« L’éducation est l’arme la plus puissante que l’on puisse utiliser pour changer le monde ». Cette phrase, prononcée par Nelson Mandela à l’âge de 85 ans, faisait probablement référence à l’Homme… Mais il semblerait qu’elle soit également applicable aux machines ! Le Machine Learning, ce champ d’étude phare de l’intelligence artificielle, est en plein essor. Son rôle ? Eduquer la machine, et imiter l’apprentissage de la plus puissante machine biologique existante : le cerveau humain. Comment fonctionne le ML ? Quel rôle joue le Big Data dans son développement ? Quelles sont ses applications ? Alianor Sibai, consultante mc2i Groupe, apporte ses réponses à Solutions IT.
Un modèle en rupture avec l’algorithmique traditionnelle
Comme son nom l’indique, il s’agit de permettre à une machine d’ « apprendre » à apporter une solution à un problème complexe auquel elle est confrontée, sans lui avoir préalablement précisé le chemin de pensée à suivre. Autrement dit, la machine apprend à prendre une décision, en exploitant uniquement les données qui lui sont fournies.
Cette technologie se base bien entendu sur l’exécution d’algorithmes. Cependant, contrairement à l’algorithmique classique, la machine se voit confier la tâche de s’autocorriger, en ajustant ses traitements et ses méthodes d’analyses, aidée par un analyste qui intervient ponctuellement pour valider ou invalider ses résultats.
Plusieurs classes d’algorithmique d’apprentissage automatique existent, la plus répandue étant le Deep learning qui, lui, est multitâche. Charles Ollion, Spécialiste Machine Learning et CTO chez Heuritech, précise dans un article publié sur la Renaissance Numérique, que « contrairement au Machine Learning classique, le Deep Learning regroupe des algorithmes génériques mimant le fonctionnement biologique d’un cerveau sans être destiné à une tâche précise ».
Un processus itératif complexe
Le processus d’apprentissage automatique est une boucle vertueuse d’optimisation continue, dont la performance dépend de :
– La qualité des données en entrée, comme le stipule le célèbre principe du « Garbage In Garbage Out » (ou GIGO) ;
– L’accompagnement de l’analyste qui valide ou invalide les résultats obtenus, et participe à l’amélioration de la précision des résultats futurs.
L’apprentissage est dit « supervisé » lorsque les données en entrées sont classifiées, et les valeurs possibles attendues en sortie précisées. A l’inverse, on parle d’apprentissage non supervisé lorsque les valeurs en sorties ne sont pas connues, et le choix est laissé libre à la machine de détecter des patterns et de clusteriser ses résultats en conséquence.
Big Data et Machine Learning vont-ils toujours de pair ?
Google, Facebook, Amazon, Microsoft… seuls les géants de l’informatique semblent à ce jour avoir effectué de réelles avancées en la matière. Cela suppose-t-il que la disponibilité de bases de données volumineuses est un prérequis au Machine Learning ?
Comme l’apprentissage automatique s’appuie uniquement sur le traitement des données fournies à la machine, ponctué par des interventions de l’homme dans son rôle d’analyste superviseur, le prérequis ne semble pas résider dans la quantité mais bien dans la qualité des données fournies à l’entrée. Ainsi, il est primordial de bien qualifier les données afin d’éviter les erreurs de calculs et les faux-positifs.
La supervision par des analystes est également garante de la précision des résultats obtenus. La tâche de valider ou d’invalider les résultats est donc une étape clef de l’apprentissage, et doit être entièrement réservée à des experts maîtrisant la probabilité conditionnelle et les lois statistiques.
Bien entendu, l’accroissement du volume de données grâce au Big Data peut générer un accroissement de la qualité des données, mais n’oublions pas qu’il complexifie également les traitements préalables nécessaires à l’identification, l’extraction et le traitement des données exploitables.
Un large spectre d’applications à son actif
L’analyse prédictive des achats sur Internet, la détection de cas suspicieux dans le domaine bancaire, les technologies et logiciels de reconnaissance d’images et de visages, la traduction automatique… tous les secteurs ouvrent grand les bras au ML, ainsi qu’à l’intelligence artificielle plus globalement.
En effet, alors que Marc Zuckerberg, le CEO de Facebook, croit dur comme fer que la réalité virtuelle dominera les deux prochaines décennies, son homologue chez Google, Sundar Pichai, qui s’est exprimé sur le sujet le 21 avril 2016 lors de l’annonce des résultats d’Alphabet, ne jure que par l’intelligence artificielle et ses nombreuses applications. François-Xavier Rousselot, Professeur Affilié en Machine Learning à l’IE Business School, va même plus loin lors d’une conférence tenue le 3 mars 2016 à l’Institut Mines-Télécom en affirmant que « Le Machine Learning est à l’information ce que la seconde révolution industrielle était à l’énergie ».
Suite à cette montée en puissance du ML, les Big Four du Cloud se sont empressés de proposer leurs offres Cloud packagées spéciales Machine Learning. Les friands du ML ont aujourd’hui l’embarras du choix en termes de plateformes Cloud : Watson d’IBM et Azure de Microsoft ont vite été rattrapés par Amazon Machine Learning, et plus récemment par Google qui a fait son entrée sur le marché en mars 2016 avec le Google Cloud Machine Learning.
Mais ces avancées technologiques en termes d’IA ne sont pas sans inquiéter les Français. Dans un sondage mené par Odoxa le 12 mai 2016, en partenariat avec l’Usine Digitale, 50 % des Français considèrent l’intelligence artificielle comme une menace.
Toujours selon ce sondage, et à la question « Quel est l’objet lié à l’Intelligence Artificielle qui vous séduit le plus ? », 42% des Français ont répondu la voiture autonome. Espérons donc que la Google Car sera à la hauteur des espérances et ouvrira les portes vers de nombreuses autres applications d’avenir.
Retrouvez nos autres avis d’expert pour comprendre des nouvelles technologies : Restez à la pointe de la techno : 17 avis d’expert pour tout comprendre
