Qu’est-ce que le machine learning?

La définition la plus simple que j’ai trouvée:

C’est la branche de l’intelligence artificielle qui explore les moyens d’améliorer les performances des ordinateurs en fonction de leur expérience.

Une video d’introducion sur le machine learning en java sera disponible en Avril 2018 dans le catalogue de formation. Stay tuned 🙂

Regardons la définition de plus près.

• Branche de l’intelligence artificielle: L’intelligence artificielle est l’étude et le développement par lequel un ordinateur et ses systèmes ont la capacité d’accomplir avec succès des tâches qui nécessitent généralement un comportement intelligent de l’homme. L’apprentissage automatique fait partie de ce processus. C’est la technologie et le processus par lequel nous formons l’ordinateur pour accomplir la tâche mentionnée.
• Explorer les moyens: Les techniques d’apprentissage automatique sont encore en train d’émerger. Certains modèles d’apprentissage d’un ordinateur sont déjà reconnus et utilisés (comme nous le verrons plus loin), mais on s’attend à ce que d’autres modèles soient développés avec le temps. L’idée à retenir ici est que différents modèles peuvent être utilisés lors de l’apprentissage d’un ordinateur. Des problèmes d’entreprise différents nécessitent des modèles différents.
• Obtenez des ordinateurs qu’ils améliorent leurs performances: Pour qu’un ordinateur puisse accomplir une tâche avec l’IA, il a besoin de pratique et d’adaptation. Un modèle d’apprentissage automatique doit être formé en utilisant des données et, dans la plupart des cas, un peu d’aide humaine.
• Basé sur l’expérience: fournir une IA avec de l’expérience est une autre façon de dire – de lui fournir des données. Au fur et à mesure que de plus en plus de données sont introduites dans le système, plus l’ordinateur pourra répondre avec précision aux données futures qu’il rencontrera. Plus de précision dans la compréhension des données signifie une meilleure chance d’accomplir avec succès la tâche donnée ou d’augmenter son degré de confiance en fournissant des informations prédictives.

Exemple rapide:

1. Les données d’entrée sont choisies et préparées en même temps que les conditions d’entrée (par exemple les transactions par carte de crédit).
2. L’algorithme d’apprentissage automatique est construit et entraîné pour accomplir une tâche spécifique (par exemple, détecter des transactions frauduleuses).
3. Les données d’apprentissage augmentent avec les informations de sortie souhaitées (par exemple, ces transactions apparaissent frauduleuses, alors que ce n’est pas le cas).

Comment fonctionne le machine learning?

Il est souvent qualifié de magique ou de boîte noire:

Insérer des données → Boîte noire Magique → Mission accomplie.

Jetons un coup d’œil sur le processus d’apprentissage lui-même pour mieux comprendre comment le machine learning peut créer de la valeur avec les données.

• Recueillir: Le machine learning dépend des données. La première étape consiste à s’assurer que vous avez les bonnes données dictées par le problème que vous essayez de résoudre. Tenez compte de votre capacité à les collecter, de sa source, du format requis, etc.
• Propre: les données peuvent être générées par différentes sources, contenues dans différents formats de fichiers et exprimées dans différentes langues. Il peut être nécessaire d’ajouter ou de supprimer des informations de votre ensemble de données, car certaines informations peuvent manquer et d’autres contenir des entrées non souhaitées ou non pertinentes. Sa préparation aura un impact sur sa convivialité et la fiabilité du résultat.
• Fractionner: Selon la taille de votre ensemble de données, seule une partie peut être requise. Ceci est généralement appelé échantillonnage. À partir de l’échantillon choisi, vos données doivent être divisées en deux groupes: l’un pour former l’algorithme et l’autre pour l’évaluer.
• L’apprentissage: Cette étape vise essentiellement à trouver la fonction mathématique qui permettra d’atteindre avec précision le but choisi. La formation prend différentes formes selon le type de modèle utilisé. Ajuster une ligne dans un modèle de régression linéaire simple peut être vu comme une formation; générer les arbres de décision pour un algorithme de forêt aléatoire peut aussi être vu comme une formation; changer les questions dans un arbre de décision ajuste efficacement les paramètres du modèle. Pour garder les choses simples, concentrons-nous sur les réseaux de neurones. Fondamentalement, en utilisant une partie de votre ensemble de données, l’algorithme tentera de traiter les données, de mesurer ses propres performances et d’ajuster automatiquement ses paramètres (également appelés rétropropagation) jusqu’à ce qu’il puisse produire le résultat souhaité avec une fiabilité suffisante.
• Evaluer: Une fois que l’algorithme fonctionne correctement sur les données d’apprentissage, sa performance est mesurée à nouveau avec des données qu’il n’a pas encore vues. Des ajustements supplémentaires sont effectués en cas de besoin. Ce processus vous permet d’éviter le surapprentissage, ce qui se produit lorsque l’algorithme d’apprentissage fonctionne bien, mais uniquement avec vos données d’entraînement.
• Optimiser: Le modèle est optimisé pour l’intégration dans l’application destinée à assurer qu’il est aussi léger et aussi rapide que possible.

Existe-t-il différents types de machine learning?

Il existe de nombreux modèles différents qui peuvent être utilisés dans le machine learning, mais ils sont généralement regroupés en trois types différents d’apprentissage: supervisé, non supervisé et renforcé. Selon la tâche à accomplir, certains modèles sont plus appropriés et plus performants que d’autres.

Apprentissage supervisé

Dans ce type d’apprentissage, le résultat correct pour chaque point de données est explicitement étiqueté lors de l’apprentissage du modèle du modèle. Cela signifie que l’algorithme d’apprentissage reçoit la réponse en même temps qu’elle lis les données d’entrée. Plutôt que de trouver la réponse, elle vise à trouver la relation de sorte que, lorsque des points de données non affectés sont introduits, elle peut correctement les classer ou les prédire.

Dans un contexte de classification, l’algorithme d’apprentissage pourrait, par exemple, être alimenté par des transactions de cartes de crédit historiques, étiquetées comme sûres ou suspectes. Il apprendrait la relation entre ces deux classifications et pourrait ensuite étiqueter les nouvelles transactions de manière appropriée, en fonction des paramètres de classification (par exemple, lieu d’achat, temps écoulé entre les transactions, etc.).

Dans un contexte où les points de données sont continus les uns par rapport aux autres, comme le prix d’une action dans le temps, un algorithme d’apprentissage par régression peut être utilisé pour prédire le point de données suivant.

Apprentissage non supervisé

Dans ce cas, l’algorithme d’apprentissage ne reçoit pas de réponse pendant l’entraînement. Son objectif est de trouver des relations significatives entre les points de données. Sa valeur réside dans la découverte de modèles et de corrélations. Par exemple, le regroupement est une utilisation courante de l’apprentissage non supervisé dans les systèmes de recommandation (par exemple, les personnes qui ont aimé cette bouteille de vin ont également apprécié celle-ci).

Apprentissage par renforcement

Ce type d’apprentissage est un mélange d’apprentissage supervisé et non supervisé. Il est généralement utilisé pour résoudre des problèmes plus complexes et nécessite une interaction avec un environnement. Les données sont fournies par l’environnement et permettent à l’agent de répondre et d’apprendre. En pratique, cela va du contrôle des bras robotisés pour trouver la combinaison de moteurs la plus efficace, à la navigation robotique où le comportement d’évitement des collisions peut être appris par le retour négatif d’une collision sur des obstacles. Les jeux de logique sont également bien adaptés à l’apprentissage par renforcement, car ils sont traditionnellement définis comme une séquence de décisions: des jeux tels que le poker, le backgammon et plus récemment Go avec le succès d’AlphaGo de Google. D’autres applications de l’apprentissage par renforcement sont courantes dans la logistique, l’ordonnancement et la planification tactique des tâches.

À quoi peut servir le machine learning?

Trois étapes du développement du machine learning et leur application dans une entreprise doivent être considérées: descriptive, prédictive et prescriptive.

L’étape descriptive fait référence à l’enregistrement et à l’analyse des données historiques pour accroître l’intelligence d’affaires. Les gestionnaires reçoivent des informations descriptives d’une part, et une meilleure compréhension des résultats, des conséquences des actions et des décisions passées. Ce processus est désormais routinier pour la plupart des grandes entreprises à travers le monde, par exemple, en examinant les dossiers de vente et en faisant correspondre les efforts promotionnels pour comprendre leur impact et leur retour sur investissement.

La deuxième étape de l’apprentissage automatique appliqué est la prédiction. La collecte de données et leur utilisation pour prédire un résultat spécifique permettent d’accroître la réactivité et de prendre des décisions plus rapidement et avec plus de précision. Par exemple, prédire le taux de désabonnement peut permettre sa prévention. Cette étape d’application est actuellement adoptée par la plupart des entreprises.

Pourtant, la troisième et dernière étape du machine learning est déjà adoptée par les entreprises existantes et poussée par des entreprises nouvellement créées. Prédire un comportement ou un résultat n’est pas suffisant lorsque l’on vise des pratiques commerciales efficaces et efficientes. Comprendre la cause, le motif et le contexte est une condition préalable à la prise de décision optimale. Concrètement, cette étape est possible lorsque l’humain et la machine conjuguent leurs efforts. Le machine learning est utilisé pour trouver des relations significatives et pour prédire les résultats tandis que les experts en données servent de traducteurs pour comprendre le sens de la relation. En tant que tel, il devient possible de prescrire des actions avec plus de précision.

De plus, j’ajouterais une autre application du machine learning autre que l’analyse prédictive: l’automatisation des processus. J’ai fourni un aperçu plus détaillé et la comparaison de ces deux concepts ici.

Avant que tu ne partes.

Rappelez-toi que la collaboration est la clé. L’IA et le machine learning sont fascinants mais peuvent parfois être difficiles. Si vous êtes amateur d’IA, vous devriez parler à votre expert local en IA.