Beaucoup de gens ne font pas confiance aux algorithmes et au machine learning, simplement parce qu’ils ne comprennent pas complètement leur fonctionnement.

Nous avions vu par le passé comment le machine learning peut être utilisé pour améliorer l’expérience utilisateur, mais de quoi s’agit-il réellement ?

Qu’est-ce que le machine learning ?

Les spécialistes appellent souvent la technologie utilisée pour faire du machine learning « des algorithmes ». Un algorithme est une série d’opérations étape par étape, généralement des calculs, qui peuvent résoudre un problème défini en un nombre fini d’étapes.

Dans le machine learning, les algorithmes utilisent une série d’étapes pour résoudre le problème en « apprenant » à partir des données.

C’est une application de l’IA, qui peut automatiquement apprendre et s’améliorer à partir de l’expérience, sans être explicitement programmée pour le faire. L’apprentissage est le résultat de l’analyse de quantités de données toujours plus importantes, de sorte que les algorithmes de base ne changent pas, ce sont les biais internes du code qui sont utilisés pour sélectionner une réponse particulière. Bien sûr, ce n’est pas aussi simple, mais on commence à y voir plus clair n’est-ce-pas ?

Machine learning, comment ça marche ?

On dit que les algorithmes de machine learning « apprennent », mais il est souvent difficile de trouver une signification précise au terme « apprentissage » car il existe différentes façons d’extraire les informations des données, selon la façon dont l’algorithme est construit.

En général, le processus d’apprentissage nécessite d’énormes quantités de données qui fournissent une réponse attendue en fonction d’entrées particulières. Chaque paire entrée/réponse représente un exemple : plus il y a d’exemples et plus la machine est en mesure d’apprendre.

Le machine learning consiste à optimiser une représentation mathématique et synthétique des données, de manière à ce qu’il puisse prédire ou déterminer une réponse appropriée, même lorsqu’il reçoit une entrée qu’il n’a jamais vue auparavant. Plus le modèle est capable de fournir des réponses correctes, mieux il a appris à partir des données qu’il a reçues.

Différentes méthodes d’apprentissage

Il existe plusieurs manières d’apprendre. En fonction de la réponse attendue et du type d’entrée que vous fournissez, vous pouvez classer les algorithmes par type d’apprentissage. Le type que vous choisirez dépendra du type de données dont vous disposez, et du résultat que vous attendez.

Les trois formes d’apprentissage utilisées pour créer des algorithmes sont les suivantes :

Supervised Learning

Lorsque l’on travaille avec des algorithmes de machine learning supervisés, les données d’entrée sont étiquetées et ont donc un résultat attendu spécifique. Si vous montrez une photo de chien, la réponse attendue est évidente.

Il faut « former » l’algorithme pour qu’il arrive à créer un modèle adapté aux données. Au fur et à mesure que sa formation progresse, les prédictions ou les classifications deviennent plus précises.

C’est la méthode la plus répandue, car les données disponibles sont majoritairement faciles à étiqueter. Bien sûr, plus l’algorithme verra des chiens, et plus il saura les reconnaître par la suite, car son entrainement sera meilleur.

Son apprentissage sera de quelques secondes ou de plusieurs années, selon la complexité de ce qui est demandée.

Unsupervised Learning

Lorsque l’on travaille avec des algorithmes non supervisés, les données d’entrée ne sont pas étiquetées et les résultats ne sont pas connus. Contrairement à la première méthode, vous ne dites pas « tiens, voici une photo de chien » mais vous dites « voici des photos… » : l’algorithme ne sachant ce qu’on lui demande, va essayer de classer les photos lui-même, par différence, ressemblance…

Dans ce cas, l’analyse structurelle des données produit le modèle. L’analyse structurelle peut avoir plusieurs objectifs, tels que la réduction de la redondance ou le regroupement de données similaires.

Reinforcement Learning

Vous pouvez considérer le reinforcement Learning comme une extension de l’apprentissage non-supervisé : les deux méthodes utilisent la même approche d’apprentissage (avec des données non étiquetées) et ont des objectifs similaires.

La différence tient au fait que l’apprentissage par renforcement ajoute une boucle de rétroaction : lorsqu’un algorithme exécute correctement une tâche, il reçoit un retour d’information positif, qui renforce son modèle. De même, il peut recevoir un retour négatif pour des solutions incorrectes.

À certains égards, le système fonctionne à peu près de la même manière que le dressage d’un animal de compagnie, car il est basé sur un système de récompenses.

Photo de Kevin Ku provenant de Pexels

Conclusion