Machine Learning… ces algorithmes qui apprennent par eux-mêmes !

avec Lev Kiwi, mathématicien et maître IA

Depuis une dizaine d’années, on assiste à un développement sans précédent de l’intelligence artificielle. Afin de comprendre comment de tels exploits sont possibles, il faut s’intéresser notamment aux algorithmes d’apprentissage automatique (machine learning).

L’approche classique consiste à préprogrammer tous les cas possibles en amont. On a ainsi une approche déterministe et un algorithme relativement compréhensible. Pour un même input, on aura toujours le même output. C’est en quelque sorte une mécanique digitalisée. Cette approche a été le standard dans le domaine. Bien que la puissance de calcul croissante des ordinateurs permette l’exécution d’algorithmes de plus en plus complexes, ce n’est que lorsque ces algorithmes sont enrichis de modèles statistiques que le vrai potentiel d’une intelligence artificielle est libéré. La programmation suit ainsi une approche probabiliste. Conséquemment, pour un même input, nous n’aurons plus forcément le même output. Il dépend du jeu de données utilisé pour l’apprentissage.

Aujourd’hui, il existe une quantité astronomique de modèles statistiques, chacun avec ses avantages et ses inconvénients. L’atout majeur d’une telle prolifération de modèles réside dans la possibilité de créer plusieurs représentations différentes d’un même problème. Évidemment, un modèle s’appliquant dans un contexte ne s’applique pas forcément dans un autre. L’art de la science de la donnée repose notamment dans la découverte de patterns favorisant l’utilisation d’un modèle plutôt qu’un autre.

Selon la fameuse définition de Mitchell (1997), on dit qu’un algorithme apprendde son expérience à une tâche lorsque sa performance à cette tâche s’améliore avec l’expérience. Pour de tels algorithmes, l’expérience prend en général la forme de données informatisées. Par ailleurs, un algorithme a besoin d’une mesure de sa performance pour apprendre. Cette mesure se traduit souvent par la minimisation d’un taux d’erreurs. Ainsi, pour une tâche donnée, ces algorithmes d’apprentissage automatique ou machine learning utilisent des données afin de minimiser de façon automatique et optimal leurs taux d’erreurs. Conséquemment, il n’y a pas vraiment d’intelligence ou d’apprentissage au sens biopsychologique du terme, mais uniquement un problème d’optimisation à résoudre.

En règle générale, un algorithme a besoin de données d’entrainement pour apprendre. Ce n’est que dans un deuxième temps que le modèle est capable de faire des prédictions. Lors de la première phase, dite d’apprentissage, l’algorithme essaye de découvrir des patterns dans ces données d’entrainement afin de maximiser la probabilité de faire une prédiction correcte. C’est un raisonnement purement statistique et probabiliste. Pour un certain input, l’algorithme prédit un certain output car ce dernier est le plus fréquent dans les données d’entrainement. Evidemment, les associations input / output suivent différents patterns et là se trouve tout l’art de la science de la donnée.

Comment est-ce que l’industrie de la santé va utiliser ces composantes informatiques cognitives ?

à voir ici le graphe synthétique du machine learning IA_2018_InfoGra

Xavier Comtesse

Xavier Comtesse

Mathématicien et docteur en informatique, il est dans les années 70/80 le co-créateur de trois start-ups à Genève : les éditions Zoé, la radio locale Tonic et « Le Concept Moderne ». Il est ensuite haut fonctionnaire à Berne auprès du Secrétaire d'État à la Science avant de rejoindre l'Ambassade Suisse à Washington comme diplomate. En 2000, il crée la première Swissnex à Boston puis rejoint le Think Tank Avenir Suisse. Dès 2014 il se lance comme spécialiste de la transformation numérique. Il accompagne ainsi des entreprises ou des organismes publiques comme SwissTopo ou les SITG (Services de l’Information du Territoire Genevois). Il publie plusieurs articles et blogs ainsi que 4 livres dans le domaine de la transformation numérique. Il est reconnu comme l'un des 100 digital « shapers » suisses par le journal BILANZ en 2016/17.

Une réponse à “Machine Learning… ces algorithmes qui apprennent par eux-mêmes !

  1. Bien utile ce retour sur les fondamentaux de l’IA. J’imagine qu’il y en a d’autres que vous allez nous dévoiler ou rappeler dans d’autres articles.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *