Percer le secret du sommeil des bébés grâce au machine learning

Déçu par l’AB testing, Tyler Lund, jeune papa de jumeaux en bas âge, s’est tourné vers le machine learning pour identifier les variables favorisant l’allongement des nuits de ses nourrissons. Peu concluant en termes de fiabilité des prédictions, cet exercice aura néanmoins permis de discerner quelles associations encourageraient la durée du sommeil.  

Prédiction des comportements d’achat, intelligence artificielle, authentification d’œuvres d’art.… les champs d’application du machine learning (ou apprentissage automatique) se multiplient. Dernièrement, c’est au sommeil des nourrissons que s’est attaqué Tyler Lund, jeune papa de deux garçons de quatre mois, désespérément en quête de sommeil. Pour avoir conservé dans des fichiers Excel toutes les données relatives au comportement alimentaire et au sommeil de ses deux fils au cours de leurs quatre premiers mois de vie, Tyler Lund disposait d’un volume de données conséquent. En s’appuyant sur trois variables – la quantité de lait consommée par jour, l’heure du dernier repas et le volume du dernier biberon  – et ce pour le seul mois précédent, le jeune papa a croisé chaque paramètre avec la durée du sommeil de ses enfants. Sans avoir pu mettre en évidence de forte corrélation, cet exercice a permis d’établir que plus la quantité de lait consommée est importante, plus courtes sont les nuits des nourrissons.

 

Identifier des tendances et des associations entre variables

 

Après avoir soumis ces mêmes données aux six algorithmes de machine learning les plus couramment utilisés, Tyler Lund n’est pas plus avancé. En moyenne, aucun n’atteint même une fiabilité de 50%, un taux déjà très faible en matière d’analyse prédictive. Il retient néanmoins Support Vector Machine qui offre les meilleures performances parmi les six et l’alimente à l’aide des données dont il dispose. Une démarche qui lui permet désormais de savoir combien d’heures ses enfants vont dormir sur la base des trois paramètres retenus. Ainsi, les coucher plus tôt, après les avoir moins nourris, à la fois au cours de la journée et du dernier repas, rallongerait la durée des nuits des nourrissons.

 

Malgré un faible taux de fiabilité des prédictions – sans doute lié à la taille réduite de l’échantillon disponible, le machine learning aura permis d’identifier des tendances et des associations entre variables qui participent à la production de résultats plus pertinents que ceux que l’on pourrait espérer de l’AB testing. Une perspective encourageante pour Tyler Lund qui avoue être rassuré de voir ses intuitions de parent corroborées par les enseignements issus du machine learning.

 

Lire l’article (en anglais)

 

En complément :

Pour tout savoir sur le machine learning (en anglais)

L’avenir de l’internet des objets serait-il dans le machine learning ?