Accès rapide au contenu
Main robotique utilisant un ordinateur portable

Qu'est-ce que le 

Machine Learning ?

Le Machine Learning est un sous-ensemble de l'intelligence artificielle (IA). Cette technologie vise à apprendre aux machines à tirer des enseignements des données et à s'améliorer avec l'expérience, au lieu d'être explicitement programmés à le faire. Dans le Machine Learning, les algorithmes sont entraînés à trouver des patterns et des corrélations dans de grands ensembles de données, ainsi qu'à prendre les meilleures décisions et à émettre les meilleures prévisions en s'appuyant sur leur analyse. Avec la pratique, les applications du Machine Learning s'améliorent. Et plus le volume de données auxquelles elles ont accès est important, plus elles deviennent précises. Le Machine Learning a des applications partout autour de nous : dans nos foyers, dans nos paniers de shopping, dans nos médias de divertissement et même dans notre santé.

Le Machine Learning, ainsi que l'apprentissage profond et les réseaux de neurones artificiels qui le composent, constituent des sous-ensembles concentriques de l'IA. L'IA traite les données pour prendre des décisions et émettre des prévisions. Les algorithmes de Machine Learning permettent non seulement à l'IA de traiter ces données, mais aussi de les exploiter pour apprendre et devenir plus intelligente, sans avoir à recourir à une programmation additionnelle. L'intelligence artificielle est la mère du Machine Learning et de tous les sous-ensembles qui le composent. Dans le premier sous-ensemble se trouve le Machine Learning. Dans le Machine Learning se trouve l'apprentissage profond. Et dans l'apprentissage profond se trouvent les réseaux de neurones artificiels.

Le Machine Learning se décline sous différents types de modèles, qui emploient chacun des techniques algorithmiques différentes. Selon la nature des données et le résultat souhaité, l'un de ces quatre modèles d'apprentissage peut être utilisé : supervisé, non supervisé, semi-supervisé ou par renforcement. Dans chacun de ces modèles, une ou plusieurs techniques algorithmiques peuvent être appliquées. Tout dépend des ensembles des données qui seront utilisés et de l'objectif visé au niveau des résultats. Par nature, les algorithmes de Machine Learning sont conçus pour classifier des éléments, repérer des patterns, prévoir des résultats et prendre des décisions éclairées. Les algorithmes peuvent être mis en œuvre individuellement ou en groupe dans le but d'atteindre la plus grande précision possible lorsque les données utilisées sont complexes et imprévisibles. 

Les algorithmes de Machine Learning identifient des patterns et des corrélations, ce qui signifie qu'ils sont très bons dans l'analyse de leur propre ROI. Pour les entreprises qui investissent dans les technologies de Machine Learning, cette capacité permet d'avoir une évaluation quasi-immédiate de l'impact opérationnel. Les domaines d'application du Machine Learning sont nombreux. En voici quelques exemples ci-dessous.

Envie de voir une démo des technologies intelligentes SAP s'appuyant sur l'IA et le Machine Learning ? 

Dans son livre Spurious Correlations, Tyler Vigan, scientifique des données et diplômé d'Harvard, remarque que « les corrélations ne traduisent pas toutes une connexion de causalité sous-jacente ». Pour illustrer ce point, il inclut un graphique présentant une corrélation qui semble forte entre la consommation de margarine et le taux de divorce dans l'état du Maine. Évidemment, il s'agit là d'un graphique humoristique. Pour revenir aux choses sérieuses, les applications de Machine Learning sont en effet sensibles aux biais et aux erreurs humaines et algorithmiques. Et vu la propension du Machine Learning à apprendre et à s'adapter, ces erreurs et ces fausses corrélations peuvent vite se répandre et polluer les résultats sur le réseau de neurones artificiels.

Une autre difficulté vient des modèles de Machine Learning, dans lesquels l'algorithme et son résultat sont si complexes qu'ils ne peuvent être expliqués ou compris par les humains. On appelle ce type de modèle « boîte noire ». Il peut mettre les entreprises en danger lorsque celles-ci sont incapables de déterminer comment et pourquoi un algorithme est arrivé à telle ou telle conclusion ou décision.

 

Heureusement, plus la complexité des ensembles de données et des algorithmes de Machine Learning augmente, plus les outils et les ressources pour gérer les risques associés sont nombreux. Les entreprises les plus prospères s'efforcent d'éliminer les erreurs et les biais en instaurant des directives de gouvernance IA et des bonnes pratiques robustes et adaptées.

Machine Learning : Forum Aux Questions (FAQ)

Haut de page