L’Apprentissage Machine (ou Machine Learning en anglais), consiste à enseigner à la machine, par l’exemple, et à lui demander de calculer un modèle prédictif.
Ce que l’on appelle, à tort de l’intelligence artificielle, n’est en réalité pas intelligent, comme l’explique Luc Julia, dans son livre « L’intelligence artificielle n’existe pas ». Le processus d’apprentissage machine peut se décomposer en cinq phases :
- la modélisation, qui consiste à traduire le monde réel que l’on veut prédire sous forme de variables;
- l’entrainement, où l’on va nourrir la machine de données passées, pour lui permettre de calculer un modèle;
- la phase de validation et de test, pour vérifier que le modèle calculé est cohérent;
- l’exécution en elle-même, du modèle et la prévision;
- l’amélioration continue, en ré-injectant en permanence de nouvelles données, afin de faire évoluer le modèle en fonction de l’évolution des réalités.
De nombreux outils proposent d’aller plus ou moins loin dans l’automatisation de ce processus d’apprentissage machine. Le débat reste ouvert de savoir s’il est possible de confier à un outil l’ensemble de l’apprentissage machine, sans une supervision d’un scientifique des données, ou pas.
En revanche, la nécessité de disposer de données, le plus possible, et de bonnes qualité, fait l’unanimité, comme clef de voute de la qualité de la modélisation. Attention, à aucun moment le système ne pourra détecter si les données sont juste ou partiales, complètes ou incomplètes, correctes ou incorrectes.
Par ailleurs, aucun algorithme n’est biaisé. Ce sont les données qu’on lui a transmis en entrée qui peuvent l’être. D’où l’importance de comprendre les données et comment elles seront analysées par le système.
On peut utiliser l’apprentissage machine pour prévoir par exemple : si une transaction par carte bancaire est frauduleuse ou pas; si un client va rembourser son crédit ou pas; quels sont les produits que le client est le plus susceptible d’acheter; si un employé va chercher du travail à la concurrence, etc. Les exemples sont presque infinis.
Un débat éthique est également en cours : quelles sont les données que l’on peut inclure dans le modèle ? Doit-on informer une personne que son cas va être analysé par un modèle automatique ? Quel est le rôle de l’Homme, décider ou simplement valider ce que propose la machine ?
Voir aussi : Apprentissage Profond (Deep Learning)
