Machine learning : définition et fonctionnement

Le machine learning occupe une place essentielle dans l'analyse et le traitement des données. Étroitement liée au Big Data, cette forme d'intelligence artificielle permet d'extraire des données de valeurs provenant de sources d'informations massives et variées sans l'aide d'un humain.

Le terme anglophone machine learning pourrait se traduire en français par apprentissage automatique.

Quel est l'objectif du machine learning ?

Objectif principal du machine learning

Le machine learning sert à utiliser des algorithmes pour faire des prédictions ou repérer des informations importantes dans des amas de données. Certaines tâches qui demanderaient normalement beaucoup de temps à un être humain peuvent ainsi être réalisées en quelques secondes.

Domaines d'application du machine learning

Voici quelques tâches couramment réalisées grâce au machine learning :

• Reconnaissance vocale
• Analyse d'images
• Envoi automatique d'emails vers la boîte spam
• Traduction de textes
• Véhicules autonomes
• Détection de cancers

Comment fonctionne le machine learning ?

Principe fondamental du machine learning

Le machine learning donne aux ordinateurs la possibilité d'apprendre en se basant sur l'analyse des flux de données. Plus précisément, l'ordinateur cherchera à repérer des patterns (des répétitions) dans le flux de données. Au fur et à mesure de l'apprentissage, les algorithmes de machine learning améliorent leurs performances. Plus les modèles contiennent de données et plus ils sont précis. Après avoir été entraînés, les modèles sont capables de fournir des résultats à partir de données qu'ils n'ont jamais traitées.

Quelles sont les données traitées par le machine learning ?

Les données peuvent être présentées sous différentes formes : mots, chiffres, images, etc. Le machine learning permet aussi de fournir des prédictions à partir de ces données en se basant sur :

• Des statistiques.
• Du forage de données.
• Des analyses prédictives.
• La reconnaissance de patterns.

Le concept de machine learning reste encore confus pour de nombreuses personnes, malgré l'ancienneté de cette notion. C'est dans les années 1950 que les premiers algorithmes de machine learning sont créés. Le Perceptron reste le plus connu des algorithmes créés à l'époque.

Quels algorithmes sont utilisés en machine learning ?

Pour traiter un large panel de données dans des délais limités, les systèmes informatiques s'appuient sur des algorithmes. Ces derniers permettent aux machines d'apprendre à partir d'une base déterminée ou non. Les algorithmes utilisés en machine learning sont :

• Les algorithmes de régression linéaire ou logistique.
• Les arbres de décisions.
• Les algorithmes de clustering.
• L'algorithme de classification naïve bayésienne.
• Les algorithmes d'association.
• Les algorithmes de réduction dimensionnelle.
• Les réseaux de neurones.
  
  

Les algorithmes de régression

Ils sont utilisés pour comprendre les relations entre les données, qu'elles soient dépendantes ou indépendantes. Selon les données comparées, on parle d'algorithmes de régression linéaire, logistique ou de machine à vecteur de support.

Les arbres de décisions

Ils permettent d'établir des règles en se basant sur des données classifiées. Ils aident à prendre une décision grâce à des questions dont les différentes réponses mèneront à un résultat final.

Les algorithmes de clustering

Ces algorithmes consistent à identifier des groupes d'objets homogènes et à rassembler des données sur la base d'une similarité. Parmi les algorithmes de clustering qui existent, on retrouve notamment les K-moyennes.

L'algorithme de Naïve Bayes

Celui-ci repose sur la probabilité. Il fournit les statistiques de réalisation d'un événement basé sur des données préalables.

Les algorithmes d'association

Ils sont employés pour trouver des liens entre des données. Ils permettent également de définir les règles d'association.

La réduction dimensionnelle

Cela comprend un ensemble de techniques visant à réduire le nombre de variables dans les données d'apprentissage. Elle permet ainsi de gagner en efficacité en matière de résultats et de temps d'analyse.

Les réseaux de neurones

Il s'agit de l'une des méthodes du deep learning. Il s'agit d'algorithmes présentés sous forme d'un réseau à plusieurs couches permettant d'identifier des caractéristiques précises.

Quels sont les 3 types de Machine Learning ?

Le machine learning repose sur l'utilisation de trois techniques d'apprentissage automatique qui varient en fonction du type d'algorithme utilisé et du volume des données. Ces 3 types de machine learning sont :

1. l'apprentissage supervisé
2. l'apprentissage non supervisé
3. l'apprentissage par renforcement
   
   

1. L'apprentissage supervisé

L'apprentissage supervisé s'appuie sur un ensemble défini de données. Les données sont étiquetées, ce qui permet au modèle de machine learning de savoir ce qu'il doit chercher dans ces données. Le système informatique s'entraîne ainsi à classifier des données à partir de critères préalablement déterminés. Parmi les algorithmes d'apprentissage supervisé, on retrouve les algorithmes de régression, les algorithmes de classification et les machines à vecteur de support.

2. L'apprentissage non-supervisé

L'apprentissage non supervisé, à l'inverse, consiste à entraîner un modèle sur des données qui ne sont pas étiquetées. Cela signifie que le système informatique va analyser les données sans aucune indication et rechercher d'éventuels motifs récurrents. Les données sont ensuite classées en fonction des critères que le système aura lui-même établis. Les algorithmes non supervisés sont les algorithmes de clustering, les algorithmes d'association et les algorithmes de réduction dimensionnelle.

3. L'apprentissage par renforcement

Dans le cas de l'apprentissage par renforcement, l'algorithme va apprendre par l'entraînement pour arriver à un objectif précis. Pour y parvenir, il pourra essayer toutes sortes d'approches différentes. Lorsqu'il atteint son objectif, le modèle est alors récompensé.

Quelle est la différence entre machine learning et intelligence artificielle ?

L'intelligence artificielle a pour objectif de donner à un système informatique la possibilité de penser et de se comporter comme un humain. 

Le machine learning, quant à lui, n'est que l'une des nombreuses branches de l'intelligence artificielle. En l'occurence, il s'agit de la branche permettant au système d'analyser les données reçues, d'adapter ses algorithmes en fonction de ces analyses, et de gagner ainsi en intelligence sur le long terme.

La plupart des progrès effectués en intelligence artificielle dépendent directement du machine learning, mais l'intelligence artificielle ne s'appuie pas uniquement sur le machine learning. Elle fait également appel à d'autres méthodes telles que la simulation, les jumeaux numériques ou encore les systèmes experts. C'est pourquoi le machine learning est considéré comme une sous-catégorie de l'intelligence artificielle.

Comment créer un modèle de machine learning ?

Pour développer un modèle de machine learning, quatre étapes sont à suivre :

1. Sélectionner et organiser un ensemble de données d'entraînement ;
2. Choisir un algorithme à exécuter sur l'ensemble de données d'entraînement ;
3. Entraîner l'algorithme ;
4. Utiliser et optimiser le modèle.
   
   

1. Sélectionner et organiser un ensemble de données d'entraînement

Tout d'abord, il faut choisir et organiser un ensemble de données. Ces données serviront à nourrir le modèle de machine learning pour qu'il apprenne à résoudre le problème pour lequel il a été créé. Les données peuvent être étiquetées ou non étiquetées. Dans les deux cas, la préparation et le nettoyage des données doivent faire l'objet d'une attention particulière, au risque de biaiser l'entraînement du modèle et d'impacter le résultat des prédictions.

2. Choisir un algorithme à exécuter

Ensuite, il faut sélectionner un algorithme à utiliser sur les données d'apprentissage extraites. Le type d'algorithme à exécuter varie en fonction de deux critères : le type et le volume des données d'entraînement et le type de problème à résoudre.

3. Entraîner l'algorithme

L'étape suivante passe par l'entraînement de l'algorithme. Le processus est itératif. À travers l'algorithme, on exécute des variables, puis on compare les résultats avec ceux que l'algorithme aurait dû générer. Pour améliorer la précision du résultat, il est possible d'ajuster les variables avant de les exécuter à nouveau jusqu'à ce que l'algorithme fournisse le résultat attendu. Ainsi entraîné, l'algorithme prend la forme du modèle de machine learning.

4. Utiliser et optimiser le modèle

Enfin, il ne reste plus qu'à utiliser le modèle et à continuer de l'améliorer. Le modèle est alors employé sur de nouvelles données, dont la provenance dépend du problème à résoudre. La précision du modèle peut aussi évoluer avec le temps.

Exemples d'utilisation du machine learning

Recommandations de visionnage

Sur les plateformes telles que Netflix ou Youtube, le machine learning permet au système de voir que les utilisateurs visionnant une vidéo A ont tendance à également regarder une vidéo B avec un temps de visionnage élevé. La plateforme va alors comprendre que cette vidéo intéresse le public de la vidéo A, et va la leur recommander.

Reconnaissance faciale

Pour qu'un système de reconnaissance faciale fonctionne, il a besoin d'images ou de vidéos de la personne à reconnaître. Plus le système dispose de contenu montrant le visage de cette personne sous des angles différents, plus il sera en mesure de reconnaître précisément cette personne sur une nouvelle image. Le traitement en masse de données de manière à prendre une décision à l'arrivée d'un nouvel élément est l'un des principes de base du machine learning.

Véhicules intelligents

De plus en plus de modèles de voitures disposent de détecteurs et de caméras capables de repérer les obstacles et les panneaux de signalisation. Grâce au machine learning, à force de rouler et d'analyser l'environnement, ces véhicules sont capables de reconnaître ces éléments de plus en plus précisément. C'est grâce à de tels systèmes que des voitures sont capables de corriger votre trajectoire si vous êtes trop proche de la ligne médiane, voire même de conduire toutes seules.

Médecine

Il existe de nombreux cas d'utilisation du machine learning en médecine. L'un d'entre eux est son utilisation dans le traitement de tumeurs potentiellement cancéreuses. L'ordinateur utilise sa base de données contenant des informations sur des tumeurs précédentes (et leur évolution), et s'en sert pour prédire l'évolution de la tumeur actuellement étudée. Cela aide à trouver le meilleur traitement possible pour le patient.

Détection des fraudes

Beaucoup de logiciels financiers se servent du machine learning pour analyser les transactions. Une quantité importante de données collectées permet au logiciel d'estimer ce à quoi ressemble une transaction ordinaire. Lorsqu'une transaction ne respecte pas ce modèle, le logiciel le remarquera immédiatement et une étude plus approfondie pourra alors être lancée afin de déterminer si cette transaction inhabituelle est frauduleuse ou non.

Le machine learning prouve aujourd'hui son utilité dans un grand nombre d'entreprises de différents domaines. Celles-ci ont pris conscience de l'avantage compétitif qu'apporte la capacité de recueillir de données en temps réel afin de développer des prédictions. En effet, chacun de vos visionnages de vidéos, achats en ligne, commandes vocales, clics sur un lien ou déplacements suivis par le GPS de votre téléphone génère des données pouvant être analysées afin de rendre des algorithmes encore plus intelligents.

Pour aller plus loin, découvrez l’outil d’intelligence artificielle de Hubspot et utilisez le directement dans votre CMS pour générer du texte et des articles de blog pour votre site web.