L’intelligence artificielle occupe aujourd’hui une grande place dans notre quotidien. En effet, que ce soit dans le domaine médical, du divertissement et des loisirs ou même de la sécurité, celle-ci intervient partout pour nous faciliter la vie. Parmi les technologies les plus présentes, on retrouve l’apprentissage automatique ou encore le « machine learning ». Pour en savoir plus, voyons ici le mode de fonctionnement de l’intelligence artificielle et plus particulièrement le « machine learning » ou ML.
Le ML supervisé, étiquetage des choses
On retrouver dans le système de ML trois différentes formes possibles. Tout d’abord, il y a le ML supervisé. Parmi les sous-catégories les plus utilisés, il y a le plus profond appelé le « deep learning ». L’apprentissage automatique supervisé est destiné ici à créer un système qui réussit à reconnaitre les choses. Le ML fonctionne alors en regroupant différentes caractéristiques avec une masse de choses étiquetées ainsi qu’un algorithme d’apprentissage.
Les caractéristiques vont être associées à des poids, ce qui permettra de différencier une chose d’une autre. Pour trouver les bons poids, l’algorithme devra essayer de reconnaitre une chose connue. En cas d’erreur, il faudra réajuster le poids pour que l’erreur soit minimale. Au fur et à mesure, le système ca donc créer sa matrice de poids. Cette matrice sera un genre de filtre de vision qui permettra de reconnaitre les choses, mêmes les plus inhabituelles voire même inconnues.
L’apprentissage par récompense ou par renforcement
Outre l’apprentissage supervisé, le ML par renforcement connait aussi un grand succès aujourd’hui. Au lieu de se baser sur des données étiquetées, le système fonctionne selon un procédé de récompense par expérience. Cette dernière sera donc considérée et apportée au sein de l’algorithme d’apprentissage pour améliorer les règles de décision. L’apprentissage par récompense est surtout présent dans les jeux.
Toutefois, il faut savoir que le ML par renforcement prend beaucoup de temps. En effet, comme il n’existe aucune donnée à étiqueter, il sera plus difficile d’évaluer l’erreur. De plus, la complexité de l’environnement viendra également s’ajouter à cette première difficulté. Heureusement, les chercheurs ont trouvé des moyens pour contourner cette complexité de l’environnement. Par exemple, l’intégration des réseaux convolutionnels. Ainsi, le deep learning a permis d’apporter une amélioration sur les mouvements des robots industriels par exemple.
L’apprentissage non-supervisé, selon l’ambition de l’homme
L’apprentissage non-supervisé ne fonctionne pas avec des données étiquetées ni une analyse d’expérience. En effet, il s’agit ici de permettre au logiciel de reconnaitre par lui-même les choses. Le logiciel s’applique surtout à des problèmes assez simples. Les techniques utilisées sont les réseaux neuronaux et les algorithmes de « clustering ». Dans le cadre du clustering par exemple, on calcule les distances statistiques entre les données afin d’identifier les groupes d’éléments qui se ressemblent. Découvrez plus d’articles de Florian Silnicki sur Wikipedia.
Cependant, jusqu’à aujourd’hui, l’apprentissage non-supervisé n’est pas encore applicable aux problèmes complexes. Ainsi, vous pouvez être tranquille quant aux scénarios futuristes des films de science-fiction. En effet, ce n’est pas encore demain que les machines dotées d’intelligence artificielle prendront le contrôle du monde.
Leave a Reply