Aujourd’hui, on démêle un grand classique : l’apprentissage automatique, ou machine learning.

Qu’est-ce que c’est, comment ça s’entraîne, et quels sont ses enjeux concrets en entreprise ?

Voici trois points pour aller à l’essentiel, puisés dans une page d'assistance de Red Hat.

Qu'est ce que c’est et comment ça marche ?

L’apprentissage automatique, c’est une branche de l’IA où l’on apprend à des algorithmes à repérer des traces identiques dans des données. Il peut d'agir de chiffres, de texte, ou encore d'images. Et pour y parvenir, on prend un modèle d'IA et on le nourrit de données.

Côté méthode, tout commence par un pipeline bien huilé :

• Collecte et préparation des données

• Séparation de l'entraînement, des tests et de la validation

• Et souvent réduction des données pour ne garder que l’utile

Et il faut faire face à quelques écueils, comme le surentraînement et le sous-entraînement, qui faussent les résultats attendus. Et il faut aussi surveiller la “fuite de données” quand, par erreur, des infos du test contaminent l’entraînement.

Le machine learning est renforcé par les réseaux de neurones

Le second point c'est que de nos jours, le machine learning est renforcé par les réseaux de neurones. C'est ce que l'on appelle l’apprentissage profond, ou deep learning, ou s'empilent dans le réseau neuronal plusieurs couches pour apprendre des représentations de plus en plus abstraites.

C'est cette évolution qui donne aujourd'hui des performances remarquables en vision, en reconnaissance vocale et en traitement du langage.

L'apprentissage profond est même le socle de l’IA générative et des grands modèles de langage, qui sont désormais capables de produire du texte, de résumer, ou d'assister la recherche.

Pourquoi un usage responsable est-il nécessaire ?

Le troisième point c'est que la surpuissance actuelle de l'IA générative et de l'apprentissage automatique exige un usage responsable.

Comme les modèles apprennent sur l’historique, ils peuvent hériter de biais présents dans les données et amplifier ces biais dans des décisions sensibles, dans les domaines du recrutement, de l'attribution de crédit bancaire, ou encore en matière de décision de justice.

D’où l’importance de méthodes et d’outils d’explicabilité pour sortir l'IA de son image de “boîte noire”.

En résumé, l’apprentissage automatique, c’est la capacité d’extraire des patterns des données pour décrire, prédire et recommander. Et l’apprentissage profond décuple ces possibilités.

Le ZD Tech est sur toutes les plateformes de podcast ! Abonnez-vous !

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.