Les ordinateurs ont besoin de l'aide des gens pour apprendre. C'est ce qu'on appelle "l'Apprentissage Automatique". L'apprentissage automatique est un terme qui signifie enseigner aux ordinateurs à apprendre à partir de données, une activité consistant à raisonner à travers des modèles sans programmation explicite. C'est en partie ainsi qu'un enfant apprend — par observation et pratique, pas seulement en étant enseigné. La précision est un aspect avec lequel l'apprentissage automatique travaille. Elle indique à quel point l'ordinateur est précis lorsqu'il s'agit de prédire quelque chose. Plus la précision est élevée, plus ces prédictions seront robustes.
Le Dynamic Time Warping, une méthode pour aligner des données de séries temporelles. Imaginez que vous avez deux lignes ondulées et que vous souhaitez les comparer. Le dynamic time warping consiste à modifier la forme d'une ligne ondulée pour faciliter sa comparaison avec une autre ligne ondulée. Aligner ces lignes signifie qu'il est plus facile pour l'ordinateur d'apprendre à partir de nos données lorsque nous essayons de prédire cette ligne.
Une analogie pour comprendre comment fonctionne le Dynamic Time Warping : c'est comme si vous essayiez de prédire la circulation dans votre magasin tous les jours. Audience des visites en magasin de l'année précédente. Mais tous les jours ne se ressemblent pas. Les différents jours ont des foules différentes, certains étant très animés avec toute la ville présente, tandis que d'autres tombent un jour de pluie où seulement quelques âmes errantes viennent. Lorsque les données changent, il devient difficile de prévoir les futures visites.
Pas exclusivement conçu pour les Données de Séries Temporelles, mais quand même. Il est capable de travailler avec différents types de données, ce qui en fait un outil très polyvalent. Considérons la comparaison de deux séquences d'ADN, qui sont le plan bleu de la vie elle-même. Le Dynamic Time Warping aligne ou décale légèrement des parties des séquences afin que des comparaisons puissent être effectuées. De cette manière, les scientifiques peuvent déterminer le degré de parenté ou de distinction entre les séquences et potentiellement découvrir des aspects significatifs liés à la biologie et à la médecine.
La reconnaissance vocale en est un autre exemple. Lorsqu'un ordinateur entend quelqu'un parler, il doit identifier ce qui a été dit parmi les mots ou expressions contenus dans sa base de données. Cependant, toutes les personnes n'articulent pas les mêmes mots de la même manière, ou des bruits de fond peuvent rendre la compréhension difficile. Dans cette approche, le recalage temporel dynamique permet d'aligner les données vocales afin qu'un ordinateur puisse facilement détecter un faible taux d'erreur entre son transcription et ce qui a été dit. Cela peut améliorer les performances des assistants vocaux et autres technologies de reconnaissance vocale.
L'utilisation de la déformation temporelle dynamique est en train de transformer la manière dont nous percevons les prédictions. Les prédictions consistent à deviner ce que l'avenir nous réserve ; à cet égard, vous utilisez dataodi pour faire des approximations épisodiques des événements. Cela peut être très avantageux pour prendre des décisions judicieuses. Par exemple, si vous dirigez un hôpital (ce qui serait plutôt cool), il se peut que vous ayez besoin d'estimer combien de patients viendront le mois prochain afin que le nombre de fournitures de la taille d'un papier toilette humide arrive juste à temps. Si vous commandez trop, bien sûr, cela sera gaspillé. Rua explique que c'est encore plus risqué que cela : si vous passez à côté, ils pourraient se retrouver en rupture de stock. La déformation temporelle dynamique vous permettra de prédire les chiffres futurs en fonction des points de données passés et permettra une meilleure gestion des ressources.
DTW n'est qu'un outil parmi d'autres dans la boîte à outils de l'apprentissage automatique. Le premier point est évident, mais reste extrêmement important dans le cas des données de séries temporelles. Le Dynamic Time Warping aide les ordinateurs à faire de meilleures prédictions en organisant les données pour qu'elles s'alignent de manière cohérente. Il peut être appliqué dans de nombreux domaines différents, de la santé au commerce de détail, et améliorer les décisions.