L'apprentissage automatique peut sembler être un cours qu'il faut suivre pour travailler dans une usine, mais en informatique, il s'agit d'un sous-ensemble de l'intelligence artificielle (IA). En bref, il permet aux systèmes d'améliorer leurs performances en tirant des enseignements de leurs expériences et de leurs données. Le sous-ensemble de l'IA est tellement ancré dans les logiciels modernes que de nombreuses technologies existantes que nous tenons pour acquises ne seraient pas possibles sans lui.
Qu'est-ce que l'apprentissage automatique (avec des exemples) ?
Qu'est-ce que l'apprentissage automatique et pourquoi est-il si important ? L'apprentissage automatique est une application de l'IA et une branche de l'informatique qui permet aux systèmes d'apprendre à partir de l'expérience, des données et des algorithmes afin d'améliorer la précision. Il est intéressant de noter que les développeurs n'ont pas besoin de programmer explicitement les machines pour tirer parti de l'apprentissage automatique - les ordinateurs peuvent apprendre d'eux-mêmes sans intervention humaine.
Les technologies modernes telles que les chatbots, les assistants virtuels, les logiciels antivirus proactifs, et bien d'autres encore, s'appuient fortement sur l'apprentissage automatique. Par exemple, les véhicules auto-conduits utilisent plusieurs algorithmes d'apprentissage automatique basés sur des modèles d'apprentissage supervisés et non supervisés pour décider des actions à entreprendre afin de conduire aussi bien, voire mieux, que les humains.
De même, la cybersécurité pour les entreprises, comme la détection et la réponse aux points de terminaison (EDR), peut utiliser l'apprentissage automatique pour détecter des malwares inconnus et trouver des menaces "zero-day" inconnues en identifiant des schémas malveillants. Il ne s'agit là que de la partie émergée de l'iceberg concernant l'impact de l'apprentissage automatique sur la cybersécurité à l'avenir.
La ML et l'IA permettent également la communication entre machines sans intervention humaine. Ces applications de machine à machine (M2M) peuvent aider les systèmes de gestion de la chaîne d'approvisionnement ou des entrepôts à suivre et à contrôler efficacement les stocks. De même, les applications M2M aident les entreprises du secteur de l'énergie à gérer l'approvisionnement avec plus de précision en envoyant les données de collecte des sources de récolte d'énergie à des ordinateurs distants pour analyse.
Quelles sont les méthodes d'apprentissage automatique les plus courantes ?
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
On parle d'apprentissage non supervisé lorsqu'un algorithme travaille avec des données non étiquetées et non supervisées. Il doit déterminer lui-même comment traiter les informations. Les chercheurs peuvent utiliser l'apprentissage non supervisé pour trouver des modèles et des regroupements de données dans des ensembles de données non marquées sans intervenir. Bien entendu, un analyste de données peut toujours avoir besoin de valider les recommandations de l'apprentissage automatique non supervisé.
Apprentissage automatique semi-supervisé
L'apprentissage semi-supervisé établit un équilibre entre l'apprentissage supervisé et non supervisé en formant les algorithmes avec des données étiquetées et non étiquetées. Généralement, le volume de données étiquetées est plus petit, tandis que le volume de données non étiquetées est beaucoup plus grand. Une application de l'apprentissage semi-supervisé se trouve dans un hôpital, où un radiologue étiquette un petit nombre de scanners pour détecter des maladies afin d'aider les machines à extraire avec précision des informations pertinentes à partir d'un volume plus important.
Apprentissage automatique par renforcement
L'apprentissage par renforcement est semblable à l'apprentissage supervisé, sauf que l'algorithme apprend par essais et erreurs et par des récompenses différées au lieu d'échantillons de données. Par exemple, un véhicule autonome peut apprendre, grâce aux erreurs commises dans un environnement de formation, quelles sont les décisions indésirables. De même, un système de soins de santé peut l'utiliser pour déterminer les politiques optimales à partir d'expériences passées.
Quelle est la différence entre l'IA et l'apprentissage automatique ?
Lorsque vous cherchez à comparer l'IA et l'apprentissage automatique, vous remarquerez peut-être que certaines personnes utilisent à tort ces termes de manière interchangeable. L'IA est essentiellement un terme générique désignant l'intelligence synthétique. Quant à l'apprentissage automatique, il s'agit d'un aspect de l'IA qui permet aux machines d'apprendre à partir d'expériences et de données sans que personne ne les programme ou ne les aide à le faire. Une machine qui utilise l'IA n'a pas nécessairement des capacités d'apprentissage automatique. Par exemple, en 1996, le système de jeu d'échecs Deep Blue d'IBM a utilisé plus d'IA et moins de ML pour vaincre le grand maître russe Garry Kasparov en évaluant d'innombrables mouvements en temps réel.
Quels sont les secteurs qui utilisent l'apprentissage automatique ?
- Les gouvernements utilisent l'apprentissage automatique pour les services publics, la sécurité publique, la détection des fraudes ou le contrôle des frontières en analysant un volume massif de données.
- Les entreprises du secteur de la santé utilisent l'apprentissage automatique pour améliorer le diagnostic et le traitement, et mettre au point des dispositifs de surveillance de la santé précis.
- Les entreprises de vente au détail peuvent améliorer leurs objectifs de marketing ciblés en analysant les habitudes d'achat des clients.
- Le secteur de l'énergie trouve des sources plus efficacement grâce aux algorithmes d'apprentissage automatique.
- De nombreuses entreprises du secteur des transports, telles que les sociétés de livraison, les entreprises de covoiturage et les transports publics, utilisent des ordinateurs pour trouver les itinéraires idéaux afin d'améliorer les services, la rentabilité et la réduction de l'empreinte carbone.
- Le secteur financier utilise l'apprentissage automatique pour améliorer la cybersécurité et les données essentielles.
Netflix utilise-t-il l'apprentissage automatique ?
Oui, Netflix utilise la ML pour de multiples applications. L'une des plus évidentes est son système de recommandation de contenu. Le système utilise la ML pour examiner vos préférences en matière de genre, votre historique de visionnage et l'historique de visionnage des utilisateurs partageant les mêmes idées, afin de vous suggérer des films et des documentaires que vous pouvez essayer.