Qu’est ce que l’apprentissage automatique ?

Qu’est ce que l’apprentissage automatique ?

Le Machine Learning parfois appelé Automated Learning est une vieille terminologie datant de 1960. Il s’agit de la contraction du terme machine faisant référence aux interfaces informatiques et le mot learning qui définit la faculté de découvrir et de reconnaître des schémas structurants dans un ensemble de données. L’apparition du terme Machine Learning et de son abréviation ML tend à dissocier les nouveaux modèles des processus d’automatisation plus courants au XXe siècle. 

La différence entre ML et l’automatisation se base sur la nécessité dans l’automatisation de faire une énumération exhaustive des règles de prise de décision. Les ML n’en ont pas besoin car l’ensemble des décisions s’extraient des jeux de données et de parfois quelques directives présentées en amont. Ceci permet au modèle de ML de répondre à des problèmes nouveaux où les anciens modèles sont soit limités, soit incapable de répondre. C’est le cas notamment dans les situations avec une haute complexité ou lorsque le problème nécessite une adaptabilité des algorithmes. En effet, un processus ML peut aussi s’adapter contrairement à un programme standard pour répondre à des variations de contexte. Ceci n’est pas réalisable pour un système automatisé sans la contribution d’un expert extérieur. 

Dans le secteur du Machine Learning, l’objectif principal est de concevoir des systèmes permettant aux ordinateurs de comprendre des structures et d’assimiler des connaissances à partir de données. Pour ce faire, le machine learning englobe un ensemble d’outils mathématiques vaste. Le milieu du Machine Learning englobe plusieurs champs des sciences en s’inspirant des connaissances notamment en  statistiques, mais aussi en théorie de l’information, en théorie des jeu, en optimisation… Enfin, en tant que domaine des sciences de l’informatique, une part importante est adressée à l’usage d’algorithme et de notion de science de l’informatique. 

A quoi sert le Machine Learning ?

Les modèles de machine learning sont variés mais tous se rejoignent autour de l’usage de données pour répondre à une tâche précise. De façon générale, l’objectif est de faire une analyse approfondie mettant en avant de nouvelles connaissances à partir d’un ensemble de données et d’un objectif ciblé au préalable. Pour ce faire, les modèles ML font des relations, définissent des schémas et construisent des échantillons représentatifs d’événement réel mesurable. 

D’un point de vue industriel, le ML suit une tendance consistant à automatiser les processus réalisés par l’Homme et devenus coûteux, dont nous souhaitons soustraire les individus. Dans le champ spécifique du ML, ce sont les processus d’analyse d’information qui sont visés. Cette analyse virtuelle permet entre autres une meilleure compréhension des données, et peut permettre d’aider à la prise de décision en émettant des prédictions plus ou moins fiables à l’aide du contexte représenté par les données.

Rappelons que nous entrons dans la période des big data pour l’Homme et son industrie. Cette période se définit par l’émergence d’un écosystème enrichi en données avec des volumes considérables. Pour pouvoir analyser les données malgré l’accroissement de celle-ci dans l’écosystème numérique, il faut des outils pour automatiser les méthodes d’analyse comme ce que propose la ML. Le fait que le ML permettent d’automatiser les analyses de ces jeux de données témoigne à mon sens de sa force dans les enjeux du siècle.

Quelles sont les performances marquant du Machine Learning ?

L’émergence et l’usage du ML dans la vie quotidienne bouleverse plusieurs secteurs et les usages associées deviennent de plus en plus indispensables pour le développement de plusieurs secteurs. Dans la vie quotidienne, les algorithmes de Machine Learning sont souvent mis en avant par leur capacité à reproduire des comportements humains comme le langage, la reconnaissance visuelle, la création, la traduction, la conversation et la prise de décision analytique. Comportement qui sont fortement ancrés comme inhérent à la condition humaine et animale. Chaque avancée dans ce secteur pose indubitablement des questions philosophiques et humaines sur notre condition et peut susciter la crainte. 

ML est souvent défini comme une branche de l’AI (Artificial Intelligence). Mais dans le cas du ML on étend souvent l’exercice à d’autres objectifs que de simplement reproduire une intelligence animale artificiellement. Il s’agit également de parfaire certains raisonnement et d’en accompagner d’autres pour la prise de décision. L’acteur humain extérieur est complémentaire et essentiel.

Il est important de rappeler que le ML est un outil parmi tant d’autres et qu’il ne se limite pas à l’imitation des processus humains. La force même du ML est la capacité de ses modèles à extraire dans de grand volume de données des informations nouvelles. Par ailleurs, plus une tâche ou une question est fine, plus l’usage de données réelles et riches améliore les performances. Cependant, l’analyse est rendue difficile par le temps que nécessite les tâches intermédiaires de manipulation et de compréhension des données, notamment quand la quantité de données est gigantesque. C’est ici que le ML est un outil formidable, puisque permettant à moindre côut, d’automatiser la plupart des sous-tâches d’analyse des données par un acteur virtuel.

Par sa condition de machine, le modèle ML peut performer plus longtemps, parfois de manière plus optimisé et de manière plus fine que l’humain. La force des modèles de ML est également d’avoir les ressources nécessaires pour minimiser les erreurs de raisonnement en parallélisant les analyses en plusieurs experts virtuels, ce que nous ne pouvons pas faire aussi simplement avec des experts humains. 

Malgré tout, il ne faut pas concevoir directement les modèles ML comme des concurrents des humains mais bien comme des outils d’aide à la décision pratique. La machine ne peut apporter de jugement en dehors de l’analyse des faits, l’humain reste le seul apte à choisir en fonction des informations données. A titre d’exemple, le filtre de spam des emails et les moteurs de recherche sont deux principaux cas d’usages du ML déjà présent dans le quotidien en tant qu’assistant laissant libre cours aux choix de l’humain.

Ceci donne une idée des tâches que les humains peuvent faire (trier ses mails) et dont on veut déléguer à des machines et les tâches que l’humain ne peut pas faire car limité par ses capacité (proposer le contenu le plus pertinent du vaste internet). 

Le Machine Learning, une grande famille d’algorithmes.

Comme dans tout domaine de l’informatique, il y a plusieurs façons de réaliser les mêmes choses en ML. Il arrive même assez régulièrement que deux approches se valent pour répondre à une problématique. 

Le fait qu’Il existe plusieurs façon de faire du Machine Learning, à la fois pour répondre différemment et subtilement à des problèmes qui varient légèrement dans les conditions initiales mais aussi pour optimiser ces résultats fait que la discipline est riche et difficile à appréhender dans son ensemble. 

Il y a plusieurs sous branches de ML suivant les approches de l’apprentissage mis en avant. Mais cela ne doit pas vous décourager pour autant, chaque famille en ML à son propre univers et il n’est pas nécessaire de maîtriser l’ensemble. Dans un article sur le blog, nous revenons sur les différentes approches et en quoi elle diffère pour répondre à des tâches spécifiques. Enfin, un élément majeur en ML concerne le fameux théorème au nom évocateur “There is no free lunch”, qui rappelle à tous les enthousiastes en ML qu’il n’existe pas de solution miracle en ML. Chaque approche répond à des problématiques précises de façon plus ou moins pertinente. 

Photo Maxime Macé

Maxime Macé

Simple passionné de thématiques diverses et variées. J’apprécie enrichir mes connaissances dans les disciplines techniques comme l’informatique, les sciences et l’ingénierie, mais aussi dans les domaines merveilleux de la philosophie, l’art et la littérature.

Prenons contact

Vous souhaitez me contacter suite à la lecture de cet article ? Merci de renseigner votre adresse électronique et je vous recontacterai dans les plus brefs délais.

CV Ingénieur développeur informatique

CV Étudiant PhD Artificial Intelligence

Portfolio Artist designer