Les logiciels traditionnels suivent des instructions séquentielles strictes, sans possibilité d'ajustement en fonction de l'expérience ou de données ultérieures. En revanche, l'apprentissage automatique rompt avec cette approche rigide. Contrairement à la programmation traditionnelle, un programme d'apprentissage automatique apprend et s'adapte au fil du temps en exposant le système à des données et expériences, lui permettant ainsi d'ajuster son comportement pour prendre des décisions plus éclairées dans des situations variées.[1]

Cette vidéo vous permettra de bien comprendre ce qu'est : Le deep learning (20 min 6 s)

L'apprentissage automatique, également connu sous le nom de Machine Learning, est une branche fondamentale de l'intelligence artificielle. Cette discipline vise à créer des programmes informatiques qui peuvent apprendre à partir de diverses données et utiliser des algorithmes pour résoudre des problèmes tels que la reconnaissance de formes, la classification, la prédiction et l'optimisation.[2]

L'apprentissage de l'IA repose sur plusieurs concepts clés qui permettent à un système informatique d'acquérir des compétences et de s'améliorer avec l'expérience. 

Voici quelques notions essentielles préalables à cette leçon :

Tableau 1 : Concepts clés de l'apprentissage automatique suivi d'exemples

# Concepts Définitions Exemples
1 Algorithme[3] Un algorithme est une suite d’instructions clairement définies pour résoudre un problème ou accomplir une tâche.[3] Pensez à un logiciel qui suit une recette de cuisine étape par étape sans dévier du plan.[3]
2 Algorithme d’apprentissage OU algorithme de machine learning[3] C’est un programme informatique qui utilise des données pour apprendre par lui-même et s’améliorer, sans avoir besoin d’être explicitement programmé pour le faire.[3] Au lieu de suivre une recette à la lettre, l’ordinateur apprend les principes de base de la cuisine. Même s’il n’a jamais fait une recette spécifique, il peut la réaliser en se basant sur sa connaissance des techniques et des ingrédients.[3]
3 Rétropropagation[4] C'est une méthode utilisée en IA pour ajuster les paramètres d’un modèle lorsque celui-ci fait une erreur de prédiction. Le processus est répété jusqu’à ce que le modèle atteigne un niveau de performance satisfaisant.[4] Par exemple, si un modèle de prévision météo prédit qu’il fera beau et qu’il pleut, la rétropropagation permet d’ajuster les paramètres du modèle pour minimiser ce type d’erreur à l’avenir.
4 Arbres de décisions[5] C'est un outil graphique qui aide à prendre des décisions en prévoyant les conséquences possibles d’une série de choix.[5] Par exemple, un arbre de décision pourrait être utilisé pour décider si on doit sortir ou rester à la maison en fonction de la météo, de l’heure et de l’humeur.[6]
5 Itération continue[7] L’apprentissage en intelligence artificielle est un processus d'amélioration continu, qui rectifie ses résultats avec le temps à mesure que de nouvelles données sont disponibles.[7] Par exemple, un modèle de recommandation de films pourrait s’améliorer au fil du temps en apprenant de nouvelles préférences des utilisateurs.

Les phases d'apprentissage de l'IA suivent un processus méthodique qui transforme des données brutes en modèles puissants. Explorons ces étapes pour mieux comprendre ce parcours complexe.[8]

Tableau 2 : Les phases d'apprentissage

# Phases d'apprentissage Description
1 Collecte des données Cette phase consiste à rassembler des informations pertinentes et représentatives qui seront utilisées pour entraîner un modèle ou effectuer une analyse.
2 Préparation des données Une fois les données collectées, elles subissent un processus de nettoyage, de normalisation, de transformation et d'enrichissement. Cette phase vise à éliminer les erreurs, traiter les données manquantes et garantir que les données sont prêtes à être utilisées par les algorithmes d'apprentissage automatique.
3 Choix du modèle Face à une variété d'algorithmes, le choix du modèle dépend des caractéristiques des données, des objectifs de la tâche, ainsi que des contraintes de temps et de ressources. Les modèles incluent des options telles que les réseaux de neurones , les arbres de décision, etc., chacun adapté à des situations spécifiques.
4 Entraînement du modèle Durant cette phase, le modèle sélectionné ajuste ses paramètres en utilisant des techniques d'optimisation qui lui sont propres. L'objectif est de minimiser l'erreur entre les prédictions du modèle et les observations réelles.
5 Optimisation du modèle Pour améliorer les performances du modèle, des ajustements sont effectués sur les paramètres en utilisant différentes techniques. Par exemple, utiliser de nouvelles données non vues auparavant pour ajuster le modèle. L'objectif est de trouver le juste équilibre entre complexité et généralisation.
6 Test du modèle La phase finale consiste à évaluer les performances du modèle optimisé sur des données indépendantes. Cette évaluation détermine la qualité finale du modèle et sa préparation à être déployé en production pour des applications réelles.

Les principales méthodes d'apprentissage comprennent[8] :

  • L'apprentissage supervisé : Le développeur fournit au modèle d'IA un ensemble de données annotées afin de former l'algorithme, incluant des données d'entrée ainsi que les réponses qui sont attendues. Par exemple, un million de photos de chiens étiquetées « Chien » et un million de photos de chats étiquetées « Chats » permettront à l'IA d'identifier les caractéristiques communes spécifiques à chaque type d'animal.[1]
  • L'apprentissage non supervisé : Le développeur alimente le modèle d'IA avec un ensemble de données non annotées et elle devra regrouper les données similaires en analysant chacune d'entre elles. En anglais, cette pratique de création de groupes homogènes est appelée le « clustering ». Par exemple, un million de photos représentant différents types d'animaux que l'intelligence artificielle devra classifier en différentes catégories basées sur des caractéristiques telles que la longueur des poils, la taille des oreilles, etc.[1]
  • L'apprentissage par renforcement : Le développeur guide l'IA en évaluant ses actions dans un environnement où la performance de l'IA est mesurée. La machine tente d’effectuer une tâche, et reçoit des retours positifs ou négatifs en fonction du résultat pour lui permettre de s’améliorer peu à peu. Par exemple, pour apprendre à jouer aux échecs, l'IA peut s'améliorer en jouant contre une autre IA et en évaluant elle-même ses mouvements à chaque étape du processus d'apprentissage.[9]

Les systèmes neuronaux, ou réseaux de neurones, sont des modèles d'IA qui imitent le fonctionnement des neurones dans le cerveau humain. Ils sont composés de couches de neurones interconnectés. Chaque neurone est un élément de traitement de l'information qui reçoit des entrées, effectue des calculs, puis transmet une sortie à d'autres neurones. Ces connexions entre les neurones ont des poids qui sont ajustés pendant l'apprentissage.[10]

Fonctionnement :

  • Entrées : Les données d'entrée sont introduites dans le réseau, par exemple, des pixels d'une image ou des mots d'un texte.
  • Propagation : Les données se propagent à travers les couches de neurones. Chaque connexion entre les neurones est associée à un poids qui influence la contribution d'une entrée à la sortie du neurone.
  • Activation : Chaque neurone applique une fonction d'activation à la somme pondérée de ses entrées. Cela permet de modéliser des relations non linéaires entre les données.

Exemple d'un système neuronal à deux neurones à l'entrées, une couche cachée à trois neurones et la sortie à une neurone.

L'apprentissage profond (deep learning, en anglais), est une approche qui utilise des réseaux de neurones profonds pour apprendre des représentations hiérarchiques des données. La profondeur fait référence au nombre de couches dans un réseau de neurones. Plus le réseau est profond, plus il peut apprendre des caractéristiques complexes et abstraites.[11]

Caractéristique : Les couches successives d'un réseau de neurones apprennent des niveaux de représentations de plus en plus abstraites des données, ce qui permet de capturer des caractéristiques complexes. C'est grâce au deep learning qu'on arrive à des modèles d'IA aussi perfectionnées et impressionnantes.[12]

Exemple d'un système neuronal profonds avec plusieurs couches cachées entre les entrées et les sorties.

Applications[11] :

  • Vision par ordinateur : Les réseaux de neurones profonds sont utilisés pour la reconnaissance d'images, la détection d'objets, et la segmentation d'images.
  • Traitement du langage naturel : Ils sont efficaces pour des tâches comme la traduction automatique, la génération de texte, et l'analyse sentimentale.
  • Reconnaissance vocale : Les réseaux de neurones profonds sont utilisés pour convertir la parole en texte, utile dans les applications de transcription et les assistants vocaux.
  • Voitures autonomes : Ils sont utilisés pour interpréter les données sensorielles, permettant aux voitures de “voir” leur environnement et de prendre des décisions.
  • Systèmes de recommandation : Les réseaux de neurones profonds peuvent aider à prédire les préférences des utilisateurs en se basant sur leurs comportements passés.
  • Détection de fraude : Ils peuvent identifier des modèles complexes pour détecter les activités frauduleuses dans les transactions financières.
  • Médecine : Ils sont utilisés pour la détection et le diagnostic de maladies en analysant les images médicales.
  • Transport : L’IA est utilisée pour améliorer la sécurité, l’efficacité, et le confort des véhicules autonomes, des drones, et des trains. Par exemple, l’IA peut aider à détecter les obstacles sur la route, à prévoir les comportements des autres conducteurs, et à optimiser les trajets en temps réel.
  • Éducation : L’IA est utilisée pour personnaliser les parcours d’apprentissage, évaluer les compétences, et améliorer l’interaction entre les apprenants et les enseignants. Par exemple, l’IA peut aider à recommander les cours les plus adaptés aux besoins de chaque élève, à évaluer les réponses des élèves aux questions, et à fournir des explications supplémentaires en temps réel.

L'algorithme AlphaGo a battu l'un des meilleurs joueurs de go du monde. Pourquoi est-ce important, et comment fonctionne ce programme ? (15 min 52 s)

Pour en savoir davantage concernant l'apprentissage automatique : Machine Learning : Définition, fonctionnement, utilisations.

  • L'apprentissage automatique est une branche clé de l'IA qui transforme des systèmes en leur permettant d'apprendre et de s'adapter à partir de données. 
  • Il se distingue par son utilisation d'algorithmes pour analyser, prédire et résoudre des problèmes, s'éloignant ainsi de la rigidité des logiciels traditionnels. 
  • Les phases d'apprentissage vont de la collecte et préparation des données jusqu'à l'optimisation et le test du modèle, adoptant des méthodes comme l'apprentissage supervisé, non supervisé, et par renforcement. 
  • L'introduction des systèmes neuronaux et de l'apprentissage profond a permis des avancées significatives dans des secteurs tels que la santé, le transport, et l'éducation, en offrant des solutions innovantes et personnalisées.
Maintenant que vous comprenez mieux comment fonctionne l'apprentissage automatique et l'apprentissage profond de l'IA, dans la prochaine activité nous vous proposons de découvrir comment utiliser l'IA au niveau professionnel. 
Modifié le: mercredi 8 mai 2024, 10:01