Qu’est-ce que le machine learning ?

Le machine learning (ML) est un sous-domaine de l’IA qui utilise les réseaux neuronaux artificiels (ANN) pour imiter la façon dont les êtres humains prennent des décisions. 

Le machine learning permet aux ordinateurs de développer des modèles d’apprentissage par eux-mêmes, sans aucune programmation, à partir de gros ensembles de données (ou datasets). 

On fournit donc des quantités colossales de données thématiques à un programme afin qu’il développe son apprentissage sur ce sujet et qu’il puisse ensuite les traiter de manière autonome. Le machine learning est utilisé pour identifier les tendances enfouies dans les gros ensembles de données et pour la modélisation statistique.

Qu’est-ce que le deep learning ?

 La couche immédiatement inférieure est occupée par le deep learning (DL), l’une des nombreuses approches du machine learning. 

Le deep learning utilise des réseaux de neurones profonds pour identifier des structures dans des volumes considérables de données. Dans le contexte informatique, les « réseaux neuronaux » sont des ensembles d’algorithmes modélisés sur la structure biologique du cerveau humain.  

Chaque réseau neuronal se concentre sur une couche spécifique de la tâche à apprendre. C’est la superposition de ces couches de neurones qui permet à au système d’effectuer une tâche spécifique. 
Citons comme exemples d’application le système de recommandation de films de Netflix qui adapte les propositions en fonction des recherches passées des utilisateurs et l’algorithme du MIT qui analyse des vidéos et permet de prédire très rapidement les futurs comportements.

Quelles différences entre intelligence artificielle, machine learning et deep learning ?

Pour mieux comprendre la différence d’approche entre ces trois technologies, voyons comment elles doivent procéder pour apprendre à un ordinateur à reconnaître la présence de chat sur des images : 

L’IA exige qu’un programmeur écrive tout le code nécessaire à l’ordinateur pour reconnaître un chat présent sur une image. Le programmeur crée le modèle d’apprentissage. 

Le machine learning exige que des programmeurs apprennent au système à quoi ressemble un chat en lui montrant différentes images et en corrigeant son analyse jusqu’à ce que celle-ci soit correcte (ou plus précise). On parle d’apprentissage supervisé puisque l’intervention humaine est nécessaire. 

Le deep learning divise la tâche de reconnaissance des caractéristiques du chat en plusieurs couches : une couche de l’algorithme apprend à reconnaître les yeux, une autre les oreilles, une troisième la silhouette générale, etc. Une fois connectées, ces différentes couches possèdent une certaine capacité de reconnaissance des chats afin de reconnaître l’animal sur chaque nouvelle image soumise. Le machine learning et le deep learning rendent l’IA plus efficace et plus accessible.

Un exemple de l’utilisation du machine learning :

Netflix ou encore Amazon, utilise le machine learning  pour améliorer son service client notamment sur les recommandations” aux client de films, de séries et de produits.

Recommandations client

Lors de la navigation sur internet, des données sont collectées sur l’utilisateur : historique d’achats et de recherches. En fonction de ces informations, le machine learning va pouvoir identifier les besoins clients et quels sont les produits qui pourront potentiellement intéresser chaque client. Parmi les applications de ce modèle, on retrouve notamment la plateforme Netflix qui proposent des recommandations à chaque utilisateur en fonction de son historique de visionnage et de ses goûts. L’objectif est de personnaliser le service proposé en fonction des spécificités de chaque client.

Diagnostic médical

C’est sans doute l’un des applications du machine learning les plus intéressantes. En effet, en s’intéressant aux informations médicales, le modèle du machine learning peut établir un diagnostic de l’état de santé d’un patient et anticiper les éventuels risques. Dans certains cas, ce diagnostic réalisé grâce au machine learning permet de prévenir la survenue d’un crise cardiaque.

Remplacement d’images dans les vidéos

Grâce à une identification des images encore plus précise, certaines techniques du machine learning vont permettre de transformer des images directement dans une vidéo. Cette technologie permet de retrouver des éléments similaires afin de les regrouper et de pouvoir les modifier grâce à des logiciels adaptés (exemple : PyTorch).

L’intelligence artificielle occupe une place quotidienne dans nos vies aujourd’hui. Nous l’utilisons sans nous en rendre compte sur Google, Spotify, Netflix … Si Hollywood lui prête un destin de domination de l’Homme, elle n’est toujours pas programmée pour ça, et difficile de penser que ce sera le cas. Très performante sur des tâches extrêmement complexes et précises, l’IA n’est toujours pas en mesure d’avoir une intelligence générale, c’est à dire d’apprendre à être intelligent comme nous, d’apprendre le monde comme un bébé ou un enfant peut le faire.