Les approches de machine learning à la loupe

Les méthodes d’apprentissage automatique ouvrent de nouvelles opportunités pour proposer des offres commerciales innovantes, notamment grâce à l’abondance des données. C’est pourquoi bon nombre d’entreprises se ruent sur cette technologie en lançant des projets d’informatique intelligente. Mais en pratique, quelle approche adopter ? Éclaircissements.

Le marché voit actuellement une explosion des solutions d’intelligence artificielle basées sur l’apprentissage automatique (machine learning). Ce boom s’explique avant tout par la disponibilité de ressources matérielles nouvelles pour ces applications gourmandes en espace mémoire, en temps de calcul et surtout en données. Home Depot, Apple ou encore Intuit font partie des entreprises proposant des offres innovantes basées sur l’apprentissage automatique, leur permettant de se différencier de leurs concurrents. À leur image, plus de la moitié des grandes entreprises expérimentent des projets autour de cette technologie, selon Gartner.

 

Les données jouent un rôle crucial dans le succès de l’apprentissage automatique

 

Mais, compte tenu de la complexité de sa définition, il règne une certaine confusion autour de l’apprentissage machine. Contrairement aux algorithmes classiques, conçus pour réaliser des tâches prédéfinies, les méthodes de machine learning visent à apprendre comment réaliser certaines tâches avec des données prévues à cet effet. Différentes approches coexistent : l’apprentissage supervisé, où des exemples étiquetés sont fournis au modèle, l’apprentissage non supervisé, où le modèle devine des structures sous-jacentes sans exemple étiqueté, et l’apprentissage semi-supervisé qui combine les deux précédents. À cela s’ajoute l’apprentissage par renforcement, visant à optimiser le résultat en cherchant la meilleure action possible à chaque étape. Quel que soit le modèle, la qualité des données et leur quantité jouent un rôle crucial.

Les réseaux de neurones figurent parmi les solutions d’apprentissage automatique les plus populaires aujourd’hui. Nés à la fin des années 1950, quelque peu délaissés après les années 1980, ils bénéficient aujourd’hui à plein des avancées en matière de calcul parallèle et de puissance computationnelle. Avec des milliers de couches de neurones, les modèles actuels ont évolué vers un apprentissage dit profond (deep learning). Ils permettent par exemple, dans un cadre supervisé, de réaliser des tâches de reconnaissance automatique d’image ou de parole à des niveaux de performance comparables, voire supérieurs, aux humains.

 

Lire l’article (en anglais)

 

En complément :

Un article détaillant les secteurs d’activité bientôt bouleversés par l’apprentissage automatique,

et un autre à propos de la traduction automatique par réseau de neurones.