Table des matières
Si vous faites de la veille sur les thématiques de l’intelligence artificielle, le big data, le cloud computing, les logiciels SaaS ou tout simplement sur le digital, vous avez sûrement lu ou entendu l’expression « machine learning ». En effet, c’est l’une des fonctions les plus importantes des produits technologiques de ces dernières années, que ce soit dans la grande consommation (télévision intelligente, aspirateur robot…) que dans le domaine BtoB. Concrètement, cela caractérise les appareils électroniques ou logiciels qui ont une capacité d’apprendre tout seul, qu’on appelle communément donc le machine learning, et en français l’apprentissage automatique. Mais pour savoir concrètement de quoi on parle : qu’est-ce que l’apprentissage automatique et comment peut-il être utilisé en entreprise ?
Revenons aux bases. Qu’est-ce que l’apprentissage automatique ? Il faut savoir qu’il n’y a pas de définition unique du machine learning, mais plusieurs définitions co-existent. Mais pour introduire cette notion, il faut garder l’idée générale qu’un système informatique, ou tout simplement un ordinateur, peut réaliser des tâches pour lesquelles il n’a pas été spécifiquement programmé. En effet, grâce à des bases de données existantes, ou à la lecture de données nouvelles régulières, ces derniers vont trouver des solutions sans l’intervention d’un utilisateur ou programmeur. Concrètement, nous fournissons des données et l’ordinateur les interprète et prend des décisions éclairées.
Commençons par Wikipédia : il y est expliqué que le machine learning est pluridisciplinaire, mais qu’on le retrouve en particulier dans des domaines tels que l’informatique, la robotique ou les statistiques (il est d’ailleurs souvent utilisé dans l’approche « data driven marketing » dont on vous a déjà parlé). L’objectif principal est l’application pratique des réalisations dans le domaine de l’intelligence artificielle (IA) pour créer un système automatique qui peut s’améliorer à l’aide de l’expérience accumulée (c’est-à-dire des données) et acquérir de nouvelles connaissances sur cette base.
L’apprentissage automatique a été inventé par Arthur Samuel en 1959, qui a défini cela comme la capacité d’ordinateurs à apprendre sans y programmer directement de nouvelles compétences : il s’agit donc d’un domaine d’études qui donne aux ordinateurs la capacité d’apprendre sans être explicitement programmé pour cela.
Tom Mitchell a proposé une définition bien connue du machine learning. Selon lui, nous disons que la machine apprend la tâche T sur la base de l’expérience E et de la mesure de qualité P, si, à mesure que l’expérience E augmente, la qualité de la tâche T mesurée par la mesure P s’améliore.
Une autre définition explique le machine learning comme une technique dans le domaine de l’informatique et de la modélisation statistique qui permet à une application, basée sur une analyse indépendante et sans nécessité de la programmer, de prédire le résultat ou de prendre une décision.
La technique de l’apprentissage de la machine est la base de l’intelligence artificielle (IA en français ou AI en anglais), est liée à l’analyse de données et la programmation de l’exploration de données, qu’on appelle le data mining. L’apprentissage automatique et l’exploration de données utilisent des algorithmes mathématiques pour rechercher des données et des modèles de recherche. L’apprentissage automatique utilise des algorithmes pour détecter les modèles dans les ensembles de données et ajuste le fonctionnement du programme en conséquence. Quand on entend parler de logiciels ou services prédictifs basés sur la Big Data, il s’agit en fait de données issues du cloud qui aident les programmeurs et les chercheurs de données à utiliser l’apprentissage automatique d’une nouvelle manière.
Le deep learning, pour « apprentissage en profondeur » en français, est l’une des variétés de l’intelligence artificielle mais également une sous-catégorie de l’apprentissage automatique. En effet, c’est une technique impliquant la création de réseaux de neurones, dont la tâche principale est d’améliorer les techniques de reconnaissance vocale et le traitement du langage naturel. Autrement dit, le deep learning peut être considéré comme un moyen d’automatiser l’analyse prédictive. Les applications d’apprentissage en profondeur comprennent tous les types d’applications analytiques de Big Data, en particulier celles axées sur le traitement du langage naturel, la reconnaissance d’image (appelée « image recognition » en anglais et dont certaines technologies comme l’OCR – optical character recognition – permettent la reconnaissance optique de caractères ou reconnaissance de texte), la traduction en langue étrangère, les données médicales, les transactions financières et boursières…
Quand on regarde de près l’apprentissage automatique traditionnel, dans le domaine du logiciel, il est nécessaire d’avoir programmeur qui définira précisément à l’ordinateur les fonctionnalités qu’il doit rechercher lors de la reconnaissance d’un objet donné. C’est un processus laborieux, et le succès de l’ordinateur dépend de la définition précise par le programmeur d’un ensemble de fonctionnalités pour un objet spécifique.
Alors que quand il s’agit d’apprentissage en profondeur dit « deep learning », c’est que le programme lui-même crée un ensemble de fonctionnalités à reconnaître : ces algorithmes sont organisés de manière hiérarchique en fonction de la complexité et de l’abstraction croissantes. Non seulement il le fait plus rapidement, mais généralement avec plus de précision.
Le deep learning, ou apprentissage profond, est une sous-discipline de l’intelligence artificielle qui suscite un engouement certain dans la sphère technologique. Mais que recèle réellement cette terminologie parfois énigmatique pour le néophyte ? Vous pourrez ensuite mieux comprendre le deep learning.
Dérivant des réseaux de neurones, le deep learning imite, d’une certaine manière, le fonctionnement du cerveau humain. En exploitant de vastes quantités de données, ces modèles algorithmiques s’entraînent pour réaliser des tâches précises, allant de la reconnaissance d’images à la traduction automatique. Le terme « profond » fait allusion aux nombreuses couches de neurones utilisées. Plus ces couches sont nombreuses, plus le réseau est capable d’extraire des caractéristiques complexes et abstraites.
La beauté réside dans l’aptitude de ces systèmes à auto-améliorer leurs performances, affinant sans cesse leurs prédictions grâce à l’expérience accumulée. La singularité du deep learning par rapport à d’autres techniques d’IA est son autonomie : il apprend des caractéristiques directement à partir des données sans qu’un être humain doive explicitement les programmer. Cette capacité a propulsé des avancées spectaculaires dans des domaines tels que la vision par ordinateur ou la synthèse vocale.
Le deep learning démontre une fois de plus la prodigieuse potentialité de l’informatique, offrant une fenêtre sur des futurs où les machines pourraient rivaliser avec l’acuité perceptive de l’être humain, voire la surpasser.