Intelligence Artificielle

Définition Machine Learning

l’apprentissage machine (ML)

⌚: 4 minutes

L’apprentissage machine (ML) est un type d’intelligence artificielle (IA) qui permet aux applications logicielles d’être plus précises dans la prévision des résultats sans être explicitement programmées pour le faire. Les algorithmes d’apprentissage machine utilisent des données historiques comme entrée pour prédire de nouvelles valeurs de sortie.

Les moteurs de recommandation sont un cas d’utilisation courant pour l’apprentissage machine. Parmi les autres utilisations courantes, citons la détection de la fraude, le filtrage du spam, la détection des menaces de logiciels malveillants, l’automatisation des processus d’entreprise (BPA) et la maintenance prédictive.

Formation à l’apprentissage machine

L’apprentissage machine classique est souvent catégorisé selon la façon dont un algorithme apprend à devenir plus précis dans ses prédictions. Il existe deux approches de base : l’apprentissage supervisé et l’apprentissage non supervisé. Le type d’algorithme qu’un scientifique choisit d’utiliser dépend du type de données qu’il veut prédire.

Comment fonctionne l’apprentissage machine supervisé

L’apprentissage machine supervisé exige que le spécialiste des données forme l’algorithme avec des entrées étiquetées et des sorties souhaitées. Les algorithmes d’apprentissage supervisé sont bons pour les tâches suivantes :

Classification binaire – division des données en deux catégories.
Classification multi-classes – choix entre plus de deux types de réponses.
Modélisation de la régression – prédire des valeurs continues.
Assemblage – combinaison des prédictions de plusieurs modèles d’apprentissage machine pour produire une prédiction précise.
Comment fonctionne l’apprentissage machine non supervisé

Les algorithmes de ML non supervisés n’exigent pas que les données soient étiquetées. Ils passent au crible les données non étiquetées pour rechercher des modèles qui peuvent être utilisés pour regrouper des points de données en sous-ensembles. Les algorithmes d’apprentissage non supervisés sont bons pour les tâches suivantes :

Regroupement – division de l’ensemble de données en groupes basés sur la similarité.
Détection d’anomalie – identification de points de données inhabituels dans un ensemble de données.
Exploration d’associations — identification des ensembles d’éléments dans un ensemble de données qui se produisent fréquemment ensemble.
Réduction de la dimensionnalité — réduction du nombre de variables dans un ensemble de données.

Utilisations de l’apprentissage machine

Aujourd’hui, l’apprentissage machine est utilisé dans un large éventail d’applications. L’un des exemples les plus connus de l’apprentissage machine en action est peut-être le moteur de recommandation qui alimente le fil d’actualité de Facebook.

Facebook utilise l’apprentissage automatique pour personnaliser la façon dont le fil d’actualité de chaque membre est diffusé. Si un membre s’arrête fréquemment pour lire les messages d’un groupe particulier, le moteur de recommandation commencera à montrer plus d’activité de ce groupe plus tôt dans le flux.

En coulisses, le moteur tente de renforcer les modèles connus du comportement en ligne du membre. Si le membre change de modèle et ne s’arrête pas pour lire les messages de ce groupe dans les semaines à venir, le fil d’actualité sera ajusté en conséquence.

En plus des moteurs de recommandation, les autres utilisations de l’apprentissage machine sont les suivantes:

  • Gestion de la relation client – Le logiciel de CRM peut utiliser des modèles d’apprentissage automatique pour analyser les courriels et inciter les membres de l’équipe de vente à répondre en premier aux messages les plus importants. Des systèmes plus avancés peuvent même recommander des réponses potentiellement efficaces.
  • Intelligence économique – les vendeurs de business intelligence et d’analyse utilisent l’apprentissage automatique dans leurs logiciels pour identifier les points de données potentiellement importants, les modèles de points de données et les anomalies.
  • Systèmes d’information sur les ressources humaines – Les systèmes de SIRH peuvent utiliser des modèles d’apprentissage automatique pour filtrer les candidatures et identifier les meilleurs candidats pour un poste ouvert.
  • Voitures autonomes – Les algorithmes d’apprentissage machine peuvent même permettre à une voiture semi-autonome de reconnaître un objet partiellement visible et d’alerter le conducteur.
  • Assistants virtuels – Les assistants intelligents combinent généralement des modèles d’apprentissage machine supervisés et non supervisés pour interpréter la parole naturelle et le contexte de l’offre.

Choisir le bon modèle d’apprentissage machine

Le processus de choix du bon modèle d’apprentissage machine pour résoudre un problème peut prendre du temps s’il n’est pas abordé de manière stratégique.

Étape 1 : Aligner le problème sur les données potentielles à prendre en compte pour la solution. Cette étape nécessite l’aide de scientifiques et d’experts en données qui ont une compréhension approfondie du problème.

Étape 2 : Collecte des données, formatage et étiquetage des données si nécessaire. Cette étape est généralement menée par des scientifiques spécialisés dans les données (data scientist), avec l’aide de spécialistes des données.

Étape 3 : Choisir le ou les algorithmes à utiliser et les tester pour voir s’ils fonctionnent bien. Cette étape est généralement menée par des spécialistes des données.

Étape 4 : Continuer à affiner les résultats jusqu’à ce qu’ils atteignent un niveau de précision acceptable. Cette étape est généralement effectuée par des spécialistes des données avec le retour d’informations d’experts ayant une connaissance approfondie du problème.

Importance de l’apprentissage machine interprétable par l’homme

Expliquer le fonctionnement d’un modèle de ML spécifique peut être difficile lorsque le modèle est complexe. Dans certaines industries verticales, les spécialistes des données doivent utiliser des modèles simples d’apprentissage machine, car il est important pour l’entreprise d’expliquer comment chaque décision a été prise. C’est particulièrement vrai dans les secteurs où le respect des règles est très lourd, comme les banques et les assurances.

Les modèles complexes permettent de faire des prévisions précises, mais il peut être difficile d’expliquer à un profane comment un résultat a été déterminé.

L’avenir de l’apprentissage machine

Bien que les algorithmes d’apprentissage automatique existent depuis des décennies, ils ont atteint une nouvelle popularité à mesure que l’intelligence artificielle (IA) a pris de l’importance. Les modèles d’apprentissage profond, en particulier, sont à la base des applications d’IA les plus avancées d’aujourd’hui.

Les plateformes d’apprentissage machine font partie des domaines technologiques les plus concurrentiels de l’entreprise, la plupart des grands fournisseurs, dont Amazon, Google, Microsoft, IBM et d’autres, se précipitant pour inscrire leurs clients à des services de plateforme qui couvrent le spectre des activités d’apprentissage machine, notamment la collecte et la préparation de données, la classification des données, la construction de modèles, la formation et le déploiement d’applications.

Alors que l’apprentissage machine continue à prendre de l’importance pour les opérations commerciales et que l’IA devient de plus en plus pratique dans les entreprises, les guerres de plates-formes d’apprentissage machine ne feront que s’intensifier.

La recherche continue sur l’apprentissage approfondi et l’IA est de plus en plus axée sur le développement d’applications plus générales. Les modèles actuels d’IA nécessitent une formation approfondie afin de produire un algorithme hautement optimisé pour effectuer une tâche. Mais certains chercheurs explorent des moyens de rendre les modèles plus flexibles et recherchent des techniques qui permettent à une machine d’appliquer le contexte appris d’une tâche à d’autres tâches futures.

Ecrire un commentaire