Qu’est-ce que l’apprentissage automatique ?

L’apprentissage automatique permet aux entreprises de comprendre et d’apprendre à partir de leurs données. Une entreprise peut l’utiliser pour un grand nombre de sous-domaines. Le cas d'utilisation dépend si une entreprise essaie d’améliorer ses ventes, de proposer une fonction de recherche, d’intégrer des commandes vocales dans son produit ou de créer une voiture autonome.

L’apprentissage automatique propose un vaste choix d'utilisations dans les entreprises actuelles et il ne peut que se développer et s’améliorer avec le temps. Les sous-domaines de l'apprentissage automatique comprennent les réseaux sociaux et les recommandations de produits, la reconnaissance d’image, les diagnostics de santé, la traduction, la reconnaissance vocale et l’exploration de données, entre autres.

Les plateformes de réseaux sociaux, telles que Facebook, Instagram ou LinkedIn utilisent l’apprentissage automatique pour suggérer des pages à suivre ou des groupes à rejoindre en fonction des publications que vous aimez. Il récupère l’historique des données relatives à ce que les autres utilisateurs ont aimé ou aux publications similaires à celles que vous avez aimées, vous fait ces suggestions ou les ajoute à votre flux.  

Il est également possible d’utiliser l’apprentissage automatique sur un site d’e-commerce pour faire des recommandations de produits basées sur vos achats précédents, vos recherches et les actions d’autres utilisateurs similaires aux vôtres.

La reconnaissance d'image constitue aujourd’hui une utilisation importante de l’apprentissage automatique. Les plateformes de réseaux sociaux ont recommandé d’étiqueter des personnes dans vos photos sur la base de l’apprentissage automatique. La police a pu l'utiliser pour rechercher des suspects dans des photos ou des vidéos. Avec le grand nombre de caméras installées dans les aéroports, les magasins et les sonnettes, il est possible de déterminer qui a commis un crime ou l’endroit où s’est rendu le criminel.

Les diagnostics de santé constituent également une bonne utilisation de l’apprentissage automatique. Après un événement tel qu’une crise cardiaque, il est possible de revenir en arrière pour voir les signes d’avertissement qui ont été négligés. Un système utilisé par les médecins ou les hôpitaux pourrait être alimenté avec les dossiers médicaux du passé et apprendre à déterminer les liens entre l’entrée (comportement, résultats de tests ou symptôme) et la sortie (p. ex., une crise cardiaque.) Puis, lorsque le médecin introduira ses notes et les résultats de tests dans le système par la suite, la machine pourra identifier les symptômes de la crise cardiaque de manière bien plus fiable que les êtres humains afin que le patient et le médecin puissent apporter des modifications pour l’empêcher.

La traduction de pages Web ou d’applications pour les plateformes mobiles est un autre exemple d’apprentissage automatique. Certains applications offrent de meilleurs résultats que d'autres, ce qui est dû au modèle, à la technique et aux algorithmes d’apprentissage automatique qu’elles utilisent.

Une utilisation quotidienne de l apprentissage automatique se fait aujourd’hui dans les opérations bancaires et les cartes de crédit. L’apprentissage automatique peut rapidement détecter des signes de fraude que les êtres humains mettraient longtemps, ou ne pourraient même pas, découvrir. La pléthore de transactions qui ont été examinées et étiquetées (fraude ou non) permettent à l’apprentissage automatique d’apprendre à repérer ultérieurement une fraude dans une seule transaction. L’apprentissage automatique idéal pour cela est l’exploration de données.

Exploration de données

L’exploration de données est un type d’apprentissage automatique qui analyse les données pour faire des prévisions ou découvrir des modèles au sein du Big data. Ce terme est quelque peu trompeur car aucune intervention humaine n’est requise, que ce soit de la part d’un mauvais acteur ou d’un employé, fouillant dans vos données pour trouver une donnée qui pourrait être utile. À la place, le processus implique la découverte de modèles dans les données, utiles pour prendre des décisions ultérieures.

Prenons l’exemple d'une société de cartes de crédit. Si vous avez une carte de crédit, votre banque vous a probablement informé d’une activité suspecte sur votre carte à un moment ou à un autre. Comment la banque peut-elle identifier une telle activité si rapidement, en envoyant une alerte quasi-instantanée ? L’exploration de données en continu permet cette protection contre les fraudes. Au début de l’année 2020, plus de 1,1 milliard de cartes sont en circulation rien qu’aux États-Unis. La masse de transactions effectuées avec ces cartes génère différentes données pour l’exploration, les recherches de modèles et l’apprentissage afin d’identifier les transactions suspectes ultérieures.

Apprentissage profond

L’apprentissage profond est un type spécifique d’apprentissage automatique basé sur les réseaux neuronaux. Un réseau neuronal émule le fonctionnement des neurones dans un cerveau humain pour prendre une décision ou comprendre quelque chose. Par exemple, un enfant de six ans peut regarder un visage et distinguer sa mère d’un agent de la circulation car le cerveau analyse rapidement de nombreux détails – couleur des cheveux, traits du visage, cicatrices, etc. – le tout en un clin d'œil. L’apprentissage automatique le reproduit sous la forme de l’apprentissage profond.

Un réseau neuronal comporte 3 à 5 couches : une couche d’entrée, une à trois couches cachées et une couche de sortie. Les couches cachées prennent les décisions pour alimenter la couche de sortie ou la conclusion l’une après l’autre. Quelle couleur de cheveux ? Quelle couleur d’yeux ? Une cicatrice est-elle présente ? Lorsque le nombre de couches augmente pour atteindre des centaines, cela s’appelle l’apprentissage profond.