Le rythme de génération des données s'accélère, créant plus de données que jamais. Le machine learning permet d'analyser et d'exploiter cette vaste quantité de données. Ainsi, le machine learning ouvre un tout nouveau chapitre de ce que les humains peuvent faire avec des ordinateurs et d'autres machines. Le machine learning aide les entreprises à effectuer des tâches importantes comme la détection des fraudes, l'identification des menaces de sécurité, la personnalisation et les recommandations, l'automatisation du service client via des chatbots, la transcription et la traduction, l'analyse de données, etc. Le machine learning est également le moteur des innovations passionnantes de demain, comme les véhicules autonomes, les drones, les avions, la réalité augmentée et virtuelle, et la robotique.

Bien que l'intelligence artificielle (IA) et le machine learning (ML) soient souvent utilisés comme synonymes, ce ne sont pas des termes interchangeables.

L'intelligence artificielle est un domaine de l'informatique qui s'intéresse à la construction d'ordinateurs et de machines capables de raisonner, d'apprendre et d'agir de façon semblable à l'intelligence humaine, ou de systèmes impliquant des données dont l'échelle dépasse ce que les humains peuvent analyser. Le domaine comprend de nombreuses disciplines différentes, y compris l’analytique de données, les statistiques, l’ingénierie matérielle et logicielle, les neurosciences et même la philosophie.

Alors que l'intelligence artificielle est une vaste catégorie de l'informatique, le machine learning est une application de l'IA qui consiste à entraîner des machines à exécuter une tâche sans y être spécifiquement programmée. Le machine learning est plus explicitement utilisé pour extraire des connaissances à partir de données, par le biais de techniques telles que les réseaux de neurones, l'apprentissage supervisé et non supervisé, les arbres de décision et la régression linéaire.

Tout comme le machine learning est un sous-ensemble de l'intelligence artificielle, le deep learning est un sous-ensemble du machine learning. Le deep learning entraîne des réseaux de neurones sur des ensembles de données. Un réseau de neurones est un modèle qui utilise un système de neurones artificiels, qui sont des nœuds de calcul servant à classer et analyser les données. Les données sont transmises à la première couche d'un réseau de neurones, chaque nœud prenant une décision, puis transmet ces informations à plusieurs nœuds de la couche suivante. Les modèles d'entraînement avec plus de trois couches sont appelés "réseaux de neurones profonds" ou "deep learning". Certains réseaux de neurones modernes ont des centaines, voire des milliers de couches.

Le machine learning consiste à entraîner des algorithmes sur des ensembles de données afin d'obtenir un résultat attendu, comme identifier un modèle ou reconnaître un objet. Le machine learning est le processus d'optimisation du modèle afin qu'il puisse prédire la réponse correcte sur la base des échantillons de données d'entraînement.

En supposant que les données d'entraînement soient de haute qualité, plus l'algorithme de machine learning reçoit d'échantillons d'entraînement, plus le modèle sera précis. L'algorithme adapte le modèle aux données pendant l'entraînement, c'est ce que l'on appelle le "processus d'ajustement". Ce processus consiste à utiliser une fonction de perte pour évaluer les erreurs du modèle et une technique d'optimisation, comme la descente de gradient, pour ajuster les paramètres du modèle et minimiser ces erreurs. Si le résultat ne correspond pas au résultat attendu, l'algorithme est réentraîné plusieurs fois jusqu'à ce qu'il produise une réponse précise. En substance, l'algorithme apprend à partir des données et parvient à des résultats en fonction de la correspondance entre l'entrée et la réponse et une ligne, un cluster ou une autre corrélation statistique.

Lorsque nous parlons des différents types de machine learning, nous faisons en réalité référence aux modèles d'entraînement utilisés. Dans les grandes lignes, on distingue quatre types de modèles utilisés en machine learning.

L'apprentissage supervisé est un modèle de machine learning qui utilise des données d'entraînement étiquetées (données structurées) pour mapper une caractéristique spécifique à une étiquette. Dans l'apprentissage supervisé, la sortie est connue (par exemple, la reconnaissance de l'image d'une pomme), et le modèle est entraîné sur les données de ces résultats. En d'autres termes, pour entraîner l'algorithme à reconnaître des images de pommes, il faut lui fournir des images étiquetées comme étant des pommes. Les algorithmes d'apprentissage supervisé les plus couramment utilisés aujourd'hui sont les suivants :

• Régression linéaire
• Régression polynomiale
• K plus proches voisins
• Naive Bayes
• Arbres de décision

L'apprentissage non supervisé est un modèle de machine learning qui utilise des données non étiquetées (données non structurées) pour apprendre des schémas. Contrairement à l'apprentissage supervisé, l'exactitude de la sortie n'est pas connue à l'avance. L'algorithme apprend à partir des données sans intervention humaine (et donc sans supervision) et les classe par groupes en fonction d'attributs. Par exemple, si l'algorithme reçoit des images de pommes et de bananes, il va fonctionner seul pour classer les images correspondant à des pommes et des bananes. L'apprentissage non supervisé est efficace pour la modélisation descriptive et établir une correspondance de modèles. Les algorithmes d'apprentissage non supervisé les plus couramment utilisés aujourd'hui sont les suivants :

• Moyennes partielles
• Partitionnement en k-moyennes
• Clustering hiérarchique
• Moindres carrés partiels

Il existe également une approche mixte du machine learning, appelée apprentissage partiellement supervisé, dans laquelle seules certaines données sont étiquetées. Dans l'apprentissage partiellement supervisé, l'algorithme doit déterminer comment organiser et structurer les données pour obtenir un résultat connu. Par exemple, on dit au modèle de machine learning que le résultat est une poire, mais seules certaines données d'entraînement sont étiquetées en tant que poire.

L'apprentissage par renforcement est un modèle de machine learning que l'on peut décrire comme un "apprentissage par la pratique" au travers d'une série de tests et d'erreurs. Un "agent" apprend à exécuter une tâche définie de manière empirique (boucle de rétroaction) jusqu'à ce que ses performances se situent dans une plage souhaitée. L'agent reçoit un renforcement positif lorsqu'il effectue bien la tâche, et un renforcement négatif lorsqu'il se trompe. Par exemple, les chercheurs Google ont enseigné un algorithme d'apprentissage par renforcement pour jouer au jeu Go. Le modèle n'avait aucune connaissance préalable des règles de Go. Il a simplement déplacé des pièces au hasard et "appris" les meilleurs déplacements. L'algorithme a été entraîné par renforcement positif et négatif jusqu'à ce que le modèle de machine learning puisse battre un joueur humain au jeu.

Plus un algorithme de machine learning consomme de données, plus il est efficace pour identifier des tendances et des schémas à partir de ces données. Par exemple, un site Web d'e-commerce peut utiliser le machine learning pour comprendre comment les utilisateurs font des achats sur son site et utiliser cette information pour proposer de meilleures recommandations ou trouver des données sur les tendances qui peuvent mener à de nouvelles opportunités de produits.

Le machine learning et l'intelligence artificielle peuvent faire disparaître une grande partie du travail fastidieux et terne des travailleurs humains. Les services publics tels que l'automatisation des processus robotisés peuvent effectuer certaines des tâches commerciales fastidieuses qui empêchent les employés d'effectuer des tâches plus significatives. Les algorithmes de vision par ordinateur et de détection des objections peuvent aider les robots à choisir et emballer les articles d'une chaîne de montage. La détection permanente des fraudes et l'évaluation des menaces grâce au machine learning peuvent détecter les failles de sécurité avant qu'elles ne deviennent un problème.

Grâce aux bons types de données, les algorithmes de machine learning vont continuer à s'améliorer pour être plus rapides et plus précis. Cette amélioration peut se faire de plusieurs façons, y compris en réentraînant les algorithmes avec de nouvelles données et en recevant des commentaires concrets de la part des utilisateurs.

L'efficacité du machine learning dépend souvent des données qui lui sont fournies. Si un algorithme de machine learning reçoit un ensemble de données biaisé, il fournira des résultats biaisés.

Le machine learning peut nécessiter beaucoup de données avant d'être utile. Étant donné que de nombreux cas d'utilisation du machine learning sont basés sur l'apprentissage supervisé, l'acquisition et le nettoyage de données structurées pour entraîner les algorithmes constituent une première étape importante, ce qui peut s'avérer difficile si les données résident dans plusieurs emplacements cloisonnés d'une organisation.

Alors que les fournisseurs de machine learning, d'intelligence artificielle et de cloud s'efforcent de faciliter autant que possible la configuration et l'exécution des algorithmes de machine learning, les organisations ont souvent besoin de programmeurs et de data scientists pour comprendre et exploiter les algorithmes d'entraînement et leurs résultats.

Le machine learning peut prendre du temps, car il faut beaucoup de ressources informatiques et d'heures de travail pour commencer à traiter les données et à obtenir des résultats.