Machine Learning

Qu’est-ce que c’est?

L'apprentissage automatique (AA) est une branche de l'intelligence artificielle (IA) qui permet aux applications logicielles d'améliorer la précision des prédictions, même si elles n'ont pas été conçues spécifiquement à cet effet. L'AA implique le développement et l'utilisation d'algorithmes qui apprennent des tendances à partir de données historiques et servent ainsi à faire des prédictions sur de nouvelles données.

Types de ML

Les principaux types d'apprentissage automatique sont les suivants :

• Apprentissage supervisé (l'IA reçoit des données d'entraînement étiquetées et évalue les corrélations entre les variables définies).
• Apprentissage non supervisé (exploration de données non étiquetées et recherche de liens significatifs)
• Apprentissage semi-supervisé (les algorithmes explorent un peu de données étiquetées et beaucoup de données non étiquetées)
• Renforcement (la machine apprend à réaliser un processus en plusieurs étapes selon des règles spécifiques)

Un service innovant

En matière d'apprentissage automatique supervisé, il est nécessaire d'entraîner les algorithmes à l'aide d'entrées étiquetées et de sorties souhaitées. Les tâches impliquées consistent à diviser les données en deux catégories (classification binaire), à ​​choisir parmi plus de deux réponses (classification multiclasse), à ​​prédire des valeurs continues (modélisation par régression) et à combiner les prédictions de plusieurs modèles d'apprentissage automatique pour obtenir une prédiction précise (apprentissage par ensemble).

Les algorithmes non supervisés sont utilisés, par exemple, dans la plupart des techniques d'apprentissage profond, qui exploitent des réseaux de neurones artificiels simulant le cerveau humain. Ce type d'apprentissage automatique se concentre sur des tâches telles que le regroupement des données en ensembles basés sur leur similarité (clustering), la détection des points de données atypiques (détection d'anomalies), la reconnaissance des éléments fréquemment associés (exploration d'associations) et la réduction du nombre de variables (réduction de dimensionnalité).

Parallèlement, l'apprentissage semi-supervisé exige d'un algorithme qu'il apprenne des dimensions à partir d'un petit ensemble de données étiquetées et qu'il les applique à des données non étiquetées. Les algorithmes sont entraînés à effectuer de la traduction automatique, la détection de fraudes et l'étiquetage de données, c'est-à-dire à appliquer des étiquettes à de grands ensembles de données après un entraînement sur de petits ensembles.

Enfin, l'apprentissage par renforcement consiste à entraîner des algorithmes à atteindre un objectif prédéterminé. De plus, l'intelligence artificielle apprend à viser les récompenses et à éviter les sanctions. Ce type d'apprentissage automatique est utilisé en robotique, dans les jeux vidéo et dans la gestion des ressources.

Où est-il utilisé?

Les applications typiques de l'apprentissage automatique comprennent les moteurs de recommandation (par exemple, celui qui alimente le fil d'actualité de Facebook), les logiciels de gestion de la relation client, l'informatique décisionnelle et l'analyse de données, les systèmes d'information sur les ressources humaines, les véhicules autonomes et les assistants virtuels.

Exemple d'application

Par exemple, l'apprentissage automatique permet à Facebook de personnaliser l'affichage du fil d'actualité pour chaque utilisateur. Si une personne a tendance à privilégier certaines publications d'un groupe spécifique sur ce réseau social, les publications et autres activités de ce groupe apparaîtront plus haut dans son fil d'actualité.

Défis

Premièrement, les projets d'apprentissage automatique engendrent des coûts importants liés au travail des data scientists et à l'infrastructure associée. Deuxièmement, les biais inhérents à l'apprentissage automatique, comme l'entraînement sur des ensembles de données excluant certaines populations, aboutissent à une compréhension inexacte, voire discriminatoire, du monde.