Scroll to top of page

Petit guide du machine learning — partie 1

L’objectif premier du machine learningmachine learningLe machine learning, ou apprentissage automatique, est un système d'intelligence artificielle, qui se fonde sur la capacité d'apprentissage des algorithmes. Learn more (ou apprentissage automatique) est d’automatiser les tâches courantes à l’aide des ordinateurs. Pour cela, les algorithmealgorithmeUn algorithme est un processus mathématique qui permet de résoudre un problème ou d'obtenir un résultat par un nombre fini d'opérations ; il peut être traduit en programme informatique grâce à un langage de programmation.Learn mores de machine learning tentent de reproduire l’apprentissage humain en se basant sur un modèle mathématique.

Des tâches qui nous semblent banales (comme reconnaître un visage, ou lacer ses chaussures) représentent, en réalité, un ensemble de tâches très complexes pour une machine. Le machine learningmachine learningLe machine learning, ou apprentissage automatique, est un système d'intelligence artificielle, qui se fonde sur la capacité d'apprentissage des algorithmes. Learn more repose sur l’idée que des événements qui se sont produits/ont coïncidé régulièrement par le passé devraient à nouveau se produire/coïncider dans le futur. Par exemple, si l’événement B se produit toujours après l’événement A, vous pouvez vous attendre à ce que l’événement B survienne peu après l’événement A.

Mais alors le machine learning peut-il battre l’intelligence humaine ?

Bien sûr, les humains ont de nombreux avantages par rapport aux machines. Nous pouvons, par exemple, demander l’avis d’un expert, utiliser la connaissance acquise au cours d’expériences précédentes et interagir avec notre environnement afin de collecter davantage d’informations. Mais nos capacités présentent également des limites : il nous arrive d’oublier des choses ou d’avoir du mal à faire preuve d’impartialité au moment de prendre une décision. Pour pouvoir imiter la réflexion humaine, le machine learning a donc besoin de l’expertise humaine pour le guider et le surveiller ; faute de quoi, les fondements du modèle (données, règles logiques, etc.) pourraient être totalement aléatoires et le modèle n’en tirerait aucun enseignement.

Dans la plupart des cas, le machine learning n’a pas pour but de surpasser l’humain. Il doit surtout permettre de traiter une question de manière satisfaisante à grande échelle. Autrement dit, les machines doivent être capables de répondre à des questions en collectant et en traitant d’importants volumes d’informations bien plus rapidement qu’un humain, et éventuellement de reproduire cette action plusieurs milliers ou millions de fois à la suite. C’est ce volume qui constitue la principale différence entre les statistiques traditionnelles (pensez à cette bonne vieille régression linéaire sous Excel, par exemple) et le machine learning. C’est à la fois la « longueur » (le nombre d’observations) et la « largeur » (le nombre de descripteurs par observation) des données qui ont modifié les algorithmealgorithmeUn algorithme est un processus mathématique qui permet de résoudre un problème ou d'obtenir un résultat par un nombre fini d'opérations ; il peut être traduit en programme informatique grâce à un langage de programmation.Learn mores, ces derniers existant uniquement car nous disposons désormais de la puissance de calcul nécessaire. Par exemple, un algorithme d’apprentissage automatique peut classer un produit d’après son apparence extérieure en une fraction de seconde, quand un humain aura besoin de plusieurs secondes par produit et ne pourra pas traiter les centaines de catégories possibles. Andrej Karpathy, expert en deep learning (ou apprentissage profond) et directeur de l’IA chez Tesla, s’est essayé à cette tâche face à la machine. Il s’est entraîné pendant des mois et, au début, il passait près d’une minute par image. Il a obtenu un taux d’erreur de 5,1 % quand GoogLeNet, la solution de machine learning utilisée pour mener l’expérience, a obtenu un score de 6,67 % en donnant une réponse immédiate à chaque fois. La solution de machine learning s’avère donc plus adaptée pour la production et l’application à grande échelle. Aujourd’hui, les solutions algorithmiques atteignent un taux d’erreur de 3,46 % et sont à la fois plus rapides et plus précises que les humains.

Quelles sont les différences entre l’intelligence artificielleintelligence artificielleL'intelligence artificielle (souvent abrégée IA, ou AI en anglais pour Artificial Intelligence), est une discipline des sciences cognitives. Elle désigne l'ensemble des technologies et méthodologies qui ont pour but la construction de programmes informatiques calqués sur l'intelligence humaine et les fonctions cognitives de l'homme (raisonnement, mais aussi perception).Learn more, le machine learning et le deep learning ?

L’intelligence artificielle a pour but de parvenir à automatiser des tâches complexes. Pour cela, elle a recours à différentes méthodes dont le machine learning. Lorsqu’il traite des entrées abstraites comme du texte, des images ou de l’audio, le machine learning peut se baser sur un type d’algorithmes spécifique appelé algorithme de « deep learning ». Un aspirateur intelligent, par exemple, qui détecte les murs au moyen de capteurs correspond à une intelligence artificielle sans machine learning, tandis qu’un aspirateur qui apprend à quel moment nettoyer et où il est nécessaire de passer plus souvent, en se basant sur l’historique de nettoyage, est une IA qui utilise le machine learning (mais sans deep learning). Enfin, si l’aspirateur est équipé d’une caméra lui permettant de détecter votre bébé ou votre chien, on est alors en présence d’une IA avec utilisation de deep learning.

Les solutions de machine learning peuvent être classées en 3 catégories, qui seront présentées plus en détails dans de prochains articles :

À bientôt pour la suite !

Traduit de l'anglais par Hélène Livet

Want to learn more? Get in touch!

02-02-2018

close legal

À propos

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Donec a venenatis dolor, non ornare ligula. Nam ultricies elementum tellus, sed pulvinar libero egestas nec. Fusce facilisis nulla vestibulum, commodo neque eget, dapibus lacus. Aliquam neque felis, sagittis nec consequat sed, commodo ac ipsum. Sed neque tortor, semper quis viverra et, malesuada et eros. Donec at dui ut ligula pharetra aliquet. Etiam dapibus semper orci. Integer efficitur dolor tortor, nec mattis elit placerat vel. Ut nulla enim, lacinia in pharetra id, convallis vitae massa. Donec neque est, tincidunt non ullamcorper commodo, tincidunt non turpis. Pellentesque viverra enim a sapien placerat, ut volutpat mauris condimentum. Proin tincidunt sollicitudin dui, sit amet condimentum ante commodo a. Aenean posuere aliquam purus, sed aliquam magna sagittis finibus. Morbi molestie feugiat feugiat. Phasellus tempus in dolor vel maximus. Cras efficitur sagittis lorem porta iaculis. Maecenas sed hendrerit urna. In mattis posuere purus, sit amet placerat arcu posuere quis. Etiam nec arcu nec magna interdum maximus. Integer sit amet lacus neque. Curabitur interdum molestie magna, in scelerisque tellus iaculis sed. Sed nec metus ut purus efficitur laoreet a quis eros. Proin dui dui, dignissim eget risus sit amet, bibendum condimentum velit. Maecenas in justo eu elit eleifend consectetur. Aenean scelerisque fringilla sollicitudin. Nam sem nibh, pharetra nec lacus non, mollis interdum odio. Aliquam sollicitudin posuere nibh sed eleifend.

Édition

55 SAS, 5 — 7 rue d'Athènes

75009 Paris

+33 1 76 21 91 37

Hébergement

OVH SAS

2, rue Kellermann

59100 Roubaix

+33 8 20 69 87 65

Publication

Lan Anh Vu Hong

Crédits photo

Mats Carduner, Adobe Stock & Unsplash

Vous avez aimé nos nouvelles fraîches sur l'état du marché brandtech ? Inscrivez vous à notre newsletter