Il y a encore vingt ans, le machine learning était une branche plus restreinte de l’informatique. Pour cause, les données étaient plus rares. Pourtant, les premiers algorithmes mathématiques d’apprentissage automatique existent depuis les années 40. L’avènement du cloud computing et des applications web a rebattu les cartes.
Ces changements ont contribué aux avancées notables dans le domaine. Mais de quoi parle-t-on exactement ?
Dans le machine learning, les ordinateurs sont entraînés avec des données numériques. On obtient ensuite un algorithme qui utilise un modèle pour résoudre un problème et faire une tâche spécifique. Le modèle déduit mathématiquement des règles à partir des données qui lui sont fournies. Cela lui permet ensuite de trouver une solution à un problème sans avoir été programmée pour le faire.
Qu’est-ce que le machine learning (ML) ?
Le machine learning (ML) est une branche de l’intelligence artificielle où un ordinateur est capable de faire des prédictions et de prendre des décisions en apprenant. À la différence d’un logiciel, il n’a pas besoin d’être explicitement programmé pour accomplir une tâche donnée. Les ordinateurs apprennent à comprendre les tendances et à faire des prédictions grâce à des données d’entraînement. Cela leur permet de peaufiner leur performance au fil du temps. Pour faire simple, dans l’apprentissage automatique, un ordinateur améliore ses performances de manière automatique grâce à l’expérience. Alors que l’homme apprend de ses expériences, la machine apprend à partir des données d’entraînement.
Les différents types de machine learning
On peut identifier trois principaux types de machine learning :
1. L’apprentissage supervisé
L’entraînement du modèle s’effectue sur des données étiquetées. Chaque donnée d’entrée correspond à une sortie (étiquette). Il apprend alors à établir une relation entre l’entrée et la sortie pour prédire ensuite une sortie. C’est ainsi que fonctionne un algorithme d’estimation de maison. Les données d’entrée correspondent aux caractéristiques de la maison (superficie, nombre de pièces, etc.), l’étiquette correspond au prix. Après entraînement, le modèle est capable de prédire le prix.
2. L’apprentissage non supervisé
Ici, l’apprentissage se déroule avec des données non étiquetées. Le modèle reçoit uniquement des entrées et doit établir une relation entre elles. Cette méthode permet de sortir une tendance, puisque le modèle va regrouper les données similaires. On s’en sert également pour former des clusters. Imaginez une personne qui trie des vêtements sans aucune notion de la mode. Elle trie uniquement sur la base des similarités des pièces.
3. L’apprentissage par renforcement
Ici, le modèle apprend par essais et par erreurs en évoluant dans son environnement. Il est pénalisé pour les erreurs et récompensé pour ses bonnes actions. Il ajuste ensuite son comportement en conséquence pour gagner le maximum de récompenses. L’apprentissage par renforcement est notamment utilisé pour entraîner l’IA à des jeux vidéo. Il trouve également son utilité dans le domaine de la médecine et de la robotique.
Apprentissage automatique et apprentissage profond : quelles différences ?
On pense souvent à tort que les deux termes sont synonymes et qu’ils désignent la même chose : l’intelligence artificielle. Faisons la distinction entre les deux. D’abord, le machine learning existe depuis plus longtemps. Les algorithmes sont entraînés sur un volume de données plus petit. Ils ne requièrent pas une grande puissance de calcul, sachant leur simplicité. Cependant, cette simplicité est aussi leur faiblesse : ils ne peuvent faire des distinctions plus précises entre les données.
De son côté, le deep learning (DL) est un concept plus récent, introduit dans les années 80 via le réseau neuronal. Cependant, les chercheurs de l’époque n’ont pas su exploiter son potentiel. Pour cause, la faible puissance de calcul des ordinateurs ne permettait pas d’entraîner un réseau neuronal profond.
La situation a changé puisque les géants de la tech tels que IBM et Amazon exploitent l’apprentissage profond au profit de leurs services. On parle par exemple de la reconnaissance optique de caractères (OCR), de la transcription vocale, des chatbots conversationnels, etc. L’apprentissage profond est à l’origine de nombreuses avancées dans des secteurs variés.
Les deux concepts, ML et DL, adoptent une méthode de résolution de problèmes différente. Un algorithme d’apprentissage automatique risque de faire une mauvaise classification des données en cas de modification, même minime, des caractéristiques d’entrée.
De son côté, un modèle d’apprentissage possède plusieurs couches pour travailler sur chaque aspect des exemples d’entrée. C’est pourquoi celui-ci requiert d’ailleurs un vaste ensemble de données, généralement supérieur à 100 000 échantillons.
Notons que plus un modèle de deep learning est complexe, plus son entraînement coûte cher et prend du temps.
Exemple d’application du machine learning
Voici quelques exemples pour illustrer la présence de l’apprentissage automatique dans notre quotidien.
La détection d’anomalies
Avez-vous déjà reçu une notification de votre banque vous informant d’une transaction anormale ? Celle-ci demande généralement votre autorisation avant de poursuivre. Cette notification est le fruit des algorithmes de détection d’anomalies. Ils identifient les comportements inhabituels en s’appuyant sur les données disponibles. Il n’y a pas que le secteur bancaire. L’apprentissage automatique est aussi incontournable dans la surveillance des phénomènes naturels pour prédire les ouragans et les séismes.
Prévision de prix
La prédiction de valeurs numériques est notamment utilisée pour évaluer le prix d’un bien. Les professionnels de l’immobilier intègrent les algorithmes d’apprentissage automatique dans l’évaluation d’une maison par exemple. Cela leur permet de définir un prix qui leur procure un avantage concurrentiel.
Classification de textes et d’images
Gmail est l’exemple le plus connu avec son algorithme anti-spam. La messagerie de Google classe les e-mails qui sont des menaces potentielles automatiquement dans le dossier spam. Cet algorithme a été entraîné pour la classification du contenu textuel. En matière d’image, on peut citer Apple et ses fonctionnalités comme Face ID. Apple s’appuie sur l’apprentissage automatique pour classer les images présentes dans notre galerie.
Personnalisation de contenu et de l’expérience utilisateur
Netflix en est le parfait exemple avec son système de recommandation. Parmi les 17 000 titres disponibles en catalogue, il est difficile de faire son choix. La plateforme s’appuie donc sur l’apprentissage automatique pour recommander du contenu pertinent. Pour cela, l’algorithme s’appuie sur le profil de l’utilisateur, son historique de visionnage et ses réactions sur les contenus : pouces levés, durée de visionnage, etc. Amazon fait de même avec les comportements d’achat des consommateurs. Les modèles sont entraînés pour comprendre les préférences d’achat, pour ensuite recommander des produits similaires.
