Sélectionner une page


Écran rempli de code

PHOTO: Markus Spiske

L’intelligence artificielle (IA) et l’apprentissage automatique (ML) sont positionnés pour perturber la façon dont nous vivons et travaillons, même la façon dont nous interagissons et pensons. L’apprentissage automatique est un élément central de l’IA. Cela met les ordinateurs dans un mode d’auto-apprentissage sans programmation explicite.

Actuellement, la plupart des organisations abordent encore le ML comme une technologie de recherche et d’exploration. Dans ce premier article d’une série d’articles, nous approfondissons le monde de l’apprentissage automatique et de ses applications. Les articles suivants se concentrent sur la création d’un plan d’implémentation ML. Nous comprenons non seulement les concepts derrière la technologie, mais aussi pourquoi ils peuvent faire la différence entre la concurrence et le retard supplémentaire.

Qu’est-ce que l’apprentissage automatique?

Gartner définit l’apprentissage automatique comme: «Des algorithmes d’apprentissage avancés, constitués de nombreuses technologies (telles que l’apprentissage en profondeur, les réseaux neuronaux et le traitement du langage naturel), utilisés dans un apprentissage non supervisé et supervisé et basés sur les leçons tirées des informations existantes».

L’apprentissage automatique est le processus qui consiste à apprendre aux ordinateurs à utiliser des algorithmes et des modèles répétitifs pour développer des connaissances et une compréhension intuitives. Pour les profanes, l’apprentissage automatique est le processus consistant à entraîner une activité répétitive dans un système stupide qui a besoin de développer une intelligence innée. L’objectif est d’introduire de grandes quantités de données dans le système afin qu’il puisse apprendre de chaque modèle et de ses variations, afin qu’il puisse finalement identifier le modèle et ses variantes lui-même. L’avantage d’une machine sur l’esprit humain est qu’elle peut accepter et traiter de grandes quantités de données. Le cerveau humain a une capacité illimitée d’absorber des données, mais il peut ne pas être en mesure de les traiter en même temps et ne peut récupérer qu’un ensemble limité de données à la fois.

Il existe trois principaux types d’apprentissage automatique: supervisé, non supervisé et amplifié.

  • Enseignement supervisé: C’est la forme d’apprentissage automatique la plus répandue aujourd’hui. Dans ce type d’apprentissage, les données sont étiquetées pour indiquer exactement à la machine quels modèles rechercher. C’est le type d’apprentissage utilisé par Netflix ou Amazon lors de la recherche d’émissions similaires à regarder ou de produits similaires à acheter.
  • Apprentissage non supervisé: Ne nécessite pas d’étiquette pour les données d’entrée. La machine ne recherche que les motifs qu’elle peut trouver. Le but ici est d’introduire l’algorithme dans plusieurs groupes / types d’informations, puis de créer des étiquettes en fonction de ce que l’algorithme a « appris ». Les algorithmes d’apprentissage non supervisés ne sont pas utilisés pour filtrer certains types de données, ils recherchent simplement des données qui peuvent être regroupées selon des similitudes ou des anomalies qui se démarquent. C’est comme avoir un enfant en train de regarder différents objets et de les classer en fonction de la couleur, de la fonction, de la valeur de divertissement, etc. Les algorithmes non supervisés ne sont pas aussi populaires que les algorithmes supervisés, mais avec l’utilisation croissante du ML dans la cybersécurité, l’amélioration des affaires et l’automatisation, etc., leur applicabilité a augmenté. En fait, l’apprentissage non supervisé peut également être utilisé pour créer et marquer des données pour l’apprentissage supervisé.
  • Apprentissage renforcé: Est la nouvelle frontière de l’apprentissage automatique et la moins explorée en termes d’applicabilité et d’utilisation. On s’attend à ce qu’un apprentissage accru augmente considérablement avec l’augmentation de la puissance de calcul et l’augmentation du volume de données pour alimenter les algorithmes existants. Un algorithme de renforcement apprend en mesurant divers aspects des données qui lui sont fournies, puis commence à reproduire ces comportements. Cela revient à récompenser ou à punir un enfant pour son comportement. C’est ce type d’apprentissage qui est utilisé pour des jeux comme AlphaGo de Google, le programme qui a battu les meilleurs joueurs humains dans le jeu complexe de Go.

Les autres aspects de l’apprentissage automatique comprennent les réseaux de neurones et l’apprentissage en profondeur.

Les réseaux de neurones sont des études depuis longtemps. Ces algorithmes s’efforcent de découvrir les relations sous-jacentes dans les données tout comme le cerveau humain fonctionne.

L’apprentissage en profondeur est une classe d’algorithmes d’apprentissage automatique qui comprend plusieurs couches de réseaux neuronaux, où la sortie d’un réseau devient une entrée dans un autre.

La clé pour comprendre l’apprentissage automatique est de comprendre les performances des données. Ces algorithmes fonctionnent en trouvant des modèles dans d’énormes quantités de données. Ces données comprennent de nombreux éléments – des nombres, des mots, des images, des vidéos, des fichiers audio, etc. Toutes les données ou métadonnées qui peuvent être stockées numériquement peuvent être introduites dans un algorithme d’apprentissage automatique.

Article associé: La fragmentation du machine learning nous ralentit: il y a une solution

Applications d’apprentissage automatique

L’apprentissage automatique associé à l’apprentissage en profondeur a une grande variété d’utilisations dans nos foyers et nos entreprises aujourd’hui. Il est actuellement utilisé dans les services quotidiens tels que les systèmes de recommandation comme Netflix et Amazon. Assistants vocaux comme Siri et Alexa; Technologie automobile dans l’assistance au stationnement et la prévention des accidents. L’apprentissage en profondeur est déjà largement utilisé dans les véhicules autonomes et les systèmes de reconnaissance faciale. La technologie étant mature et largement acceptée, nous nous attendons à ce que son applicabilité augmente dans les domaines suivants:

  • Diagnostic médical et médecine personnalisée.
  • Éducation et formation, en particulier dans l’utilisation de logiciels éducatifs pour les personnes handicapées.
  • Systèmes de prévision du temps et des tempêtes.
  • Technologie des capteurs.
  • Augmenter l’efficacité de nos systèmes agricoles, de chaîne d’approvisionnement et de maintenance.
  • Détection des fraudes et prévision du marché.
  • Reconnaissance de la parole et des images.

Et beaucoup plus ….

Article associé: Pourquoi l’intelligence artificielle peut ne pas fournir la valeur commerciale que vous pensez qu’elle est

L’apprentissage automatique est là pour rester

La disponibilité d’une puissance de calcul généralisée grâce à l’utilisation des technologies cloud, ainsi qu’un volume croissant de données facilement disponibles, ont alimenté un certain nombre de progrès dans le domaine de l’IA et du ML. Les entreprises doivent d’abord développer une compréhension de la technologie elle-même, développer conjointement une vision de l’utilisation interne de la technologie, puis développer conjointement un plan de mise en œuvre entre l’entreprise et l’informatique. Dans la deuxième partie de cette série ML, nous nous concentrons sur la création d’une vision et d’un plan de mise en œuvre.

Geetika Tandon est directrice principale chez Booz Allen Hamilton, une société de conseil en gestion et technologie. Elle est née à Delhi, en Inde et détient un BA en architecture de l’Université de Delhi, une maîtrise en architecture de l’Université de Californie du Sud et une maîtrise en informatique de l’Université de Californie à Santa Barbara.

Les opinions et opinions exprimées dans ces articles sont celles de l’auteur et ne reflètent pas nécessairement les politiques ou positions officielles de votre employeur.





Source link

Recent Posts