L'apprentissage automatique peut sembler être un cours à suivre pour travailler dans une usine, mais en informatique, c'est un sous-ensemble de l'intelligence artificielle (IA). En un mot, il permet aux systèmes d'améliorer leurs performances en apprenant à partir d'expériences et de données. Ce sous-ensemble de l'IA est tellement ancré dans les logiciels modernes que bon nombre des technologies existantes que nous tenons pour acquises ne seraient pas possibles sans lui.
Qu'est-ce que l'apprentissage automatique exactement (avec des exemples)?
Alors, qu'est-ce que l'apprentissage automatique (ML) exactement, et pourquoi est-ce si important ? Eh bien, le ML est une application de l'IA et une branche de l'informatique qui permet aux systèmes d'apprendre à partir d'expériences, de données et d'algorithmes pour améliorer leur précision. Fait intéressant, les développeurs n'ont pas besoin de programmer explicitement les machines pour tirer parti du ML — les ordinateurs peuvent apprendre par eux-mêmes sans intervention humaine.
La technologie moderne comme les chatbots, les assistants virtuels, les logiciels antivirus proactifs, et bien plus s'appuie fortement sur l'apprentissage automatique. Par exemple, les véhicules autonomes utilisent plusieurs algorithmes de ML basés sur des modèles d'apprentissage supervisé et non supervisé pour décider quelles actions prendre afin de conduire aussi bien, voire mieux, que des humains.
De même, la cybersécurité pour les entreprises comme Endpoint Detection and Response (EDR) peut utiliser l'apprentissage automatique pour détecter les malwares inconnus et identifier les menaces "zero-day" en repérant des motifs malveillants. Ce n'est que la partie émergée de l'iceberg concernant l'impact futur de l'apprentissage automatique sur la cybersécurité.
Le ML et l'IA permettent également aux machines de communiquer sans intervention humaine. De telles applications machine-to-machine (M2M) peuvent aider les systèmes de gestion de la chaîne d'approvisionnement ou d'entrepôt à suivre et à surveiller efficacement les stocks. De même, les applications M2M aident les entreprises énergétiques à gérer l'approvisionnement plus précisément en envoyant les données collectées des sources d'énergie pour analyse sur des ordinateurs distants.
Quelles sont certaines méthodes courantes d'apprentissage automatique?
Apprentissage automatique supervisé
L'apprentissage supervisé consiste à entraîner des algorithmes avec des ensembles de données étiquetées sous la supervision d'un guide. Les données supervisées sont plus courantes que les autres méthodes d'apprentissage car elles peuvent être plus efficaces. Un exemple de ce type de ML est lorsque des algorithmes peuvent classer les spams dans votre boîte de réception.
Apprentissage automatique non supervisé
L'apprentissage non supervisé consiste pour un algorithme à travailler avec des données non étiquetées de manière autonome. Il doit déterminer lui-même comment traiter les informations. Les chercheurs peuvent utiliser l'apprentissage non supervisé pour trouver des motifs et des regroupements de données dans des ensembles de données non étiquetés sans intervention. Bien sûr, un analyste de données pourrait encore avoir besoin de valider les recommandations de l'apprentissage automatique non supervisé.
Apprentissage automatique semi-supervisé
L'apprentissage semi-supervisé trouve un équilibre entre l'apprentissage supervisé et non supervisé en entraînant des algorithmes avec des données étiquetées et non étiquetées. En général, le volume de données étiquetées est plus petit, tandis que le volume de données non étiquetées est beaucoup plus large. Une application de l'apprentissage semi-supervisé se trouve dans un hôpital, où un radiologue étiquette un petit nombre de scans pour les maladies afin d'aider les machines à extraire avec précision les informations pertinentes d'un volume plus important.
Apprentissage automatique par renforcement
L'apprentissage par renforcement est comme l'apprentissage supervisé, sauf que l'algorithme apprend par essais et erreurs et récompenses différées au lieu de données exemplaires. Par exemple, un véhicule autonome peut apprendre à travers des erreurs dans un environnement d'entraînement quelles décisions sont indésirables. De même, un système de santé peut l'utiliser pour déterminer des politiques optimales à partir d'expériences passées.
Quelle est la différence entre l'intelligence artificielle et l'apprentissage automatique?
En examinant AI vs. apprentissage automatique, vous pourriez remarquer que certaines personnes utilisent incorrectement les termes de manière interchangeable. L'AI est essentiellement un terme générique pour l'intelligence synthétique. Pendant ce temps, l'apprentissage automatique est un domaine de l'IA qui permet aux machines d'apprendre à partir d'expériences et de données sans que quelqu'un ne les programme ou ne les aide à le faire. Une machine qui utilise l'AI n'a pas nécessairement des capacités de ML. Par exemple, en 1996, le système d'échecs Deep Blue d'IBM utilisait plus d'AI et moins de ML pour battre le grand maître russe Garry Kasparov en évaluant d'innombrables mouvements en temps réel.
Quels secteurs utilisent l'apprentissage automatique?
- Les gouvernements utilisent le ML pour les services publics, la sécurité publique, la détection de fraudes ou le contrôle des frontières en analysant un volume massif de données.
- Les entreprises de santé utilisent le ML pour améliorer le diagnostic et le traitement, et développer des dispositifs de surveillance de santé précis.
- Les entreprises de vente au détail peuvent améliorer leurs objectifs de marketing ciblé en analysant les habitudes d'achat des clients.
- Le secteur de l'énergie trouve des sources plus efficacement grâce à des algorithmes d'apprentissage automatique.
- De nombreuses entreprises du secteur des transports, telles que les entreprises de livraison, les services de covoiturage, et les transports en commun, utilisent des ordinateurs pour trouver les itinéraires idéaux afin d'améliorer les services, la rentabilité, et la réduction de l'empreinte carbone.
- L'industrie financière utilise l'apprentissage automatique pour améliorer la cybersécurité et les analyses de données essentielles.
Netflix utilise-t-il l'apprentissage automatique?
Oui, Netflix utilise plusieurs applications de ML. L'une des plus évidentes est leur système de recommandation de contenu. Le système utilise le ML pour examiner vos préférences de genre, votre historique de visionnage, et l'historique de visionnage d'utilisateurs similaires pour vous suggérer des films, des séries et des documentaires à essayer.