Tout connaître de l’apprentissage machine (AM)

Qu’est-ce que l’apprentissage machine ?

Il peut être difficile d’arrêter une définition claire de l’apprentissage machine. L’apprentissage machine (AM) est un type d’intelligence artificielle qui permet aux machines d’apprendre à partir de données, sans que cet apprentissage soit explicitement programmé. Cela est rendu possible par l’optimisation des paramètres du modèle (des variables internes) au moyen de calculs, de sorte que les comportements modélisés reflètent les données ou l’expérience acquise. Ensuite, l’algorithme d’apprentissage met continuellement à jour les valeurs paramétrées au fil de l’apprentissage, ce qui permet au modèle d’AM d’apprendre et de formuler des prédictions ou de prendre des décisions fondées sur la science des données.

Les applications d’apprentissage machine sont très diverses et concernent un grand nombre d’industries, comme la santé, la finance, le marketing ou encore le transport. Les modèles d’apprentissage machine sont déjà employés dans plusieurs domaines, comme la reconnaissance d’image, le traitement du langage naturel, la détection de la fraude, les systèmes de recommandation, les véhicules autonomes et la médecine personnalisée.

D’une manière générale, l’apprentissage machine joue un rôle primordial en ce qu’il permet aux ordinateurs d’apprendre à partir de l’expérience et de données afin d’améliorer la performance de certaines tâches spécifiques sans devoir programmer cet apprentissage. Cette technologie a le potentiel de révolutionner de nombreuses industries en permettant l’automatisation de processus complexes, la formulation de prédictions et la prise de décisions intelligentes par l’analyse de gigantesques volumes d’informations.

Comment différencier l’apprentissage machine de l’apprentissage profond et des réseaux de neurones ?

L’apprentissage profond est un sous-domaine de l’apprentissage machine et consiste à entraîner des réseaux de neurones artificiels. Constitués de plusieurs couches, les réseaux de neurones s’inspirent de la structure et du fonctionnement du cerveau humain. À l’instar de notre cerveau, ils s’articulent autour de nœuds interconnectés (neurones) qui transmettent des signaux.

Ces algorithmes complexes excellent dans la reconnaissance d’image et vocale, le traitement du langage naturel et bien d’autres domaines, grâce à leur capacité à extraire automatiquement des caractéristiques à partir de données brutes en passant par plusieurs couches d’abstraction. L’apprentissage profond peut traiter des ensembles de données à une très grande échelle, à partir d’entrées à haute dimensionnalité. Pour y parvenir, il doit être associé à une grande puissance de calcul et un entraînement intensif.

Comment fonctionne l’apprentissage machine ?

La première étape de l’apprentissage machine consiste à collecter des données pertinentes pouvant provenir de sources telles que des bases de données, des capteurs ou encore de l’Internet.

• Retraitement des données : une fois les données collectées, elles doivent être retraitées pour en garantir la qualité et en permettre l’analyse.
• Entraînement du modèle : l’étape suivante consiste à entraîner un modèle d’apprentissage machine, c’est-à-dire un algorithme ou une représentation mathématique qui apprend à formuler des prédictions ou à prendre des décisions à partir de données d’entrée.
• Sélection des caractéristiques et technique : le modèle d’apprentissage machine sélectionne ensuite les caractéristiques les plus pertinentes à partir des données d’entrée qui produiront le plus d’impact sur la performance du modèle.
• Évaluation et optimisation du modèle : une fois le modèle entraîné, il doit être évalué pour en mesurer la performance et déterminer s’il répond aux critères fixés.
• Déploiement et suivi : au terme des processus réussis d’entraînement et d’évaluation, le modèle peut être déployé dans des applications d’apprentissage machine du monde réel.

Modèles d’apprentissage machine

L’apprentissage machine repose sur des sciences informatiques existantes, et s’appuie largement sur la statistique, la théorie de probabilité et des techniques d’optimisation. Il existe trois principaux types de modèles d’apprentissage machine :

L’apprentissage supervisé

Utilisé pour prédire des résultats ou classer des données, l’apprentissage machine supervisé s’appuie sur des jeux de données d’entraînement étiquetés. Au fur et à mesure que les données d’entrée alimentent le modèle AM, il est procédé à une pondération jusqu’à ce que le modèle soit correctement ajusté dans le cadre du processus de validation croisée. Ce modèle est utilisé dans des domaines tels que la reconnaissance faciale, la détection d’objets ou le contrôle de la qualité.

L’apprentissage non supervisé

Contrairement à l’apprentissage supervisé, l’apprentissage non supervisé utilise des jeux de données non étiquetés. Son objectif est d’apprendre aux modèles AM à détecter des modèles ou des structures cachés sans intervention humaine. L’apprentissage non supervisé est ainsi utilisé par les entreprises pour la segmentation de la clientèle, les stratégies de vente croisée ou l’analyse des données.

L’apprentissage par renforcement

Bien que similaire à l’apprentissage supervisé, l’apprentissage par renforcement repose sur l’expérimentation et les enseignements tirés des erreurs. Sans données d’entraînement étiquetées, l’apprentissage par renforcement entraîne les modèles d’AM à formuler les meilleures recommandations sur la base d’une série de résultats positifs.

Différences entre un modèle d’apprentissage machine et un algorithme d’apprentissage machine

Un modèle d’apprentissage machine est, par essence, un produit final. Il est défini comme une représentation du processus d’un algorithme d’apprentissage machine lorsque celui-ci est appliqué à un jeu de données. Son objectif est de généraliser le traitement à n’importe quel ensemble de données d’apprentissage plutôt que de simplement mémoriser les exemples sur lesquels il a été entraîné. En d’autres termes, le modèle est un outil qui peut être utilisé pour prédire des résultats et identifier des modèles.

L’algorithme d’apprentissage machine est, en revanche, la technique utilisée pour entraîner un modèle d’apprentissage machine. Il existe un certain nombre d’algorithmes – régression linéaire, machines à vecteurs de support, réseaux neuronaux profonds – et chacun possède ses propres formulations et complexités. Pour autant, l’objectif final de toutes ces méthodes est identique : réduire la marge d’erreur entre les prédictions du modèle et le résultat cible des jeux de données d’apprentissage.

Dans un système de classification d’images, par exemple, le modèle d’apprentissage machine est la fonction mathématique qui identifie si une image contient un chat ou un chien, après avoir assimilé des modèles à partir des données d’apprentissage. L’algorithme d’apprentissage machine est la méthode utilisée pour entraîner ce modèle, en optimisant ses paramètres afin d’améliorer la précision de la classification. Une fois entraîné, le modèle peut être utilisé pour classer de nouvelles images inédites selon qu’il s’agit d’un chat ou d’un chien.

Quels sont les avantages de l’apprentissage machine ?

L’apprentissage machine offre une multitude d’avantages pour diverses industries et applications. Sa capacité à traiter des quantités considérables de données en temps réel permet à l’apprentissage machine d’identifier par ailleurs les éventuelles lacunes dans les processus, d’optimiser les flux de tâches et d’améliorer la productivité générale.

Parmi les nombreux avantages de l’apprentissage machine, on peut citer les suivants :

• Automatisation des tâches répétitives : pour des économies de temps et de ressources. Ainsi, l’humain peut se concentrer sur des tâches plus complexes et créatives de son travail.
• Personnalisation et recommandations : en analysant les préférences et comportements de l’utilisateur, l’apprentissage machine rend possible les expériences personnalisées. Les plateformes comme Netflix, Amazon et Spotify s’appuient sur cette technologie pour suggérer des contenus en fonction des schémas de préférence propres à l’utilisateur.
• Analyse de données et reconnaissance des schémas : l’apprentissage machine excelle dans l’analyse de grands ensembles de données pour identifier des schémas et des tendances qui, autrement, ne seraient pas détectables avec des méthodes plus classiques. Ce processus peut aboutir à des informations très utiles et des prises de décision éclairées.
• Qualité améliorée des décisions prises : en fournissant des informations précises fondées sur les données, l’apprentissage machine aide à la prise de décisions mieux éclairées dans différents domaines, comme les stratégies marketing ou encore l’optimisation des chaînes d’approvisionnement.
• Analyse prédictive : les algorithmes de l’apprentissage machine peuvent formuler des prédictions fondées sur les données historiques, en anticipant les tendances, les comportements des clients et les dynamiques du marché à venir. Ils sont particulièrement utiles pour réaliser des prévisions financières, des prédictions de la demande, et mener une gestion du risque.
• Amélioration de l’expérience client : l’apprentissage machine est à la base des chatbots et des assistants virtuels qui interagissent avec les utilisateurs dans un langage naturel, en délivrant des réponses plus rapides et plus personnalisées pour améliorer le service et la fidélité client.
• Détection de la fraude et cybersécurité : les algorithmes de l’apprentissage machine peuvent détecter des schémas et comportements inhabituels dans les données, ce qui contribue à la détection de la fraude dans les opérations financières et favorise le perfectionnement de la cybersécurité en identifiant les menaces potentielles.
• Diagnostic médical et soins de santé : l’apprentissage machine aide à la prédiction des résultats pour les patients et à la personnalisation des traitements. Il peut analyser des images médicales, comme les radiographies et les IRM, pour aider à la détection de maladies.
• Optimisation de l’allocation des ressources : l’apprentissage machine prédit la demande, gère les inventaires et rationalise les processus de la chaîne d’approvisionnement. Il s’agit là d’un aspect capital pour les industries qui traitent des denrées périssables ou qui sont tributaires de la fluctuation de la demande du marché.
• Efficacité du recrutement et des processus RH : les algorithmes de l’apprentissage machine peuvent accélérer le processus de recrutement en analysant les CV, en identifiant les candidats susceptibles de convenir au poste et en prédisant la performance des collaborateurs.

Promesses et défis de l’apprentissage machine

L’apprentissage machine dans l’intelligence artificielle ouvre le champ des possibles aux entreprises et plus largement à la société. Outre les nombreux avantages susmentionnés, cette technologie qui fait partie du paysage de l’IA promet pour demain un monde riche en innovations dans le domaine de la résilience face au changement climatique et l’atténuation de ses effets, en soutenant l’accélération des solutions trouvées à certains des problèmes les plus sérieux de notre planète.

Cependant, une telle promesse n’est pas sans risque. Il est essentiel d’aborder les questions d’éthique, de respect de la vie privée et des potentiels biais pour garantir une utilisation responsable et équitable de ces technologies. En outre, l’efficacité des applications de l’apprentissage machine dépend de la qualité des données et du caractère approprié des algorithmes retenus pour exécuter des tâches spécifiques.

D’où le rôle critique que peuvent jouer les Normes internationales en fournissant des lignes directrices et des règles claires pour prévenir les abus et protéger les utilisateurs. Ainsi, en collaboration avec la Commission électrotechnique internationale (IEC), l’ISO a publié un certain nombre de normes relatives à l’apprentissage machine à travers son groupe d’experts dédié à l’intelligence artificielle (ISO/IEC JTC 1/SC 42). La plus récente sur le sujet est la norme ISO/IEC 23053 qui fournit un cadre applicable aux systèmes d’IA utilisant l’apprentissage machine.

Brève histoire de l’apprentissage machine

Pour répondre pleinement à la question « qu’est-ce que l’apprentissage machine ? », nous devons en retracer brièvement les étapes. Les origines de l’AM remontent aux années 1950. Depuis ses premières itérations jusqu’à l’émergence de la technologie actuelle en constante évolution, l’AM a été façonné – et continue de l’être – par des décennies d’avancées et d’échecs.

Des débuts modestes (années 1950-1960)

Arthur Samuel, pionnier dans le secteur de l’intelligence artificielle, crée le premier programme d’apprentissage machine en 1950. En écrivant le premier programme informatique pouvant jouer aux dames, il a démontré que les ordinateurs étaient capables d’apprendre. Toutefois, il ne s’agissait pas d’un programme explicitement conçu pour exécuter des commandes spécifiques. Ce programme pouvait tirer des leçons des erreurs commises et des coups gagnants pour améliorer ses performances. C’est lui qui inventera plus tard le terme « apprentissage machine » et le définira comme « le champ d’étude qui donne aux ordinateurs la capacité d’apprendre sans être explicitement programmés à apprendre. »

Huit ans plus tard seulement, en 1958, Frank Rosenblatt présente le Perceptron, un modèle simplifié de neurone artificiel. Cet algorithme, en capacité d’apprendre à détecter des modèles dans les données, constitue la première itération d’un réseau neuronal artificiel. Evgenii Lionudov et Aleksey Lyapunov vont enrichir ces innovations dans les années 1960 grâce à leurs travaux sur les algorithmes de rétropropagation et la théorie de l’apprentissage machine. Dans les années 1980 fut créé un algorithme capable de former efficacement des réseaux neuronaux multicouches.

Les années perdues (années 1960-1970)

L’ouvrage Perceptrons de Marvin Minsky et Seymour Papert, publié en 1969, a mis en lumière les limites des réseaux neuronaux. Combiné à une puissance de calcul limitée, au manque de données disponibles et à d’autres facteurs, ce livre important a involontairement contribué au premier « hiver de l’IA », marqué par un assèchement des financements et un faible intérêt pour la recherche dans ce domaine.

La renaissance (années 1980-1990)

John Hopfield va mettre fin à cette période de disette de l’IA avec l’introduction de son réseau neuronal récurrent – le réseau Hopfield – en 1982. Dans le sillage de cette découverte, David Rumelhart, Geoffrey Hinton, Ronald Williams et bien d’autres relancent l’étude de la rétropropagation et des réseaux neuronaux multicouches. L’année 1989 voit la première véritable percée dans le domaine de la vision par ordinateur grâce aux travaux de Yann LeCun sur les réseaux neuronaux convolutifs (CNN).

L’introduction des machines à vecteurs de support (SVM) par Vladimir Vapnik en 1995 et le développement des réseaux à mémoire long terme (LSTM) par Sepp Hochreiter et Jürgen Schmidhuber en 1997 impulsent alors un nouvel élan à ce domaine en plein essor.

Les percées (années 2010)

L’apprentissage machine marque une victoire décisive sur les ordinateurs traditionnels en 2012 lorsque AlexNet, un réseau neuronal convolutif, remporte le concours de vision par ordinateur ImageNet 2012, damant le pion aux méthodes traditionnelles.

À partir de ce moment-là, les avancées décisives se succèdent. En 2014, les réseaux adversaires génératifs (GAN) de Ian Goodfellow permettent aux chercheurs de générer des données synthétiques réalistes. En 2016, le système AlphaGo de DeepMind parvient à battre le champion du monde de go, jeu traditionnel japonais. Et en 2017, les modèles de transformateurs révolutionnent les capacités de traitement du langage naturel.

Les derniers développements (depuis 2010)

Depuis, le développement des architectures d’apprentissage profond s’est poursuivi et les applications d’apprentissage machine ont été étendues à des secteurs tels que les soins de santé, la finance et même le divertissement. L’apprentissage machine est également utilisé dans les appareils de l’Internet des objets (IoT) et dans d’autres domaines tels que l’informatique quantique, les neurosciences et la physique.

Face à ces progrès effrénés, l’accent est aujourd’hui mis sur les considérations entourant l’utilisation responsable des systèmes d’apprentissage machine. En outre, les progrès des techniques non supervisées et d’auto-apprentissage ont renforcé l’importance de la gestion des données et de l’application des modèles d’AM dans des scénarios réels.

• ISO/IEC 23053:2022Cadre pour les systèmes d'IA qui utilisent l'apprentissage machine
• ISO/IEC 42001:2023Intelligence artificielle – Système de management
• ISO/IEC 23894:2023Intelligence artificielle – Recommandations relatives au management du risque

L’apprentissage machine sera-t-il l’avenir de l’IA ?

Le but ultime de l’IA est de concevoir des machines capables de raisonner, d’apprendre et de s’adapter à divers domaines. Pour y parvenir, un certain nombre de capacités avancées devront être mobilisées dans une variété de sous-domaines de l’IA, dont l’apprentissage machine est une composante essentielle.

Le futur de l’apprentissage machine, qui s’inscrit plus largement dans le domaine de l’IA, est une perspective réjouissante pour beaucoup, mais suscite des préoccupations pour certains. L’élaboration de Normes internationales est donc cruciale si nous voulons réduire au minimum les risques de ce futur et optimiser les nombreux avantages dans chaque aspect de nos vies.