Comment fonctionne le Machine Learning ?

Ashwin Ittoo est professeur titulaire en systèmes d’information de gestion à l’Université de Liège et chercheur au Japan Advanced Institute of Science and Technology.

Il est membre du comité éditorial et de révision de plusieurs revues d’Elsevier. À l’Université de Liège, il encadre plusieurs doctorants dont le sujet d’étude concerne les algorithmes de Machine/Deep Learning et leurs applications pour divers secteurs comme la finance, la médecine, l'ingénierie commerciale, etc.

Ashwin Ittoo a également travaillé sur des projets pour la Commission européenne : il a développé un système d'analyse de textes juridiques pour la DG FISMA et, pour la DG JUSTICE, il a participé à une enquête sur l'utilisation des nouvelles technologies dans le domaine juridique.

Il est formateur dans le cadre du module « Créer de la valeur ajoutée grâce au Machine Learning » pour HEC Liège Executive Education.

Qu’est-ce que le Machine Learning ?

« L’expression « intelligence artificielle » (IA) désigne généralement des Machines capables d’accomplir des tâches qui demandent de réfléchir de façon humaine », explique Ashwin Ittoo. « On distingue aujourd’hui deux types d’IA : les general Artificial Intelligence (AI) et les weak AI. Les general AI, c’est le but à long terme : des Machines capables de réfléchir comme des humains, d’apprendre par elles-mêmes et d’exécuter n’importe quelle tâche humaine. Cette forme d’IA, nous en sommes très loin. Les weak AI sont quant à elles déjà utilisées sur le terrain quotidiennement. Ce sont des Machines capables d’exécuter des tâches précises demandant une cognition humaine, auxquelles elles ont été formées ».

Le Machine Learning représente une sous-catégorie de l’intelligence artificielle, dont l’objectif est de permettre aux machines de comprendre de nouveaux scénarios de façon autonome. En d’autres termes, alors que l’entièreté du Machine Learning repose sur l’intelligence artificielle, celle-ci n’est pas limitée au Machine Learning.

« La plupart des weak AI ont appris leurs tâches par Machine Learning », continue Ashwin Ittoo. « Nous fournissons des données au programme qui sont liées à la tâche à accomplir, et le programme analyse ces données pour « apprendre » comment l’accomplir ».

Un modèle de Machine Learning s’apparente donc à un ordinateur qui examine des données, et qui s’en sert ensuite pour identifier des schémas, établir des prévisions, et in fine pour accomplir la tâche qui lui est assignée. En ce sens, toutes les tâches qui sont basées sur des règles pourraient être automatisées par le biais du Machine Learning.

Comment fonctionne le Machine Learning ?

Pour comprendre son fonctionnement, il est important d'aborder les quatre principaux modèles de Machine Learning. La principale différence entre ceux-ci concerne le niveau d’intervention humaine nécessaire au fonctionnement de l’algorithme :

L’apprentissage supervisé : Dans ce type de modèle, l’ordinateur reçoit un jeu de données étiquetées afin d’apprendre à réaliser une tâche humaine. « Les données que nous fournissons au programme sont annotées. Pour former une weak AI à la traduction, par exemple, l’équipe lui donne les mêmes textes en plusieurs langues, en précisant à chaque fois la langue utilisée», explique Ashwin Ittoo. « Ensuite, en comparant les textes, le programme comprend comment passer d’une langue à l’autre. Cela prend la forme d’un modèle statistique, qu’il va ensuite appliquer aux autres cas qui se présenteront à lui ». Appliqué au cadre scolaire, l’équivalent de ce modèle pourrait être un enfant qui doit apprendre à identifier les couleurs en les mémorisant dans un imagier. Il s’agit donc du modèle le moins complexe, car il essaie de reproduire l’apprentissage humain.
L’apprentissage non supervisé : Dans ce modèle, les données reçues par l’ordinateur ne sont pas étiquetées. Il en extrait donc des schémas et/ou des informations inconnus au préalable. Dans un cadre scolaire, ce modèle s’apparente à un élève qui apprend à reconnaître un fruit grâce à l’observation de couleurs et de motifs, plutôt que via la mémorisation des noms sous la supervision d’un professeur. L’enfant, seul, doit chercher des analogies entre les images et les séparer en groupes, en octroyant à chaque groupe son étiquette. Il en est de même pour l’ordinateur, qui peut effectuer cette réorganisation de plusieurs manières :
- La mise en cluster : Il trouve des points de données analogues dans un jeu de données, et les regroupe en conséquence, formant de ce fait des « clusters » ;
- L’estimation de la densité : Il se sert de la façon dont le jeu de données est distribué pour découvrir des informations ;
- La détection d’anomalies : Au sein d’un jeu de données, il découvre des points de données qui diffèrent significativement du reste ;
- L’analyse en composantes principales : Il résume un jeu de données afin de l’utiliser pour établir des prévisions précises.
L’apprentissage semi-supervisé : Le jeu de données octroyé à l’ordinateur est partiellement étiqueté. Il se sert ainsi des données étiquetées pour interpréter les données non étiquetées.
L’apprentissage par renforcement : L’ordinateur tire des données de son environnement et s’en sert pour identifier le comportement idéal qui minimisera le risque et/ou maximisera la récompense. Cette approche est itérative et nécessite une sorte de signal de renforcement pour que l’ordinateur puisse identifier la meilleure action.

Quels sont les avantages du Machine Learning ?

Il existe de nombreuses applications du Machine Learning dans la vie de tous les jours. « Les systèmes de reconnaissance vocale Siri, Alexa ou Google Now sont des weak AI, qui comprennent vos requêtes et y répondent. Les guides d’itinéraires comme Google Maps également », cite Ashwin Ittoo. « Ces weak AI opèrent également dans les domaines médicaux, juridiques ou financiers, pour le traitement de données à grande échelle ».

Ainsi, les entreprises utilisent le Machine Learning car il présente de nombreux avantages pratiques, notamment :

Gestion intelligente du Big Data : Les entreprises sont souvent confrontées à des volumes importants de données sur leurs clients et prospects qu’elles ne savent pas comment analyser. Le Machine Learning facilite leur traitement grâce à sa vitesse de fonctionnement.
Appareils intelligents : Il existe désormais de nombreux dispositifs qui récoltent des données et les analysent pour ne transmettre que les informations utiles. S’y retrouvent notamment les applications portables qui suivent les objectifs de santé et de forme physique, les voitures autonomes ou les « smart cities » dotées d’infrastructures qui diminuent automatiquement les pertes de temps et d’énergie. Le Machine Learning contribue à donner un sens à cette masse croissante de données.
Expériences client riches : Grâce au Machine Learning, les moteurs de recherche, les applications web et mobiles, et d’autres technologies adaptent automatiquement leurs résultats et leurs recommandations en fonction des recherches des utilisateurs, de leurs précédents achats, de leurs préférences, etc. Les parcours clients en ressortent ainsi personnalisés.

Vous aimeriez en savoir plus sur le Machine Learning et les applications que vous pourriez en faire pour votre entreprise ?

Découvrez notre formation « Créer de la valeur ajoutée grâce au Machine Learning », présentée par Ashwin Ittoo !