des problèmes très spécifiques. Il peut s'agir d'une machine capable de reconnaître des logos dans des images ou d'une voiture autonome par exemple.

Chaque jour, à de nombreuses reprises, vous avez recours sans le réaliser à des IA appliquées : lorsque vous parlez à Siri ou à Alexa, que vous consultez vos recommandations de films sur Netflix ou lorsque Facebook suggère aux utilisateurs de s'identifier sur les photos que vous avez récemment postées.

 

Et le machine learning ?

Le machine learning, c'est un sous-domaine de l'intelligence artificielle et un moyen de créer des systèmes de résolution de problèmes. Avant l'essor de ce type de machines, c'est à la main que les programmeurs codaient les données, en se servant d'un paramètre défini pour parvenir au résultat souhaité.

Avec le machine learning, les techniques statistiques nous permettent d'indiquer aux ordinateurs comment ne plus avoir besoin d'un ensemble rigide de règles pour apprendre. Pour ce faire, il suffit de présenter à notre système divers exemples, entre quelques milliers et plusieurs millions, pour l'inciter à apprendre au fil du temps et à répondre (ou anticiper) avec davantage de précision.

Les systèmes de machine learning ne disposent cependant que de capacités réduites et se limitent bien souvent à la résolution d’un seul type de problème. Ils sont toutefois adaptés à la publicité en ligne, à la détection d'achats frauduleux par carte bancaire ou encore même à l'identification de cellules cutanées cancéreuses.

Dans la réalisation de ces tâches, beaucoup d'entre eux sont désormais en mesure d'égaler voire de surpasser les spécialistes et même de travailler à une échelle bien plus large.

 

Tout cela diffère beaucoup du deep learning ?

Le deep learning, c'est l'une des différentes approches du machine learning, une technologie novatrice basée sur des systèmes complexes que l'on appelle réseaux neuronaux et qui imitent (à un niveau très rudimentaire) la structure et la fonction du cerveau afin de procéder à une reconnaissance des formes. Ces réseaux se composent de différentes couches de neurones artificiels connectés entre eux et façonnent des architectures très élaborées permettant au système d'enregistrer au mieux les formes à identifier. Par la superposition de ces couches neuronales, votre réseau gagne en « profondeur » et l'on parle dès lors de « deep learning ».

En obtenant des résultats spectaculaires d'une incroyable précision et d'une grande fiabilité, ces systèmes sont récemment devenus très populaires chez les data scientists.

Si au 20e siècle, lors de sa conceptualisation, le deep learning n'a guère attiré l'attention, c'est que la formation des réseaux neuronaux profonds est onéreuse et que les ordinateurs ne disposaient pas alors de ressources de calcul suffisamment performantes.

Ils se révèlent également plus performants lorsqu'ils sont entraînés par un important volume de données, que ce soit des mégaoctets ou des gigaoctets. Vous vous souvenez certainement des disquettes 3,5’ ? Les plus répandues ne supportaient plus de quelques mégaoctets (Mo), ce qui vous permet d’envisager à quel point il était coûteux et difficile pour les chercheurs et les entreprises de stocker de grandes quantités de données.

Entre temps, le stockage informatique (disques durs et SSDs) est devenu abordable et bien plus performant (merci aux CPUs et aux unités de traitement graphique), aussi le deep learning a t-il vu son intérêt croître auprès des industries et des chercheurs.

Aujourd'hui, tout individu équipé du bon ordinateur est en mesure d'entraîner un réseau neuronal profond classique.

Et au-delà des définitions, en quoi devriez-vous vous sentir concernés ?

 

L'intelligence artificielle est essentielle à une bonne analyse des médias sociaux

Plus de données pour plus de précision dans les insights

L'analyse des médias sociaux repose sur des données massives destinées à offrir davantage d'insights à votre stratégie marketing.

Mais les données massives ne sont pertinentes que s'il vous est possible de tirer parti de ce volume conséquent de conversations spontanées et non structurées. Elles sont très changeantes, complexes et souvent “bruyantes”, soit difficiles à analyser, à trier et à classer.

Bien sûr, vous pourriez parcourir manuellement des listes considérables de publications pour trouver des réponses à vos questions mais il est impossible de parcourir ces informations sans une automatisation précise. Vous pourriez, en effet...

Sauf que le machine learning vous permet d'élargir votre analyse des médias sociaux à n'importe quelle quantité de données, même des milliards de publications ! Et ce, sans affecter votre capacité à suivre les opinions des consommateurs et les tendances.

Identifiez rapidement les conversations importantes

SI vous pouvez dessiner les tendances globales à partir de ces données, l'intelligence artificielle peut également être entraînée à mettre en exergue les publications particulièrement importantes.

Citons par exemple la capacité de distinguer automatiquement si le terme « orange » fait référence à l'entreprise de télécommunications, au nom d'une ville ou à la couleur. Si l'une de ces définitions sera extrêmement précieuse (si vous travaillez dans le marketing pour l’opérateur télécom), les autres ne tiendront qu’à une forme de bruit sans pertinence pour votre stratégie.

Les systèmes de machine learning sont entraînés, grâce à des publications types, à reconnaître des schémas dans les textes ou les images. Ils sont en mesure d’interpréter les plus infimes nuances et de fournir à vos questions les résultats les plus pertinents avec la plus grande précision.

Analysez les textes quelle que soit la langue

Parce que le machine learning s'appuie sur des exemples pour reconnaître des structures, il lui est possible d'utiliser des modèles de publications dans n'importe quelle langue, si tant est qu'ils sont correctement annotés avec les prévisions formulées.

Récoltez des insights dans les images

Avec des plateformes telles qu'Instagram, Snapchat ou Pinterest, le web social est aujourd'hui devenu incroyablement visuel. Les publications y sont majoritairement graphiques et le texte en lui-même ne contient plus que quelques indices.

Dans le passé, il était virtuellement impossible d'identifier le contenu de ces publications.

Mais par chance, le deep learning entre à nouveau en scène. Ces systèmes sont désormais capables de reconnaître des logos, des visages et des objets, à la fois dans les images et sur support vidéo. S'il vous faut être informé lorsque des personnes partagent vos produits sur les médias sociaux, la reconnaissance par l'image est absolument essentielle.

Comprenez la voix du consommateur

Même avec une lecture simple, la compréhension des différentes publications en ligne peut s'avérer délicate. Le sarcasme, le double sns et les synonymes ont brouillé les pistes pour les bonnes vieilles analyses automatisées.

S'il est évident pour nous les humains d'interpréter correctement le sens d'un mot dans un contexte donné (tel que l’exemple d’”orange” cité plus haut) ou d'identifier le ton sarcastique lorsqu'il est employé (en termes d'analyse des sentiments), ce n'est pas aussi simple pour les ordinateurs.

Cela dit, le machine learning nous fournit désormais des analyses automatiques d'une grande précision. Des modèles complexes peuvent être élaborés afin de percevoir le vrai sens de ce qu'expriment les publications et qui ne peut être saisi par les méthodes traditionnelles fondées sur des règles.

Détecter les sujets et les tendances émergents

Le machine learning est utile dans la reconnaissance de modèles de langages, d'images, ou de métadonnées et il nous est aujourd'hui possible de classifier les publications en catégories prédéfinies, à partir de ces schémas.

Cependant, ces modèles peuvent également servir à détecter les nouvelles tendances ou les sujets ne correspondant pas à un ensemble préexistant de valeurs. L’algorithme cherche alors les structures intéressantes et tentent d'en regrouper des exemples similaires. Ces techniques de machine learning sont dites « sans surveillance » et elles agissent comme un outil de découverte lorsqu'il est question de mettre en valeur ou lorsqu'un nouveau résultat sort du cadre de ce qui était attendu.

L'analyse sans renseignements : un processus au ralenti

De bons outils sont essentiels à une bonne analyse des médias sociaux déjà saturés d'informations pertinentes, où les conversations quotidiennes sont bien trop nombreuses pour être toutes surveillées manuellement.

Aussi, l'intelligence artificielle rend-elle vos analyses des médias sociaux plus puissantes et plus précises. Chez Linkfluence, nous utilisons des algorithmes de machine learning à chaque étape de l'enrichissement de nos données afin de fournir à nos clients des insights fiables et pertinents sur leurs marques, leurs produits et leurs ambassadeurs.

Envie de faire un essai pour votre marque ? Contactez-nous dès aujourd'hui !

 Social data intelligence - demande de démo

 

Don't forget to share this post!