Le machine learning consiste à amener à une machine à apprendre à réaliser une tâche par elle-même. Elle constitue l’application pratique de l’intelligence artificielle à des problèmes du monde réel. Le terme a été inventé dès 1959 par un chercheur d’IBM, Arthur Lee Samuel, afin de désigner la capacité d’un ordinateur à opérer de l’auto-apprentissage. Toutefois, les premières applications d’envergure ne sont apparues qu’à la toute fin des années 1980.

Ce que le machine learning a changé pour l’intelligence artificielle

Avant l’essor du machine learning, l’intelligence artificielle reposait avant tout sur un modèle de type « si…, alors,… sinon… ». Exemple : « Si quelqu’un tente de transférer une somme particulièrement élevée du compte de Louis d’Or, alerter son conseiller ».

Si cette approche a pu fonctionner dans de nombreuses situations basées sur les chiffres, comme dans le monde financier, elle s’est avérée inappropriée à des situations complexes comme la reconnaissance d’images. Le machine learning opère d’une manière différente : au lieu de spécifier dès le départ les formules à appliquer, il amène un ordinateur à les trouver par lui-même. On fournit à la machine les résultats attendus en sortie et les données en entrée. À partir de cela, la machine s’acharne à élaborer un modèle mathématique le plus fiable possible.

Le mode opératoire du machine learning

Le machine learning opère ainsi :

• en ingurgitant maintes données issues du monde réel, il développe un modèle mathématique ;
• ce modèle est ajusté au travers de diverses techniques en vue d’obtenir une fiabilité la plus élevée possible ;
• une fois ce modèle élaboré, il est appliqué à des données fraîches ;
• l’algorithme de machine learning réalise alors des prévisions exploitables.

Un volume de données titanesque

Pour opérer de façon efficace, le machine learning doit analyser un volume d’informations le plus vaste possible. Par exemple :

Publicité

• le prix de toutes les maisons en France à un moment donné ;
• l’évolution de milliers d’actions en bourse sur 20 ans en fonction d’événements externes ;
• le langage humain à partir de l’analyse de centaines de millions de documents.

Ainsi, si l’objectif est de reconnaître un chat, l’ordinateur sera nourri de millions d’images de chats en vue de  générer un modèle mathématique/algorithme de reconnaissance le plus performant possible. À cette fin, le machine learning utilise certaines techniques précises visant à minimiser les erreurs entre le modèle et le monde réel.

Quelques applications du machine learning

Recommandations en ligne

Des sociétés comme Amazon, Netflix ou Booking.com s’appuient sur le machine learning pour les recommandations d’articles, de films, d’hôtels à leurs usagers.

Détection de fraude

Le secteur bancaire exploite cette technologie pour repérer les activités potentiellement frauduleuses.

L’analyse de sentiment

Le machine learning aide à mieux percevoir quel est l’accueil réservé par le public à une nouvelle série télévisée, un produit venant d’être mis sur le marché.

Optimisation de la logistique

Cette technologie est fortement utilisée dans la gestion des stocks et l’optimisation de la logistique des produits.

Politique de confidentialité

Machine learning et deep learning

Le machine learning sous sa forme de base, n’est pas en mesure de résoudre tous les types de problèmes d’intelligence artificielle.

Le deep learning (apprentissage profond), une sous-branche du machine learning, va bien plus loin et peut résoudre des problèmes beaucoup plus complexes. Il opère en multipliant les éléments d’analyse et en combinant de nombreuses règles pareillement obtenues de manière expérimentale. Ainsi, la reconnaissance de la parole a d’abord été traitée par le machine learning mais a gagné une efficacité bien plus élevée à partir du moment où elle a été abordée avec le deep learning.