Pendant une grande partie de l'histoire de l'intelligence artificielle (IA), la puissance de calcul a limité le potentiel de développement technologique. Les ordinateurs n'ont été en mesure de stocker et de traiter des informations à un rythme suffisant pour rendre l'IA en temps réel réalisable que ces dernières années. Une fois cet aspect de la technologie suffisamment avancé, cependant, il a rendu possible un autre aspect clé de l'IA : l'apprentissage automatique.

L'apprentissage automatique (machine learning) est une sous-discipline de l'IA. Il désigne un processus par lequel un ordinateur ou un programme est capable d'apprendre et de synthétiser de nouvelles informations sans être explicitement programmé.

Aujourd'hui, l'apprentissage automatique régit presque toutes les applications d'IA, des chatbots comme ChatGPT aux algorithmes des médias sociaux en passant par les véhicules autonomes et bien plus encore. Une enquête de Deloitte menée en 2020 a révélé que les deux tiers des entreprises utilisaient l'apprentissage automatique à ce moment-là, avec près de 100 % prévoyant d'intégrer l'apprentissage automatique au cours de l'année suivante.

Comprendre l'apprentissage automatique

AD

L'objectif plus large de l'IA est d'imiter l'intelligence humaine et de résoudre des problèmes de manière similaire à celle des humains. Un programme d'IA peut avoir pour objectif de comprendre un texte écrit dans une langue naturelle, de reconnaître une scène visuelle sur une photographie ou de répondre à des instructions verbales avec des réponses cohérentes, par exemple.

Le concept d'apprentissage automatique remonte au moins aux années 1950, lorsque le pionnier de l'informatique Arthur Samuel l'a défini comme «le domaine d'étude qui donne aux ordinateurs la capacité d'apprendre sans être explicitement programmés». Cette définition est restée largement inchangée au fil des décennies.

Dans la programmation informatique traditionnelle, un programmeur doit créer une liste détaillée d'instructions pour qu'un ordinateur les suive afin d'accomplir la tâche fixée. Ce processus fonctionne dans de nombreux cas, mais il est insuffisant lorsqu'il s'agit d'entraîner un ordinateur à effectuer une tâche particulièrement complexe, comme répondre à une instruction verbale avec un langage écrit. C'est là que l'apprentissage automatique intervient.

L'apprentissage automatique utilise un ensemble de données pour former un programme informatique. Les programmeurs définissent un modèle d'apprentissage automatique pour correspondre à cet ensemble de données et le lancent : l'ordinateur s'entraîne lui-même à trouver des motifs et à résoudre des problèmes à l'aide des données fournies. Les programmeurs humains peuvent intervenir à différents moments du processus pour corriger les problèmes, ajuster le modèle et encourager certains types de résultats.

Applications de l'apprentissage automatique

Il existe des utilisations potentielles apparemment infinies pour l'apprentissage automatique. De manière générale, les algorithmes d'apprentissage automatique peuvent être divisés en plusieurs catégories :

AD
  1. Descriptif : un système d'apprentissage automatique descriptif utilise des données pour expliquer ce qui s'est passé.
  2. Prédictif : un système d'apprentissage automatique prédictif utilise des données pour prédire quelque chose qui se produira à l'avenir.
  3. Prescriptif: un système d'apprentissage automatique prescriptif utilise des données pour faire des suggestions sur un ensemble d'actions à prendre.

Les systèmes d'apprentissage automatique peuvent également être supervisés, ce qui signifie qu'ils sont entraînés avec des ensembles de données étiquetées pour devenir plus précis et pour «apprendre» à mesure qu'ils traitent plus de données. Ils peuvent également être non supervisés, ce qui signifie qu'ils s'entraînent en recherchant des motifs dans des données non étiquetées. Enfin, l'apprentissage automatique dit «par renforcement» utilise un système d'essais et d'erreurs pour entraîner des modèles avec un système de récompense.

L'apprentissage automatique dépend d'un ensemble de données robuste. Plus le pool de données que le système doit analyser est grand, plus le résultat est précis et puissant. Pour cette raison, les applications d'apprentissage automatique fonctionnent mieux dans des situations qui comportent des milliers, voire des millions d'exemples de données. Celles-ci peuvent aller des morceaux de texte aux photographies, aux transactions aux distributeurs automatiques de billets, aux enregistrements, et plus encore.

Certaines des principales applications de l'apprentissage automatique comprennent :

1. Traitement du langage naturel

Le traitement du langage naturel est le système par lequel les machines apprennent à comprendre la langue que les humains parlent ou écrivent. Bien que cela puisse ne pas sembler être un exploit substantiel, cela diffère considérablement des données et des chiffres que les ordinateurs analysent généralement dans des lignes de code. Le traitement du langage naturel permet aux ordinateurs de comprendre la langue qui est reçue et de créer de nouvelles réponses. Il peut également permettre aux programmes d'IA comme Google Translate de créer des traductions d'une langue à une autre. Le traitement du langage naturel est à l'origine des chatbots comme ChatGPT et des assistants virtuels comme Alexa d'Amazon ou Siri de l'iPhone.

2. Réseaux neuronaux

Les réseaux neuronaux sont des algorithmes d'apprentissage automatique modélisés d'une certaine manière d'après le cerveau humain. Comme le cerveau, les cellules ou les nœuds sont connectés pour pouvoir traiter les entrées et transmettre les sorties, tout comme les neurones. Les données peuvent circuler à travers le réseau d'une cellule à l'autre, et chaque cellule effectue une fonction spécifique. Les réseaux neuronaux peuvent être utilisés pour l'IA d'identification visuelle, entre autres choses. Dans un exemple de réseau neuronal dans lequel l'IA vise à identifier si une image contient un visage humain, chaque nœud analyserait l'image pour différentes informations et travaillerait pour produire une sortie indiquant s'il y a ou non un visage inclus.

3. Apprentissage profond (deep learning)

L'apprentissage profond est une application de l'apprentissage automatique similaire aux réseaux neuronaux, mais avec de nombreuses couches supplémentaires. En général, plus le processus d'apprentissage profond est complexe et stratifié, plus les tâches que le système peut accomplir sont complexes. L'apprentissage profond est utilisé pour alimenter les véhicules autonomes, les systèmes d'intelligence artificielle de diagnostic médical et des programmes tout aussi complexes.

L'apprentissage automatique a de nombreuses applications dans de nombreuses entreprises et industries. Il alimente les algorithmes de suggestion dans les moteurs de recherche populaires, les sites de streaming, et plus encore. Les entreprises de médias sociaux utilisent souvent l'apprentissage automatique pour créer des fils d'actualités, tandis que les programmes de reconnaissance faciale utilisent l'apprentissage automatique pour identifier les traits. Même les sociétés d'investissement comme les fonds spéculatifs utilisent l'apprentissage automatique pour analyser les actions ou d'autres titres.

Enfin, l'apprentissage automatique a un potentiel énorme pour révolutionner de nombreux secteurs, mais il soulève également plusieurs préoccupations. L'une d'entre elles est la soi-disant «explicabilité». Les systèmes d'apprentissage automatique peuvent être délicats et susceptibles d'échouer dans des tâches qui peuvent sembler simples pour les êtres humains. La raison en est que les modèles d'apprentissage automatique doivent être conçus avec une extrême prudence pour s'assurer qu'ils effectuent des actions et prennent des décisions conformément aux spécifications souhaitées par les programmeurs. Les systèmes d'apprentissage automatique peuvent également refléter des biais conscients ou inconscients - un exemple populaire est le phénomène des algorithmes des médias sociaux qui alimentent les utilisateurs en contenu extrême.

AD

Fiche de référence

  • L'apprentissage automatique est une sous-discipline de l'intelligence artificielle (IA) qui permet aux ordinateurs d'apprendre de nouvelles informations sans être explicitement programmés.
  • La plupart des avancées récentes en IA au cours de la dernière décennie sont largement dues à la technologie de l'apprentissage automatique.
  • En 2020, Deloitte a constaté que près des deux tiers des entreprises utilisaient déjà l'apprentissage automatique.
  • Les systèmes d'apprentissage automatique peuvent être descriptifs, prédictifs ou prescriptifs, et ils peuvent également être supervisés, non supervisés ou fournir un renforcement de l'apprentissage.
  • En général, plus l'ensemble de données sur lequel un système d'apprentissage automatique doit travailler est grand et robuste, meilleurs sont les résultats.
  • Des exemples de processus d'apprentissage automatique comprennent le traitement du langage naturel, les réseaux neuronaux et l'apprentissage profond.

Daily Debrief Newsletter

Start every day with the top news stories right now, plus original features, a podcast, videos and more.