Le Machine Learning, ou apprentissage machine, est une branche de l’intelligence artificielle qui permet aux ordinateurs d’apprendre sans avoir été programmés spécifiquement pour cela. Ce sont les données qu’ils doivent analyser qui vont leur permettre d’apprendre et de se développer. Nous pouvons considérer que le Big Data sert le Machine Learning et réciproquement. Les ordinateurs apprennent à partir de l’expérience, c’est-à-dire que plus ils sont exposés à des données, plus ils « s’entraînent » et plus leurs performances s’améliorent.

Les méthodes d’apprentissage du Machine Learning

De nombreuses méthodes permettent de créer automatiquement des modèles à partir des données. On appelle ces méthodes des algorithmes. Ils peuvent être soit supervisés soit non supervisés.

Algorithme supervisé

Dans le cadre de l’apprentissage automatique supervisé, l’algorithme fournit des « étiquettes » aux données utilisées pour l’entraînement. Par exemple, si l’on montre plusieurs formes géométriques avec leurs noms à une intelligence artificielle, elle va assimiler la forme au mot (associer une forme ronde au mot « rond ») et va finir par les reconnaître seule. A l’issue de son entraînement, le modèle est également capable de retrouver ces mêmes éléments sur des données non étiquetées, à savoir reconnaître un rond sans que le mot « rond » n’y soit associé. On peut distinguer deux types d’algorithmes supervisés :

• les algorithmes de classification : prédictions non-numériques
• les algorithmes de régression : prédictions numériques

Algorithme non supervisé

Dans l’apprentissage non supervisé, l’intelligence artificielle ne possède que des données sans étiquettes. Elle les analyse en essayant d’y déceler des motifs récurrents. C’est donc elle qui doit déduire les étiquettes. Là encore, on peut classifier ces algorithmes en 3 branches :

• les algorithmes de clustering pour trouver des groupes d’objets similaires
• les algorithmes d’association pour trouver des liens entre des objets
• les algorithmes de réduction dimensionnelle pour choisir ou extraire des caractéristiques

Les applications du Machine Learning

Le Machine Learning est une technologie de plus en plus utilisée dans toutes les industries : le web, la santé, les transports... Les usages du Machine Learning sont vastes, impactent nos métiers et se retrouvent dans la vie quotidienne. Quelques exemples :

Les recommandations de produits fournies par le Machine Learning

Netxflix, Youtube, Amazon, Facebook etc utilisent ce type de système. Ces entreprise récupèrent des données sur les utilisateurs : que regardent-ils ? Qu’achètent-ils ? A quel type de publication réagissent-ils ? L’objectif est de proposer à l’utilisateur de meilleures recommandations de produits/vidéos à regarder/résultats de recherche…. L’expérience utilisateur devient totalement personnalisée.

Des diagnostics médicaux révélés par l’Intelligence Artificielle

Le Machine Learning permet d’analyser et de classer automatique des images de radiographies médicales afin d’identifier des maladies ou des anomalies. Ses résultats sont très performants, et parfois même meilleurs que les spécialistes humains. Les algorithmes peuvent aussi alerter en amont d’un problème de santé, avant que cela ne se produise. Néanmoins, l’intelligence artificielle n’est pas en mesure de remplacer les experts compte tenu des enjeux.

Les voitures autonomes

Le mécanisme des voitures autonomes se base sur le Machine Learning. Pour l’instant, elles arrivent à se garer ou à suivre une voie sur l’autoroute. En revanche, le contrôle total du véhicule en ville est limité et les essais n’ont pas été concluants, pour le moment.

La reconnaissance faciale

On retrouve ce type de technologie par exemple dans les smartphones afin de regrouper les photos en fonction des personnes qui s’y trouvent. Généralement, les données n’ont pas d’étiquettes et l’algorithme cherche tous les items similaires et les rassemble dans un même groupe.