{"id":2765,"date":"2026-09-14T08:35:42","date_gmt":"2026-09-14T08:35:42","guid":{"rendered":"https:\/\/www.bytek.ai\/?p=2765"},"modified":"2026-09-14T10:42:49","modified_gmt":"2026-09-14T10:42:49","slug":"une-nouvelle-facon-de-faire-des-predictions-a-partir-des-donnees-nous-avons-teste-tabfm","status":"publish","type":"post","link":"https:\/\/www.bytek.ai\/fr\/blog\/une-nouvelle-facon-de-faire-des-predictions-a-partir-des-donnees-nous-avons-teste-tabfm\/","title":{"rendered":"Une nouvelle fa\u00e7on de faire des pr\u00e9dictions \u00e0 partir des donn\u00e9es ? Nous avons test\u00e9 TabFM"},"content":{"rendered":"

TabFM<\/a> est un mod\u00e8le d\u00e9velopp\u00e9 par Google Research pour des t\u00e2ches de classification et de r\u00e9gression. Il introduit une approche diff\u00e9rente de celle des workflows traditionnels de machine learning appliqu\u00e9s aux donn\u00e9es structur\u00e9es.<\/p>\n

Il ne n\u00e9cessite pas d\u2019entra\u00eener un nouveau mod\u00e8le sur ses propres donn\u00e9es. Il repose \u00e0 la place sur l\u2019in-context learning : les donn\u00e9es historiques sont fournies comme contexte, et TabFM utilise ces exemples pour g\u00e9n\u00e9rer directement des pr\u00e9dictions au moment de l\u2019inf\u00e9rence.<\/p>\n

Conceptuellement, cette approche est similaire \u00e0 celle des mod\u00e8les de langage lorsqu\u2019ils re\u00e7oivent des exemples directement dans un prompt.<\/span><\/p>\n

Google a \u00e9galement int\u00e9gr\u00e9 TabFM directement dans BigQuery<\/a>, o\u00f9 il peut \u00eatre utilis\u00e9 en SQL avec AI.PREDICT et \u00e9valu\u00e9 avec AI.EVALUATE, sans avoir \u00e0 g\u00e9rer s\u00e9par\u00e9ment l\u2019entra\u00eenement et le d\u00e9ploiement du mod\u00e8le.<\/p>\n

Cela nous a naturellement amen\u00e9s \u00e0 nous poser une question :<\/span><\/p>\n

dans quelle mesure cette approche peut-elle \u00eatre comp\u00e9titive face aux mod\u00e8les de type ML d\u00e9j\u00e0 utilis\u00e9s au sein de la ByTek Prediction Platform ?<\/b><\/p>\n

Nous avons donc d\u00e9cid\u00e9 de r\u00e9aliser quelques tests.<\/span><\/p>\n

M\u00e9thodologie de l\u2019analyse<\/span><\/h2>\n

Nous avons s\u00e9lectionn\u00e9 trois jeux de donn\u00e9es r\u00e9els pr\u00e9sentant des caract\u00e9ristiques assez diff\u00e9rentes et compar\u00e9 TabFM avec les mod\u00e8les BPP sur des t\u00e2ches de classification.<\/p>\n

Une pr\u00e9cision importante : il ne s\u2019agit pas d\u2019un benchmark d\u00e9finitif, et notre objectif n\u2019est pas d\u2019\u00e9tablir quelle technologie est globalement la meilleure.<\/p>\n

Il s\u2019agit d\u2019une analyse exploratoire bas\u00e9e sur trois cas sp\u00e9cifiques, que nous avons jug\u00e9s suffisamment int\u00e9ressants pour \u00eatre partag\u00e9s.<\/span><\/p>\n

Les jeux de donn\u00e9es :<\/span><\/p>\n

Dataset A<\/b>
\n<\/b>Principalement des caract\u00e9ristiques d\u00e9mographiques et li\u00e9es aux canaux.<\/span>
\n<\/span>Taux de positifs : 6,5 %<\/p>\n

Dataset B<\/b>
\n<\/b>Des caract\u00e9ristiques comportementales plus riches, notamment les essais, les d\u00e9mos et les connexions.<\/span>
\n<\/span>Taux de positifs : 11,8 %<\/p>\n

Dataset C<\/b>
\n<\/b>Des donn\u00e9es d\u00e9mographiques et transactionnelles.<\/span>
\n<\/span>Taux de positifs : 27,9 %<\/p>\n

Pour comparer les performances, nous nous sommes principalement concentr\u00e9s sur deux m\u00e9triques : ROC-AUC et PR-AUC.<\/p>\n

La ROC-AUC mesure la capacit\u00e9 du mod\u00e8le \u00e0 classer correctement l\u2019ensemble de la population, en distinguant les cas ayant une probabilit\u00e9 plus \u00e9lev\u00e9e d\u2019\u00eatre positifs de ceux qui ont davantage de chances d\u2019\u00eatre n\u00e9gatifs.<\/p>\n

La PR-AUC, en revanche, se concentre davantage sur la capacit\u00e9 du mod\u00e8le \u00e0 identifier correctement les cas positifs. Elle devient particuli\u00e8rement pertinente lorsque la classe positive est minoritaire et lorsque, d\u2019un point de vue op\u00e9rationnel, la qualit\u00e9 des premi\u00e8res positions du classement est essentielle.<\/p>\n

R\u00e9sultats de la comparaison<\/span><\/h2>\n

Sur la ROC-AUC, les mod\u00e8les BPP ont obtenu les meilleurs r\u00e9sultats sur les trois jeux de donn\u00e9es.<\/p>\n

Sur le Dataset B, toutefois, l\u2019\u00e9cart n\u2019est que de 0,002 point, ce qui correspond dans les faits \u00e0 un r\u00e9sultat tr\u00e8s proche.<\/p>\n

La situation est plus nuanc\u00e9e pour la PR-AUC.<\/p>\n

Les mod\u00e8les BPP obtiennent les meilleurs r\u00e9sultats sur deux jeux de donn\u00e9es : avec une nette avance sur le Dataset A et un avantage plus limit\u00e9 sur le Dataset C.<\/span><\/p>\n

TabFM obtient en revanche de meilleurs r\u00e9sultats sur le Dataset B, celui qui contient les signaux comportementaux les plus riches.<\/p>\n

Les r\u00e9sultats, TabFM vs mod\u00e8les BPP :<\/p>\n\n\n\n\n\n\n
Dataset<\/b><\/td>\nPR-AUC TabFM<\/b><\/td>\nPR-AUC BPP<\/b><\/td>\nROC-AUC TabFM<\/b><\/td>\nROC-AUC BPP<\/b><\/td>\n<\/tr>\n
A<\/span><\/td>\n0,286<\/span><\/td>\n0,542<\/b><\/td>\n0,845<\/span><\/td>\n0,910<\/b><\/td>\n<\/tr>\n
B<\/span><\/td>\n0,771<\/b><\/td>\n0,713<\/span><\/td>\n0,939<\/span><\/td>\n0,941<\/b><\/td>\n<\/tr>\n
C<\/span><\/td>\n0,816<\/span><\/td>\n0,903<\/b><\/td>\n0,915<\/span><\/td>\n0,952<\/b><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

\"\"<\/p>\n

Naturellement, la m\u00e9trique la plus pertinente d\u00e9pend de la mani\u00e8re dont la pr\u00e9diction va \u00eatre utilis\u00e9e.<\/span><\/p>\n

Si le mod\u00e8le sert, par exemple, \u00e0 classer des leads afin de d\u00e9terminer lesquels contacter en priorit\u00e9, la qualit\u00e9 des premi\u00e8res positions du classement devient d\u00e9terminante, ce qui rend la PR-AUC particuli\u00e8rement pertinente.<\/p>\n

Si, au contraire, le score pr\u00e9dictif est utilis\u00e9 pour cr\u00e9er des audiences, segmenter une population ou exclure des utilisateurs pr\u00e9sentant une tr\u00e8s faible probabilit\u00e9 de conversion, la qualit\u00e9 du classement global devient tout aussi importante, ce qui rend la ROC-AUC particuli\u00e8rement utile.<\/p>\n

Impact de l\u2019augmentation des ressources de calcul<\/span><\/h2>\n

Sur le Dataset A, nous avons voulu comprendre si une augmentation importante de la taille du contexte et de la charge de calcul pouvait contribuer \u00e0 r\u00e9duire l\u2019\u00e9cart.<\/span><\/p>\n

Nous sommes pass\u00e9s:<\/span><\/p>\n