En termes simples, le machine learning (ML) est la programmation de machines (ordinateurs) afin qu’il puisse effectuer une tâche demandée en utilisant et en analysant des données (informations) pour effectuer cette tâche de manière indépendante. sans apport spécifique supplémentaire d'un développeur humain.
Apprentissage automatique 101
Le terme apprentissage automatique a été inventé dans les laboratoires IBM en 1959 par Arthur Samuel, pionnier de l'intelligence artificielle (IA) et des jeux informatiques. En conséquence, l'apprentissage automatique est une branche de l'intelligence artificielle. Samuel avait pour principe de renverser le modèle informatique du temps et de cesser de donner à l'ordinateur des choses à apprendre.
Au lieu de cela, il souhaitait que les ordinateurs commencent à comprendre par eux-mêmes, sans que les humains aient à saisir la moindre information. Il a ensuite pensé que les ordinateurs ne se contenteraient pas d’assumer des tâches, mais pourraient en définitive décider quelles tâches exécuter et à quel moment. Pourquoi? Ainsi, les ordinateurs pourraient réduire la quantité de travail que les humains doivent effectuer dans une zone donnée.
Comment fonctionne l'apprentissage machine
L'apprentissage automatique fonctionne grâce à l'utilisation d'algorithmes et de données. Un algorithme est un ensemble d'instructions ou de directives qui indique à un ordinateur ou à un programme comment effectuer une tâche. Les algorithmes utilisés dans ML rassemblent des données, reconnaissent des modèles et utilisent l'analyse de ces données pour adapter ses propres programmes et fonctions afin de mener à bien des tâches.
Les algorithmes ML utilisent des ensembles de règles, des arbres de décision, des modèles graphiques, le traitement du langage naturel et des réseaux de neurones (pour n'en nommer que quelques-uns) afin d'automatiser le traitement des données afin de prendre des décisions et d'exécuter des tâches. Bien que ML puisse être un sujet complexe, Teane Machine de Google fournit une démonstration pratique simplifiée de son fonctionnement.
La forme la plus puissante d’apprentissage automatique utilisée actuellement, appelée apprentissage en profondeur, construit une structure mathématique complexe appelée réseau de neurones, basée sur de vastes quantités de données. Les réseaux de neurones sont des ensembles d'algorithmes en ML et en AI modélisés d'après la façon dont les cellules nerveuses du cerveau humain et du système nerveux traitent les informations.
Intelligence artificielle vs apprentissage automatique vs exploration de données
Pour mieux comprendre la relation entre IA, ML et l’exploration de données, il est utile de penser à un ensemble de parapluies de tailles différentes. AI est le plus grand parapluie. Le parapluie ML est une taille plus petite et se glisse sous le parapluie AI. Le parapluie d'exploration de données est le plus petit et se glisse sous le parapluie ML.
- L'intelligence artificielle est une branche de l'informatique qui vise à programmer les ordinateurs pour qu'ils effectuent des tâches de manière plus «intelligente» et «semblable à l'homme», en utilisant des techniques de raisonnement et de prise de décision calquées sur l'intelligence humaine.
- ML est une catégorie d’informatique au sein de l’IA qui se concentre sur les machines de programmation (ordinateurs) pour apprendre (rassembler les données ou exemples nécessaires) afin de prendre des décisions intelligentes, pilotées par les données, de manière plus automatisée.
- L'exploration de données utilise des statistiques, ML, AI et d'immenses bases de données d'informations pour trouver des modèles, fournir des informations, créer des classifications, identifier des problèmes et fournir une analyse de données détaillée.
Ce que l'apprentissage machine peut faire (et fait déjà)
La capacité des ordinateurs à analyser d’énormes quantités d’informations en quelques fractions de seconde rend le ML utile dans un certain nombre de secteurs où le temps et la précision sont essentiels.
- Médicament: La technologie ML est mise en œuvre dans une gamme de solutions pour le domaine médical, notamment pour aider les urgentologues à diagnostiquer plus rapidement les patients présentant des symptômes inhabituels. Les médecins peuvent entrer une liste des symptômes du patient dans le programme. À l'aide de ML, le programme peut parcourir des trillions de tonnes d'informations tirées de la littérature médicale et d'Internet pour renvoyer une liste des diagnostics potentiels et des tests ou traitements recommandés en un temps record.
- Éducation: ML est utilisé pour créer des outils pédagogiques qui s'adaptent aux besoins d'apprentissage de l'étudiant, tels que des assistants d'apprentissage virtuels et des manuels électroniques plus interactifs. Ces outils utilisent ML pour découvrir quels concepts et quelles compétences l’élève comprend en utilisant des questionnaires courts et des exercices pratiques. Les outils fournissent ensuite de courtes vidéos, des exemples supplémentaires et du matériel d'information pour aider l'étudiant à acquérir les compétences ou les concepts nécessaires.
- Automobile: ML est également un élément clé dans le domaine émergent des voitures autonomes (également appelées voitures sans conducteur ou voitures autonomes). Le logiciel qui exploite des voitures autonomes utilise ML lors des tests sur route réels et des simulations pour détecter les conditions de la route (telles que les routes verglacées) ou identifier les obstacles sur la chaussée et apprendre les tâches de conduite appropriées pour naviguer en toute sécurité dans de telles situations.
Vous avez probablement déjà rencontré ML plusieurs fois sans vous en rendre compte. Parmi les utilisations les plus courantes de la technologie ML, citons la reconnaissance vocale pratique (Bixby de Samsung, Siri d’Apple et de nombreux programmes de conversation en texte désormais standard sur les PC), le filtrage anti-spam de votre courrier électronique, la création de flux de nouvelles, la détection des fraudes, la personnalisation recommandations de magasinage et fournir des résultats de recherche Web plus efficaces.
ML est même impliqué dans votre flux Facebook. Lorsque vous aimez ou que vous cliquez fréquemment sur les publications d’un ami, les algorithmes et ML en coulisse «apprennent» de vos actions au fil du temps pour donner la priorité à certains amis ou pages de votre fil de nouvelles.
Ce que l'apprentissage machine ne peut pas faire
Cependant, il existe des limites à ce que ML peut faire. Par exemple, l’utilisation de la technologie ML dans différentes industries nécessite un nombre considérable de développements et de programmes de la part des humains afin de spécialiser un programme ou un système pour les types de tâches requises par cette industrie.Dans notre exemple médical ci-dessus, le programme ML utilisé au service des urgences a été développé spécifiquement pour la médecine humaine. Il n'est actuellement pas possible de prendre ce programme précis et de le mettre en œuvre directement dans un centre d'urgence vétérinaire. Une telle transition nécessite une spécialisation et un développement approfondis de la part des programmeurs humains afin de créer une version capable de réaliser cette tâche pour la médecine vétérinaire ou animale.
Cela nécessite également d'incroyables quantités de données et d'exemples pour apprendre les informations nécessaires à la prise de décision et à l'exécution de tâches. Les programmes de ML sont également très littéraux dans l'interprétation des données et se heurtent au symbolisme et à certains types de relations dans les résultats de données, tels que la cause et l'effet.
Cependant, les progrès continus font de ML une technologie de base qui crée des ordinateurs plus intelligents chaque jour.
