Machine learning definition

Le machine learning ou « apprentissage automatique » en français est un concept qui fait de plus en plus parler de lui dans le monde de l’informatique, et qui se rapporte au domaine de l’intelligence artificielle. Encore appelé « apprentissage statistique », ce terme renvoie à un processus de développement, d’analyse et d’implémentation conduisant à la mise en place de procédés systématiques. Pour faire simple, il s’agit d’une sorte de programme permettant à un ordinateur ou à une machine un apprentissage automatisé, de façon à pouvoir réaliser un certain nombre d’opérations très complexes.

L’objectif visé est de rendre la machine ou l’ordinateur capable d’apporter des solutions à des problèmes compliqués, par le traitement d’une quantité astronomique d’informations. Cela offre ainsi une possibilité d’analyser et de mettre en évidence les corrélations qui existent entre deux ou plusieurs situations données, et de prédire leurs différentes implications.

Le machine learning implique deux principaux systèmes d’apprentissage qui définissent ses différents modes de fonctionnement. Il s’agit de :

Ici, la machine s’appuie sur des classes prédéterminées et sur un certain nombre de paradigmes connus pour mettre en place un système de classement à partir de modèles déjà catalogués. Dans ce cas, deux étapes sont nécessaires pour compléter le processus, à commencer par le stade d’apprentissage qui consiste à la modélisation des données cataloguées. Ensuite, il s’agira au second stade de se baser sur les données ainsi définies pour attribuer des classes aux nouveaux modèles introduits dans le système, afin de les cataloguer eux aussi.

Dans ce mode de fonctionnement du machine learning, il n’est pas question de s’appuyer sur des éléments prédéfinis, et la tâche revient à la machine de procéder toute seule à la catégorisation des données. Pour ce faire, le système va croiser les informations qui lui sont soumises, de manière à pouvoir rassembler dans une même classe les éléments présentant certaines similitudes. Ainsi, en fonction du but recherché, il reviendra à l’opérateur ou au chercheur de les analyser afin d’en déduire les différentes hypothèses.

La différence entre ces deux principes de fonctionnement réside dans le fait que l’apprentissage supervisé peut être influencé par des à priori au moment de l’étiquetage des données. Ce n’est pas le cas de l’apprentissage non-supervisé, qui se révèle ainsi beaucoup plus fiable dans la mesure où les réponses obtenues vont plus loin que la compréhension humaine des faits. Par ailleurs, il faut noter que le machine learning peut également faire intervenir un mode de fonctionnement mixte qui utilise les deux types d’apprentissage pour arriver à des résultats plus précis.

Il existe toute une pléthore de domaines dans lesquels le machine learning intervient, à savoir la finance, la sécurité, la médecine, l’industrie automobile et la technologie dans tout son ensemble. Pour citer quelques cas pratiques d’utilisation de l’apprentissage automatique ou statistique, on peut énumérer entre autres l’intégration de Watson au centre de cancérologie Mémorial Sloan Kettering de New York. Il s’agit d’une intelligence artificielle qui s’appuie sur une énorme base de données pour établir des diagnostics médicaux plus poussés, en moins de temps et à moins de frais qu’avec des spécialistes humains, même les plus qualifiés.

On peut également citer les voitures à conduite autonome, dont le modèle le plus représentatif est celui mis au point par Google. La reconnaissance (vocale, faciale, d’objets ou de caractères) dans la sécurité ou l’information, la détection de fraudes en finance et la classification des séquences d’ADN en médecine sont autant de domaines d’intervention du machine learning.

Ce qu’il faut retenir de tout ce qui précède, c’est tout simplement que l’intelligence artificielle semble promise à un bel avenir, au vu de la portée technologique du machine learning.