A scalable online machine learning approach for Stock Recommendation
Cet article présente un système de recommandation d'actions en ligne, évolutif et tolérant aux pannes, basé sur une architecture de microservices distribués qui utilise un modèle hybride leader-follower pour l'entraînement continu et le service à faible latence, atteignant un débit élevé tout en traitant des défis tels que la dérive de concept et l'obsolescence des données d'API.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous déambulez dans un marché géant et chaotique où le prix de chaque article change chaque seconde. Certains articles sont des actions, et les gens achètent, vendent et changent constamment d'avis sur ce qu'ils veulent. Dans le monde de l'informatique, c'est le domaine de l'apprentissage automatique, plus précisément une branche appelée apprentissage en ligne (online learning). Contrairement aux ordinateurs traditionnels qui étudient un énorme manuel une fois pour toutes puis s'arrêtent, l'apprentissage en ligne est comme un étudiant qui continue de lire le journal tous les matins, mettant à jour ses connaissances instantanément au fur et à mesure que le monde change. C'est crucial pour des choses comme les marchés boursiers car les « règles » du jeu (ce qui rend une action bonne ou mauvaise) changent constamment. Si un modèle informatique attend trop longtemps pour apprendre, c'est comme essayer de jouer au football avec une carte de l'année dernière ; cela ne fonctionnera tout simplement pas. Le grand défi pour les scientifiques est de construire un système capable d'apprendre assez vite pour suivre ces changements, tout en étant capable de parler à des milliers de personnes à la fois sans planter.
Cet article de Harsh Nagarkar présente une solution ingénieuse à ce problème : un système de recommandation d'actions en ligne évolutif. Voyez ce système comme une équipe de conseillers boursiers hautement technologiques et distribués travaillant dans un immense immeuble de bureaux. L'équipe est divisée en deux rôles : un « Leader » et de nombreux « Suiveurs ». Le Leader est le seul autorisé à effectuer le gros du travail d'apprentissage. Il surveille le flux de données du marché — comme un faucon repérant une nouvelle tendance — et met constamment à jour son cerveau (le modèle mathématique) avec de nouvelles informations. Une fois que le Leader a élaboré une nouvelle stratégie, il écrit rapidement ces nouvelles instructions dans un carnet de notes partagé sur le cloud. Les Suiveurs, quant à eux, sont ceux qui parlent réellement aux utilisateurs. Ils ne font aucun apprentissage ; ils se contentent de récupérer les dernières instructions du carnet de notes sur le cloud et disent instantanément à l'utilisateur : « Hé, d'après ce que vous aimez, vous devriez acheter cette action. »
L'article conclut que cette configuration « Leader-Suiveur » fonctionne étonnamment bien. Le système peut gérer un trafic énorme, traitant jusqu'à 300 requêtes d'ajout de portefeuille par seconde pour chaque suiveur. Lorsqu'un utilisateur demande une recommandation, le système la délivre en seulement 2 à 3 secondes. Le modèle lui-même est étonnamment simple, n'ayant besoin que de cinq informations pour faire une supposition : le nom de l'action, son prix actuel, son bénéfice par action (EPS) et deux indicateurs techniques appelés MACD-K et MACD-S. En utilisant une technique appelée « apprentissage par transfert » (transfer learning), le système peut s'adapter aux goûts changeants d'un utilisateur (comme s'il devenait soudainement plus prudent face au risque) sans avoir besoin d'être entièrement reconstruit à partir de zéro.
Cependant, l'article prend soin de préciser que ce n'est pas une machine à fabriquer de l'argent magique. Le système présente de réelles limites concrètes. Comme les données proviennent d'un service API spécifique, l'information n'est pas toujours fraîche ; les données peuvent avoir jusqu'à 150 minutes de retard avant d'être mises à jour. Cela signifie que la « carte du marché » utilisée par le système peut être un peu obsolète. De plus, le système manque actuellement de certaines couches de sécurité avancées, comme un « maillage de services » (service mesh), qui agirait comme un garde de sécurité pour les conversations internes entre les serveurs informatiques. Les auteurs suggèrent que, bien que cette architecture soit un prototype solide et fonctionnel qui équilibre vitesse et apprentissage, les versions futures devront mettre à niveau le flux de données pour qu'il soit plus rapide et ajouter plus de sécurité pour être prêtes pour le monde réel. En fin de compte, l'article suggère que séparer la partie « apprentissage » de la partie « communication » est une manière intelligente de construire des systèmes capables de croître et de s'adapter sans se briser.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.