Table des matières[Cacher][Montrer]
Nous pouvons maintenant calculer l'étendue de l'espace et les subtilités des particules subatomiques grâce aux ordinateurs.
Les ordinateurs battent les humains lorsqu'il s'agit de compter et de calculer, ainsi que de suivre des processus logiques oui/non, grâce aux électrons se déplaçant à la vitesse de la lumière via ses circuits.
Cependant, nous ne les considérons pas souvent comme «intelligents» car, dans le passé, les ordinateurs ne pouvaient rien faire sans être enseignés (programmés) par des humains.
Apprentissage automatique, y compris apprentissage en profondeur et intelligence artificielle, est devenu un mot à la mode dans les gros titres scientifiques et technologiques.
L'apprentissage automatique semble être omniprésent, mais de nombreuses personnes qui utilisent le mot auraient du mal à définir correctement ce qu'il est, ce qu'il fait et à quoi il sert au mieux.
Cet article vise à clarifier l'apprentissage automatique tout en fournissant des exemples concrets et réels du fonctionnement de la technologie pour illustrer pourquoi elle est si bénéfique.
Ensuite, nous examinerons les différentes méthodologies d'apprentissage automatique et verrons comment elles sont utilisées pour relever les défis commerciaux.
Enfin, nous consulterons notre boule de cristal pour quelques prédictions rapides sur l'avenir de l'apprentissage automatique.
Qu'est-ce que l'apprentissage par machine?
L'apprentissage automatique est une discipline de l'informatique qui permet aux ordinateurs de déduire des modèles à partir de données sans qu'on leur enseigne explicitement ce que sont ces modèles.
Ces conclusions sont souvent basées sur l'utilisation d'algorithmes pour évaluer automatiquement les caractéristiques statistiques des données et sur le développement de modèles mathématiques pour décrire la relation entre diverses valeurs.
Comparez cela avec l'informatique classique, qui est basée sur des systèmes déterministes, dans lesquels nous donnons explicitement à l'ordinateur un ensemble de règles à suivre pour qu'il accomplisse une certaine tâche.
Cette façon de programmer les ordinateurs est connue sous le nom de programmation basée sur des règles. L'apprentissage automatique diffère et surpasse la programmation basée sur des règles en ce sens qu'il peut déduire ces règles par lui-même.
Supposons que vous êtes un directeur de banque qui souhaite déterminer si une demande de prêt va échouer sur son prêt.
Dans une méthode basée sur des règles, le directeur de la banque (ou d'autres spécialistes) informerait expressément l'ordinateur que si le pointage de crédit du demandeur est inférieur à un certain niveau, la demande devrait être rejetée.
Cependant, un programme d'apprentissage automatique analyserait simplement les données antérieures sur les cotes de crédit des clients et les résultats des prêts et déterminerait ce que ce seuil devrait être par lui-même.
La machine apprend des données précédentes et crée ainsi ses propres règles. Bien sûr, ce n'est qu'une introduction à l'apprentissage automatique ; les modèles d'apprentissage automatique du monde réel sont beaucoup plus compliqués qu'un seuil de base.
Néanmoins, c'est une excellente démonstration du potentiel de l'apprentissage automatique.
Comment un click apprendre?
Pour simplifier les choses, les machines "apprennent" en détectant des modèles dans des données comparables. Considérez les données comme des informations que vous recueillez du monde extérieur. Plus une machine reçoit de données, plus elle devient « intelligente ».
Cependant, toutes les données ne sont pas identiques. Supposons que vous êtes un pirate dont le but dans la vie est de découvrir les richesses enfouies sur l'île. Vous aurez besoin d'une quantité substantielle de connaissances pour localiser le prix.
Ces connaissances, comme les données, peuvent vous orienter dans le bon sens ou dans le mauvais sens.
Plus les informations/données acquises sont importantes, moins il y a d'ambiguïté, et vice versa. Par conséquent, il est essentiel de prendre en compte le type de données dont vous alimentez votre machine pour apprendre.
Cependant, une fois qu'une quantité substantielle de données est fournie, l'ordinateur peut faire des prédictions. Les machines peuvent anticiper l'avenir tant qu'il ne s'écarte pas beaucoup du passé.
Les machines "apprennent" en analysant les données historiques pour déterminer ce qui est susceptible de se produire.
Si les anciennes données ressemblent aux nouvelles données, alors les choses que vous pouvez dire sur les données précédentes s'appliqueront probablement aux nouvelles données. C'est comme si vous regardiez en arrière pour voir en avant.
Quels sont les types d'apprentissage automatique ?
Les algorithmes d'apprentissage automatique sont fréquemment classés en trois grands types (bien que d'autres schémas de classification soient également utilisés):
- Enseignement supervisé
- Apprentissage non supervisé
- Apprentissage par renforcement
Enseignement supervisé
L'apprentissage automatique supervisé fait référence à des techniques dans lesquelles le modèle d'apprentissage automatique reçoit une collection de données avec des étiquettes explicites pour la quantité d'intérêt (cette quantité est souvent appelée réponse ou cible).
Pour former des modèles d'IA, l'apprentissage semi-supervisé utilise un mélange de données étiquetées et non étiquetées.
Si vous travaillez avec des données non étiquetées, vous devrez procéder à un étiquetage des données.
L'étiquetage est le processus d'étiquetage des échantillons pour aider à former un machine learning modèle. L'étiquetage est principalement effectué par des personnes, ce qui peut être coûteux et prendre du temps. Cependant, il existe des techniques pour automatiser le processus d'étiquetage.
La situation de demande de prêt dont nous avons parlé précédemment est une excellente illustration de l'apprentissage supervisé. Nous disposions de données historiques concernant les cotes de crédit des anciens demandeurs de prêt (et peut-être les niveaux de revenu, l'âge, etc.) ainsi que des étiquettes spécifiques qui nous indiquaient si la personne en question avait ou non fait défaut sur son prêt.
La régression et la classification sont deux sous-ensembles de techniques d'apprentissage supervisé.
- Classification – Il utilise un algorithme pour catégoriser correctement les données. Les filtres anti-spam en sont un exemple. Le "spam" peut être une catégorie subjective - la frontière entre les communications spam et non-spam est floue - et l'algorithme du filtre anti-spam s'affine constamment en fonction de vos commentaires (c'est-à-dire des e-mails que les humains marquent comme spam).
- Régression – Il est utile de comprendre le lien entre les variables dépendantes et indépendantes. Les modèles de régression peuvent prévoir des valeurs numériques basées sur plusieurs sources de données, telles que les estimations du chiffre d'affaires d'une certaine entreprise. La régression linéaire, la régression logistique et la régression polynomiale sont quelques-unes des principales techniques de régression.
Apprentissage non supervisé
Dans l'apprentissage non supervisé, nous recevons des données non étiquetées et recherchons simplement des modèles. Imaginons que vous êtes Amazon. Pouvons-nous trouver des clusters (groupes de consommateurs similaires) basés sur l'historique d'achat des clients ?
Même si nous ne disposons pas de données explicites et concluantes sur les préférences d'une personne, dans ce cas, le simple fait de savoir qu'un ensemble spécifique de consommateurs achète des biens comparables nous permet de faire des suggestions d'achat en fonction de ce que d'autres individus du groupe ont également acheté.
Le carrousel "vous pourriez également être intéressé par" d'Amazon est alimenté par des technologies similaires.
L'apprentissage non supervisé peut regrouper des données par regroupement ou association, selon ce que vous souhaitez regrouper.
- regroupement – L'apprentissage non supervisé tente de surmonter ce défi en recherchant des modèles dans les données. S'il existe un cluster ou un groupe similaire, l'algorithme les classera d'une certaine manière. Essayer de catégoriser les clients en fonction de l'historique d'achat précédent en est un exemple.
- Association – L'apprentissage non supervisé tente de relever ce défi en essayant de comprendre les règles et les significations sous-jacentes à divers groupes. Un exemple fréquent de problème d'association est la détermination d'un lien entre les achats des clients. Les magasins peuvent être intéressés à savoir quels produits ont été achetés ensemble et peuvent utiliser ces informations pour organiser le positionnement de ces produits pour un accès facile.
Apprentissage par renforcement
L'apprentissage par renforcement est une technique d'enseignement des modèles d'apprentissage automatique pour prendre une série de décisions axées sur les objectifs dans un cadre interactif. Les cas d'utilisation de jeux mentionnés ci-dessus en sont d'excellentes illustrations.
Vous n'avez pas besoin d'entrer AlphaZero des milliers de jeux d'échecs précédents, chacun avec un coup « bon » ou « mauvais » étiqueté. Apprenez-lui simplement les règles du jeu et le but, puis laissez-le essayer des actes aléatoires.
Un renforcement positif est donné aux activités qui rapprochent le programme de l'objectif (comme le développement d'une position de pion solide). Lorsque les actes ont l'effet inverse (comme le déplacement prématuré du roi), ils gagnent un renforcement négatif.
Le logiciel peut finalement maîtriser le jeu en utilisant cette méthode.
Apprentissage par renforcement est largement utilisé en robotique pour enseigner aux robots des actions compliquées et difficiles à concevoir. Il est parfois utilisé en conjonction avec l'infrastructure routière, comme les feux de circulation, pour améliorer la fluidité du trafic.
Que peut-on faire avec l'apprentissage automatique ?
L'utilisation de l'apprentissage automatique dans la société et l'industrie entraîne des avancées dans un large éventail d'activités humaines.
Dans notre vie quotidienne, l'apprentissage automatique contrôle désormais les algorithmes de recherche et d'image de Google, ce qui nous permet d'être plus précisément mis en correspondance avec les informations dont nous avons besoin quand nous en avons besoin.
En médecine, par exemple, l'apprentissage automatique est appliqué aux données génétiques pour aider les médecins à comprendre et à prédire la propagation du cancer, ce qui permet de développer des thérapies plus efficaces.
Les données de l'espace lointain sont collectées ici sur Terre via des radiotélescopes massifs - et après avoir été analysées avec l'apprentissage automatique, elles nous aident à percer les mystères des trous noirs.
L'apprentissage automatique dans le commerce de détail relie les acheteurs aux articles qu'ils souhaitent acheter en ligne et aide également les employés des magasins à personnaliser le service qu'ils fournissent à leurs clients dans le monde physique.
L'apprentissage automatique est utilisé dans la lutte contre le terrorisme et l'extrémisme pour anticiper le comportement de ceux qui souhaitent blesser des innocents.
Le traitement du langage naturel (PNL) fait référence au processus permettant aux ordinateurs de nous comprendre et de communiquer avec nous en langage humain grâce à l'apprentissage automatique. Il a entraîné des percées dans la technologie de traduction ainsi que dans les appareils à commande vocale que nous utilisons de plus en plus chaque jour, tels que Alexa, point Google, Siri et assistant Google.
Sans aucun doute, l'apprentissage automatique démontre qu'il s'agit d'une technologie transformationnelle.
Les robots capables de travailler à nos côtés et de booster notre propre originalité et imagination avec leur logique sans faille et leur vitesse surhumaine ne sont plus un fantasme de science-fiction, ils deviennent une réalité dans de nombreux secteurs.
Cas d'utilisation de l'apprentissage automatique
1. La cyber-sécurité
Alors que les réseaux sont devenus plus compliqués, les spécialistes de la cybersécurité ont travaillé sans relâche pour s'adapter à l'éventail sans cesse croissant des menaces de sécurité.
Contrer les logiciels malveillants et les tactiques de piratage en évolution rapide est déjà assez difficile, mais la prolifération des appareils de l'Internet des objets (IoT) a fondamentalement transformé l'environnement de la cybersécurité.
Les attaques peuvent survenir à tout moment et en tout lieu.
Heureusement, les algorithmes d'apprentissage automatique ont permis aux opérations de cybersécurité de suivre ces développements rapides.
Analyses prédictives permettent une détection et une atténuation plus rapides des attaques, tandis que l'apprentissage automatique peut analyser votre activité au sein d'un réseau pour détecter les anomalies et les faiblesses des mécanismes de sécurité existants.
2. Automatisation du service client
La gestion d'un nombre croissant de contacts clients en ligne a mis à rude épreuve l'organisation.
Ils n'ont tout simplement pas assez de personnel de service à la clientèle pour gérer le volume de demandes qu'ils reçoivent, et l'approche traditionnelle d'impartition des problèmes à un centre de contact est tout simplement inacceptable pour de nombreux clients d'aujourd'hui.
Les chatbots et autres systèmes automatisés peuvent désormais répondre à ces demandes grâce aux progrès des techniques d'apprentissage automatique. Les entreprises peuvent libérer du personnel pour entreprendre un support client de plus haut niveau en automatisant les activités banales et peu prioritaires.
Lorsqu'il est utilisé correctement, l'apprentissage automatique dans les entreprises peut aider à rationaliser la résolution des problèmes et fournir aux consommateurs le type d'assistance utile qui les convertit en champions engagés de la marque.
3. Communication
Éviter les erreurs et les idées fausses est essentiel dans tout type de communication, mais plus encore dans les communications d'entreprise d'aujourd'hui.
De simples erreurs grammaticales, un ton incorrect ou des traductions erronées peuvent entraîner une série de difficultés dans le contact par e-mail, les évaluations des clients, vidéo conférence, ou une documentation textuelle sous de nombreuses formes.
Les systèmes d'apprentissage automatique ont avancé la communication bien au-delà des jours grisants de Clippy de Microsoft.
Ces exemples d'apprentissage automatique ont aidé les individus à communiquer simplement et précisément en utilisant le traitement du langage naturel, la traduction linguistique en temps réel et la reconnaissance vocale.
Bien que de nombreuses personnes n'aiment pas les capacités de correction automatique, elles apprécient également d'être protégées contre les erreurs embarrassantes et le ton inapproprié.
4. Reconnaissance d'objets
Bien que la technologie permettant de collecter et d'interpréter les données existe depuis un certain temps, apprendre aux systèmes informatiques à comprendre ce qu'ils regardent s'est avéré être une tâche trompeusement difficile.
Des capacités de reconnaissance d'objets sont ajoutées à un nombre croissant d'appareils grâce aux applications d'apprentissage automatique.
Une automobile autonome, par exemple, reconnaît une autre voiture lorsqu'elle en voit une, même si les programmeurs ne lui ont pas donné un exemple exact de cette voiture à utiliser comme référence.
Cette technologie est maintenant utilisée dans les commerces de détail pour accélérer le processus de paiement. Les caméras identifient les produits dans les paniers des consommateurs et peuvent facturer automatiquement leurs comptes lorsqu'ils quittent le magasin.
5. Le marketing numérique
Une grande partie du marketing d'aujourd'hui se fait en ligne, en utilisant une gamme de plateformes numériques et de logiciels.
Au fur et à mesure que les entreprises collectent des informations sur leurs consommateurs et leurs comportements d'achat, les équipes marketing peuvent utiliser ces informations pour créer une image détaillée de leur public cible et découvrir quelles personnes sont les plus enclines à rechercher leurs produits et services.
Les algorithmes d'apprentissage automatique aident les spécialistes du marketing à donner un sens à toutes ces données, en découvrant des modèles et des attributs significatifs qui leur permettent de catégoriser étroitement les possibilités.
La même technologie permet une grande automatisation du marketing numérique. Les systèmes publicitaires peuvent être configurés pour découvrir dynamiquement de nouveaux consommateurs potentiels et leur fournir un contenu marketing pertinent au bon moment et au bon endroit.
L'avenir de l'apprentissage automatique
L'apprentissage automatique gagne certainement en popularité à mesure que de plus en plus d'entreprises et de grandes organisations utilisent la technologie pour relever des défis spécifiques ou alimenter l'innovation.
Cet investissement continu démontre une compréhension du fait que l'apprentissage automatique produit un retour sur investissement, en particulier grâce à certains des cas d'utilisation établis et reproductibles mentionnés ci-dessus.
Après tout, si la technologie est suffisamment bonne pour Netflix, Facebook, Amazon, Google Maps, etc., il est probable qu'elle puisse également aider votre entreprise à tirer le meilleur parti de ses données.
Comme neuf machine learning modèles sont développés et lancés, nous assisterons à une augmentation du nombre d'applications qui seront utilisées dans toutes les industries.
C'est déjà le cas avec reconnaissance de visage, qui était autrefois une nouvelle fonction sur votre iPhone mais qui est maintenant implémentée dans un large éventail de programmes et d'applications, en particulier ceux liés à la sécurité publique.
La clé pour la plupart des organisations qui tentent de se lancer dans l'apprentissage automatique est de regarder au-delà des visions futuristes lumineuses et de découvrir les véritables défis commerciaux que la technologie peut vous aider à relever.
Conclusion
À l'ère post-industrialisée, les scientifiques et les professionnels ont essayé de créer un ordinateur qui se comporte davantage comme des humains.
La machine à penser est la contribution la plus importante de l'IA à l'humanité ; l'arrivée phénoménale de cet engin automoteur a rapidement transformé les règles de fonctionnement des entreprises.
Les véhicules autonomes, les assistants automatisés, les employés de fabrication autonomes et les villes intelligentes ont récemment démontré la viabilité des machines intelligentes. La révolution de l'apprentissage automatique et l'avenir de l'apprentissage automatique seront avec nous pour longtemps.
Soyez sympa! Laissez un commentaire