Vous avez sûrement beaucoup entendu le terme « Intelligence Artificielle » (abrégé en IA, ou bien AI en anglais).
Mais de quoi s’agit-il exactement ?
En réalité il n’y a pas vraiment de définition de l’IA, mais de manière générale, on parle d’IA pour désigner la science qui permet aux ordinateurs de faire une tâche complexe aussi bien qu’un être humain, voire mieux.

Le Machine Learning est une branche de cette science.
En français « Machine Learning » se traduit par « Apprentissage Automatique ». Cela désigne les méthodes qui permettent aux ordinateurs d’apprendre.

Dans cet article, on explique pour un grand public ce qu’est le Machine Learning.

Pourquoi faire de l’apprentissage ?

Avant le Machine Learning, lorsqu’on voulait effectuer une tâche par un ordinateur, il suffisait de lui donner une liste de calculs à faire. Vous pouvez comparer cela à une recette de cuisine.

Par exemple, on connaît des fonctions pour effectuer les tâches suivantes:

• Étant donné une liste, trier par ordre croissant cette liste.
• Étant donné un nombre, déterminer s’il est premier.
• Étant donné un graphe, trouver le plus court chemin entre deux points.
• …

Trouver la bonne recette permettant de réaliser une tâche nécessite parfois beaucoup d’années de recherche.

Pour certaines tâches plus compliquées, on ne connaît pas de liste de calculs pour réaliser ces tâches!
Par exemple : étant donnée une image, comment fait-on pour savoir si c’est une image de chat ?
Une image étant un tableau de nombres indiquant la couleur de chaque pixel, on ne sait pas quel calcul faire pour savoir si elle représente un chat.

En fait, trouver la bonne fonction prendrait beaucoup trop de temps à un être humain, car il faudrait tester une quantité astronomique de possibilités.

C’est là que le Machine Learning intervient: comme on ne connaît pas la recette, on va faire en sorte que l’ordinateur la trouve.

Comment fonctionne le Machine Learning ?

Le but du Machine Learning est donc d’apprendre à l’ordinateur à trouver une recette permettant de réaliser une tâche donnée.

Imaginez que vous essayez d’enseigner à un enfant comment reconnaître un chat.
Vous lui montrez plusieurs photos de chats et chaque fois qu’il se trompe, vous le corrigez. Avec le temps, il devient de plus en plus doué pour identifier un chat.
Eh bien, c’est exactement ce que nous faisons avec les ordinateurs en utilisant le Machine Learning.

Le principe de l’apprentissage est de laisser à la machine le droit de se tromper et lorsqu’il se trompe il doit corriger son erreur.

Illustrons un apprentissage sur un exemple concret.
On souhaite entraîner un ordinateur pour la tâche suivante: étant donnée une image, dire si oui ou non c’est une image de chat?

Au départ l’ordinateur va générer aléatoirement une recette.
Ici, la recette sera modélisée par un réseau de neurones.

Ensuite l’ordinateur effectue en boucle le cycle le suivant, qu’on appelle entraînement ou apprentissage:

1. L’ordinateur teste sa recette (ici le réseau de neurones) en prenant une donnée en entrée et en calculant le résultat.
2. L’ordinateur regarde si le résultat est correct ou pas.
3. Si le résultat n’est pas correct (par exemple si l’image était celle d’un chat et que la fonction répond « non »), alors l’ordinateur modifie sa recette afin de corriger cette erreur (par exemple avec la méthode de descente de gradient).

Au départ, la recette aura une mauvaise performance, mais après chaque cycle il va s’améliorer.
Avec la puissance de calcul des processeurs actuels, l’ordinateur peut effectuer de nombreux cycles et devenir très vite performant !

Voilà comment se déroule un apprentissage !

Conclusion

Le Machine Learning est une science complexe en plein essor.
Il permet aux ordinateurs de faire de nombreuses tâches qu’ils ne pouvaient pas faire avant, comme la génération de texte ou la reconnaissance d’image.

Avez-vous déjà expérimenté les avantages du Machine Learning dans votre vie quotidienne ?