Points clés à retenir
- L'apprentissage automatique est un sous-domaine de l'intelligence artificielle (IA). En résumé, il permet aux systèmes d'améliorer leurs performances en tirant des enseignements de leurs expériences et des données.
- L'apprentissage automatique (ML) consiste à créer des algorithmes qui permettent aux machines d'apprendre de leurs expériences. L'IA vise à construire des machines intelligentes, tandis que l'apprentissage automatique est le moteur qui permet de former ces machines à partir de données.
- Malwarebytes l'apprentissage automatique pour détecter les logiciels malveillants qui n'ont encore jamais été observés dans la nature, y compris les menaces de type « zero-day ».
- La détection des anomalies basée sur le machine learning permet d'identifier les comportements suspects en reconnaissant les schémas qui s'écartent de la norme.
- L'apprentissage profond est l'une des formes les plus avancées de l'apprentissage automatique ; il est à l'origine de nouvelles avancées dans de nombreux secteurs, notamment celui de la cybersécurité.
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 former des algorithmes à partir d'ensembles de données étiquetées sous la direction d'un superviseur. Les données supervisées sont plus courantes que les autres méthodes d'apprentissage car elles sont plus efficaces. Un exemple de ce type de ML est celui des algorithmes capables de 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.