Le machine learning est ce qui permet à l’Intelligence Artificielle d’être “intelligente”, c’est-à-dire d’apprendre, et non de se limiter à être une puissante source de calcul. L’idée est de récupérer de la data et de la faire passer dans un algorithme pour que celui-ci s’en nourrisse et soit capable de modifier ses processus de gestion de l’information pour générer des prises de décision. L’intelligence artificielle est maintenant capable d’apprendre et de s’adapter. Cas d'usage et bases de connaissance !

1. by
LES DIFFÉRENTES TECHNIQUES
D’APPRENTISSAGE
ALGORITHMES & MACHINE LEARNING
LE MACHINE LEARNING ET L’ENTRERPRISE
En amont, les données sont dotées d’une
caractéristique cible par des humains. Cette
technique d’apprentissage nécessite que des
instructeurs apprennent à la machine les
résultats qu’elle est censée fournir.
APPRENTISSAGE SUPERVISÉ
APPRENTISSAGE PAR RENFORCEMENT
L’idée est de reproduire l’apprentissage par la
technique essai-erreur. L’algorithme fait une
observation d’après des données qui lui sont
fournies, de laquelle s’ensuit une action sur
l'environnement qui à son tour produit
de la donnée qui va nourrir l’algorithme. Il reçoit
alors des récompenses quand il a juste et des
pénalités quand il a faux, à partir de quoi il décide
ou non de reproduire une action dans le futur.
APPRENTISSAGE PROFOND
Ou Deep Learning sert à apprendre de façon
autonome à partir de data non structurées,
c’est-à-dire qui ne peuvent pas être représentées
dans un tableau. De cette manière, l’IA ne serait
pas limitée à une tâche spécifique pour laquelle
elle serait programmée. Cet apprentissage
regroupe et est généré par une association
des 4 techniques précédentes.
Par exemple, notre intelligence artificielle
a maintenant appris comment déterminer
si une image représente un chat ou non.
On lui demande alors d’apprendre à
reconnaître des crocodiles. L’IA va se
servir de ce qu’elle a appris en termes de
techniques de reconnaissance, et sera par
la suite bien plus performante dans sa
capacité à reconnaître des chats.
sont déterministes, leurs
critères de fonctionnement sont
explicitement définis par ceux
qui les mettent en œuvre.
On constate aussi aujourd’hui qu’à partir du deep learning, les chercheurs
obtiennent parfois des résultats inconnus jusque-là, à partir desquels ils
conduisent une recherche permettant de comprendre ces nouvelles
observations. C’est ce qu’on appelle une “recherche inversée”, qui permet
d’accéder à des découvertes qui n’auraient pas été envisageables par
la construction classique d’hypothèses ou d’essais prospectifs.
requiert presque toujours de faire
des choix de méthode et des
arbitrages manuels, avec un risque
de finir avec des données
incomplètes, non à jour, ou
biaisées. Les spécialistes du
domaine doivent donc rester
vigilant et s’efforcer d’être
représentatif dans le choix des
données fournies aux algorithmes !
À titre d’exemple, l’IA de Microsoft
@TayAndYou qui s’est mise
à tenir des propos racistes sur
Twitter en moins de 24h…
LES ALGORITHMES CLASSIQUES
LE MACHINE LEARNING
sont probabilistes. S’ils constituent une technologie bien
plus puissante que les algorithmes classiques, leurs
résultats sont mouvants et dépendent à chaque instant de
la base d’apprentissage qui leur a été fournie et qui évolue
elle-même au fur et à mesure de leur utilisation.
LES ALGORITHMES APPRENANTS
Le machine learning est ce qui
permet à l’Intelligence Artificielle
d’être “intelligente”, c’est-à-dire
d’apprendre, et non de se limiter
à être une puissante soure de calcul.
L’idée est de récupérer de la
data et de la faire passer
dans un algorithme pour que
celui-ci s’en nourrisse et soit
capable de modifier ses
processus de gestion de
l’information pour
générer des prises de
décision. L’intelligence
artificielle est
maintenant capable
d’apprendre
et de s’adapter.
01010101
11100110
10101101
1 0 10
1
1
1 1
0
0
LEARNING
MACHINE
CHAT
SOURIS
LAPIN
CHAT
APPRENTISSAGE NON-SUPERVISÉ
Les données sont dépourvues de caractéristiques
cibles, et c’est l’algorithme qui va établir sa
propre classification, souvent de manière
statistique. Cette technique d’apprentissage le
rend libre d’évoluer vers n’importe quel état final.
APPRENTISSAGE PAR TRANSFERT
On fournit un certain type de données à
l’algorithme, pour l’entraîner à résoudre un
problème. Puis on lui donne à résoudre un
problème similaire, mais avec des caractéristiques
différentes. C’est là qu’il apprend, et les
connaissances acquises par ce processus vont
l’aider à mieux résoudre le problème initial !
Il est très utilisé dans la reconnaissance
visuelle : par exemple, on fournit à l’IA des
milliers d’images, en lui disant s’il s’agit ou non
de chats. L’IA élabore ensuite elle-même, par
confrontation de toutes ces images qualifiées,
les critères sur lesquels elle s'appuiera pour
reconnaître des chats dans les images qui lui
seront ultérieurement soumises.
Designed by
by
Sources : Les usages de l'intelligence artificielle, Olivier Ezratty • Statistiques : Forbes
Donner un sens à l'intelligence artificielle pour une stratégie nationale et européenne, Cédric Villani
SUIVEZ-NOUS
Dans le domaine bancaire, la vente de nouveaux produits est augmentée de 10%
et la perte de clientèle est réduite de 20%, tout en augmentant la satisfaction client.
1
0
10
1
1
1
1
1
0
0
0
80%
...de data non structurée
sur lequel les entreprises
s’appuient pour prendre
leurs décisions au quotidien
– d’où la nécessité
d’algorithmes performant
pour pouvoir les traiter.
76%
...des entreprises
disent avoir augmenté
leur chiffre d’affaire
grâce à la mise en
place de systèmes de
machine learning.
40%
...des entreprises
utilisent déjà le
machine learning pour
augmenter les ventes
et les performances
marketing.