L’homme analyse sans relâche des situations qu’il observe ou auxquelles il participe. Mais l’observation ne lui suffit pas pour définir comment peut évoluer la situation avec une probabilité acceptable et susceptible de le sortir d’un état de doute. Il doit recourir à l’investigation car il existe des informations cachées déterminantes. Pour cela il va envisager différentes techniques, parmi celles-ci se trouvent les approches bayésiennes (Naïm Patrick, 2007) et les approches markoviennes.

Pour illustrer une probabilité bayésienne, prenons l’exemple d’un commerçant qui dispose de 3 casiers contenant des balles rouges, bleues et vertes en nombre identique. Si un petit garçon entre dans la boutique et cherche à acheter une balle, qu’elle sera la probabilité qu’il choisisse la bleue ? De l’observation simple nous serions tentés de répondre 1/3. Mais si le commerçant nous dit que ce garçon lui achète chaque semaine une balle verte depuis des mois, nous allons descendre de façon drastique la probabilité d’achat d’une balle bleue. Ainsi l’information cachée revêt une importance déterminante.

Les techniques bayésiennes permettent de mettre en évidence de tels phénomènes bien au-delà de la trivialité de la situation précédente. Dans le cadre du e-commerce, par exemple, elles ont toute leur place afin d’améliorer la recherche d’informations connexes déterminantes pour l’analyse de situation. Ceci doit être mené en restreignant le champ d’investigation au minimum de ce que l’on peut raisonnablement consacrer à son analyse sans pénaliser la réactivité de la réponse. Répondre en temps réel apporte une contrainte limitant notre capacité à explorer le vécu de l’internaute.

Il faudra donc noter les éléments singuliers au fil de leur découverte afin de les exploiter ultérieurement. Ceci nécessite notamment de construire des algorithmes bayésiens orientés temps réel et à rétrospection contrainte.

Naïm Patrick, Wuillemin Pierre-Henri, Leray Philippe, Pourret olivier, Becker Anna. 2007. Réseaux Bayesiens. s.l. : Eyrolles, 2007.