Le machine learning, ou apprentissage automatique, est un procédé informatique qui est fréquemment utilisé dans la mise en place d’intelligence artificielle. Le Machine learning est un concept prenant de plus en plus de place dans l’informatique, mais ce terme est souvent inconnu du grand public. Comment l’apprentissage d’une machine se fait-elle ? La réponse dans cet article.
Définition du machine learning
Le machine learning ou « apprentissage automatique » en français, est un concept en étroite collaboration avec l’intelligence artificielle. Ce terme traduit une approche dans laquelle une machine va pouvoir apprendre par elle-même, afin de pouvoir apporter une réponse à la suite d’opérations complexes.
L’objectif principal de ce concept est de permettre à une machine, ou ordinateur, d’apporter des solutions automatiques en fonction de données préalablement reçues. Cet apprentissage automatique, également appelé apprentissage statistique, implique la possibilité pour une machine de traiter un nombre de données colossal dans de brefs délais et de pouvoir apprendre des choix réalisés au préalable ou non.
Ce type d’approche est une révolution dans le domaine de l’intelligence artificielle et ouvre les portes à un nombre de possibilités incommensurable. Néanmoins, même si le machine learning commence à évoluer considérablement et prendre de l’ampleur sur le marché de l’intelligence artificielle, il existe encore des limites technologiques à l’usage massif de ce concept.
Les différents procédés d’apprentissage
Le machine learning est donc un concept permettant à une machine de réaliser des choix stratégiques en fonction de données et d’informations préalablement enregistrées. Pour ce faire, la machine ou ordinateur, passe par un programme informatique ou algorithme complexe, lui permettant d’apprendre automatiquement.
Il existe aujourd’hui 2 grands types qui sont :
- L’apprentissage supervisé ou analyse discriminatoire ;
- L’apprentissage non-supervisé ou de classification.
L’apprentissage supervisé ou analyse discriminatoire
L’apprentissage supervisé se fait à l’aide de données déjà cataloguées et classées. Il s’agira ensuite de « trier » les nouvelles données introduites, pour savoir à quelle classe elles appartiennent.
La réponse de la machine se fera par rapport à des modèles préalablement introduits dans le système. Dans ce cas, l’apprentissage se fait donc en deux étapes. La première consiste à modéliser des données cataloguées, ou autrement dit, instaurer des réponses suivant la valeur des données.
La seconde étape consiste à baser la réponse sur une nouvelle donnée en fonction des modèles préalablement définis, afin de pouvoir ainsi cataloguer ces nouvelles données et les prendre comme modèle pour les futures données.
L’apprentissage non-supervisé ou de classification
L’apprentissage non supervisé ne se base en aucun cas sur des éléments prédéfinis. C’est la machine ou ordinateur qui catégorisera par lui-même les données reçues en cherchant certaines similitudes. Ce type de méthode permet donc un réel apprentissage automatique, où la machine n’est pas supervisée par l’homme et où elle réalise de son propre-chef des associations, par rapport à des données brutes pas encore catégorisées.
La différence entre l’apprentissage supervisé et non-supervisé
La grande différence entre l’apprentissage supervisé et l’apprentissage non supervisé est l’étiquetage des données.
Dans le cas du premier type d’apprentissage, des données sont donc déjà classées et assimilées par la machine qui, par la suite, « se contentera » de comparer les nouvelles données avec les modèles préexistants, pour apporter une réponse plus ou moins préétablie en fonction de la valeur des nouvelles données.
Dans le second cas, la machine obtient toutes les données brutes et va elle-même essayer de trouver des rapports avec ces données, pour apporter une réponse spécifique et non-établie. Cette réponse peut aller plus loin que la compréhension humaine d’une situation.
Voici un exemple pour vous permettre de bien assimiler la différence entre ces deux apprentissages :
- L’apprentissage supervisé : comme expliqué précédemment, dans un apprentissage supervisé, le système a déjà des modèles et des données préétablies. Imaginons ici que ces modèles soient des triangles et des ronds. Lorsqu’une nouvelle donnée apparait, ici un triangle vert, celui-ci est traité par la machine et catégorisé dans les triangles. Dans ce cas, la machine ne prend en compte que la forme puisque les modèles établis n’impliquent que la forme ;
- L’apprentissage non-supervisé : avec l’apprentissage non-supervisé, les données brutes sont donc soumises au traitement par la machine, qui les classifiera selon les critères qu’elle même prendra en compte. Elle pourra donc classifier les informations par forme, par couleur, ou encore par forme et couleur, ajoutant donc un nombre de paramètres beaucoup plus grand que ce qui aurait pu être pensé par l’homme.
Il est très important d’ajouter que certains systèmes de machine learning font intervenir les deux types d’apprentissage, pour permettre l’obtention de résultats plus précis et ainsi éviter certaines déviances que pourrait causer l’apprentissage non-supervisé.
Différencier le machine learning et l’intelligence artificielle
L’intelligence artificielle et le machine learning font tous les deux parties de la science informatique, néanmoins, même si ces deux technologies sont très associées l’une à l’autre, elles n’en restent pas moins bien distinctes et beaucoup de personnes utilisent les deux termes comme synonymes, à tords.
Voici un tableau comparatif pour bien différencier l’intelligence artificielle et le machine learning.
Intelligence Artificielle |
Machine learning |
| Simule le comportement humain | Permet d'apprendre automatiquement des données sans programmation explicite |
| Le but est de créer un système informatique tout aussi intelligent que l’homme pour résoudre des problèmes complexes | Le but est de permettre aux machines d'apprendre des données afin qu'elles puissent produire des résultats précis. |
| Créer des systèmes intelligents pour effectuer n'importe quelle tâche comme un être-humain. | Enseigner aux machines à partir de données afin de leur permettre d’effectuer une tâche particulière et de donner un résultat précis. |
| L’apprentissage automatique (machine learning) et l’apprentissage en profondeur sont les deux plus grands sous ensemble de l’intelligence artificielle. | L’apprentissage en profondeur est le grand sous ensemble du machine Learning. |
| Large palette de possibilités | Les possibilités sont limitées |
| Exemple d’intelligence artificielle : Siri | Exemple de machine learning : suggestion d’auto-tag, d’amis sur Facebook. |
| L’intelligence artificielle apprend, résonne et s’auto-corrige. | Le machine learning apprend et s’auto-corrige avec de nouvelles données mais ne résonne pas. |
Exemples du machine learning
Le e-commerce et Amazon
Amazon démontre bien la place du machine learning dans le e-commerce, avec leur système de recommandation de produit, en fonction des recherches que vous avez effectué au préalable et en prévoyant vos futurs besoins.
La santé et IBM
L’entreprise IBM a développé un algorithme de machine learning capable de synthétiser les textes pris par des médecins à l’aide d’une technique appelée Natural Language Processing et par la suite d’établir des critères pour diagnostiquer l’insuffisance cardiaque, tout comme un cardiologue le ferait.
La musique et le Machine Learning pour les batteurs
Peter Sobot a développé une application nommée Machine Learning for Drummers qui permet, tout comme son nom l’indique, d’aider les batteurs à l’aide d’une application utilisant le machine learning. Cette application analyse des échantillons d’audio de percussion et est capable dans 87% des cas, de déterminer quel type de percussion est à l’origine du bruit (Kick drum, snare drum ou un autre type).
Le Machine Learning et YouTube
YouTube utilise beaucoup le machine learning dans ses algorithmes. Que ce soit pour les suggestions par rapport à ce que vous avez regardé précédemment, pour censurer, ou démonétiser certaines vidéos.
Le Machine Learning est une technologie faisant partie du domaine de l’intelligence artificielle et permettant à une machine d’apprendre, par rapport à un certain nombre de données. Il n’est pas toujours facile d’utiliser ses données, c’est pourquoi Ryax vous accompagne dans l’exploitation de celles-ci.
La Ryax Team.