Le principe du machine learning

Le machine learning, ou apprentissage automatique, est une branche de l'intelligence artificielle qui permet à un ordinateur de réaliser une tâche en apprenant à partir de données.

Dans une programmation classique, le programmeur écrit les règles que l'ordinateur doit appliquer. En machine learning, le fonctionnement est différent : le système reçoit de nombreux exemples et construit lui-même un modèle capable de reconnaître des régularités dans ces données.

Par exemple, pour reconnaître des photographies de chats, il n'est pas nécessaire de programmer une liste précise de caractéristiques définissant tous les chats possibles. Le système analyse de nombreuses images identifiées comme représentant ou non un chat et apprend progressivement les caractéristiques statistiques permettant de les distinguer.

Les données d'apprentissage

Le fonctionnement commence par la collecte de données. Ces données servent d'exemples au système : photographies, textes, sons, mesures, transactions ou tout autre type d'information adapté à la tâche.

La qualité de ces données est essentielle. Des données trop peu nombreuses, erronées ou mal représentatives peuvent conduire à un modèle qui produit de mauvaises prédictions. Les données utilisées pour l'apprentissage doivent donc être suffisamment nombreuses, pertinentes et variées.

L'entraînement du modèle

Les données sont ensuite utilisées pour entraîner un modèle. Pendant cette phase, l'algorithme analyse les exemples et ajuste progressivement ses paramètres afin de mieux reproduire les résultats attendus.

Le modèle ne mémorise pas nécessairement chaque exemple. Il cherche surtout à apprendre des relations et des régularités qui pourront être utilisées sur de nouvelles données.

Le test du modèle

Une partie des données peut être conservée pour le test et ne pas être utilisée pendant l'apprentissage. Le modèle est alors confronté à des données qu'il n'a pas vues afin de mesurer sa capacité à produire des résultats corrects sur de nouvelles situations.

Un modèle qui fonctionne très bien sur les exemples utilisés pour son apprentissage mais beaucoup moins bien sur de nouvelles données peut avoir mémorisé ces exemples au lieu d'apprendre des règles suffisamment générales. Ce problème est appelé surapprentissage.

Les prédictions

Une fois entraîné et évalué, le modèle peut recevoir de nouvelles données. Il analyse ces informations et produit une prédiction, une classification, une recommandation ou une estimation selon la tâche pour laquelle il a été conçu.

Un système de détection de spam peut par exemple analyser un nouveau message et estimer la probabilité qu'il soit indésirable. Un système de reconnaissance d'images peut identifier les objets présents sur une photographie.

Les applications du machine learning

• Reconnaissance d'images : identification d'objets, de visages ou de différentes catégories d'images.
• Reconnaissance et traitement du langage : analyse de textes, traduction automatique et reconnaissance de la parole.
• Recommandation : sélection de vidéos, de produits ou de contenus susceptibles de correspondre aux habitudes d'un utilisateur.
• Détection de fraudes : repérage de transactions ou de comportements inhabituels.
• Prévision : estimation de valeurs ou d'événements à partir de données précédentes.
• Médecine : aide à l'analyse de certaines images médicales ou de données, sous le contrôle de professionnels.

Les limites du machine learning

Un modèle de machine learning ne comprend pas les informations comme un être humain. Il exploite des relations statistiques apprises à partir des données pour produire le résultat correspondant le mieux à ce qu'il a appris.

Les résultats peuvent donc être inexacts. Un modèle peut reproduire les erreurs ou les biais présents dans ses données d'apprentissage. Il peut également rencontrer des situations très différentes de celles rencontrées pendant son entraînement.

L'entraînement de modèles complexes peut nécessiter une grande quantité de données et une importante puissance de calcul. La durée dépend notamment de la taille des données, de la complexité du modèle et des ressources informatiques disponibles.

Le machine learning permet ainsi à un ordinateur de tirer des informations de données pour produire des résultats sur de nouvelles situations. Il constitue aujourd'hui l'une des principales techniques utilisées pour développer des systèmes d'intelligence artificielle.