L'apprentissage automatique est une branche de l'intelligence artificielle (IA) et de l'informatique qui se concentre sur l'utilisation de données et d'algorithmes pour imiter la façon dont les humains apprennent, améliorant progressivement sa précision.

L'apprentissage automatique est une composante importante du domaine en plein essor de la science des données. Grâce à l'utilisation de méthodes statistiques, les algorithmes sont formés pour effectuer des classifications ou des prédictions, révélant des informations clés dans les projets d'exploration de données. Ces informations guident ensuite la prise de décision au sein des applications et des entreprises, impactant idéalement les mesures de croissance clés. Alors que le Big Data continue de se développer et de se développer, la demande du marché pour les scientifiques des données augmentera, les obligeant à aider à identifier les questions commerciales les plus pertinentes et, par la suite, les données pour y répondre.

L'apprentissage automatique, l'apprentissage en profondeur et les réseaux de neurones

Étant donné que l'apprentissage en profondeur et l'apprentissage automatique ont tendance à être utilisés de manière interchangeable, il convient de noter les nuances entre les deux. L'apprentissage automatique, l'apprentissage en profondeur et les réseaux de neurones sont tous des sous-domaines de l'intelligence artificielle. Cependant, l'apprentissage en profondeur est en fait un sous-domaine de l'apprentissage automatique, et les réseaux de neurones sont un sous-domaine de l'apprentissage en profondeur.

La différence entre l'apprentissage en profondeur et l'apprentissage automatique réside dans la manière dont chaque algorithme apprend. L'apprentissage en profondeur automatise une grande partie de l'extraction de caractéristiques du processus, éliminant une partie de l'intervention humaine manuelle requise et permettant l'utilisation d'ensembles de données plus volumineux. Vous pouvez considérer l'apprentissage en profondeur comme un "apprentissage automatique évolutif", comme le note Lex Fridman dans une conférence. L'apprentissage automatique classique, ou "non profond", dépend davantage de l'intervention humaine pour apprendre. Des experts humains déterminent l'ensemble de fonctionnalités pour comprendre les différences entre les entrées de données, nécessitant généralement des données plus structurées pour apprendre.

L'apprentissage automatique "profond" peut exploiter des ensembles de données étiquetés, également appelés apprentissage supervisé, pour informer son algorithme, mais il ne nécessite pas nécessairement un ensemble de données étiqueté. Il peut ingérer des données non structurées sous leur forme brute (par exemple du texte, des images) et il peut déterminer automatiquement l'ensemble des caractéristiques qui distinguent les différentes catégories de données les unes des autres. Contrairement à l'apprentissage automatique, il ne nécessite aucune intervention humaine pour traiter les données, ce qui nous permet de faire évoluer l'apprentissage automatique de manière plus intéressante. L'apprentissage en profondeur et les réseaux de neurones sont principalement reconnus pour avoir accéléré les progrès dans des domaines tels que la vision par ordinateur, le traitement du langage naturel et la reconnaissance vocale.

Les réseaux de neurones, ou réseaux de neurones artificiels (ANN), sont composés d'une couche de nœuds, contenant une couche d'entrée, une ou plusieurs couches cachées et une couche de sortie. Chaque nœud, ou neurone artificiel, se connecte à un autre et a un poids et un seuil associés. Si la sortie d'un nœud individuel est supérieure à la valeur de seuil spécifiée, ce nœud est activé, envoyant des données à la couche suivante du réseau. Sinon, aucune donnée n'est transmise à la couche suivante du réseau. Le «profond» dans l'apprentissage en profondeur fait simplement référence à la profondeur des couches d'un réseau de neurones. Un réseau de neurones composé de plus de trois couches, qui inclurait les entrées et la sortie, peut être considéré comme un algorithme d'apprentissage en profondeur ou un réseau de neurones en profondeur. Un réseau de neurones qui n'a que deux ou trois couches n'est qu'un réseau de neurones de base.

Comment fonctionne l'apprentissage automatique

UC Berkeley divise le système d'apprentissage d'un algorithme d'apprentissage automatique en trois parties principales.

• Un processus de décision : En général, les algorithmes d'apprentissage automatique sont utilisés pour faire une prédiction ou une classification. Sur la base de certaines données d'entrée, qui peuvent être étiquetées ou non, votre algorithme produira une estimation d'un modèle dans les données.
• Une fonction d'erreur : Une fonction d'erreur sert à évaluer la prédiction du modèle. S'il existe des exemples connus, une fonction d'erreur peut effectuer une comparaison pour évaluer la précision du modèle.
• Un processus d'optimisation du modèle : si le modèle peut mieux s'adapter aux points de données de l'ensemble d'apprentissage, les poids sont ajustés pour réduire l'écart entre l'exemple connu et l'estimation du modèle. L'algorithme répétera ce processus d'évaluation et d'optimisation, mettant à jour les pondérations de manière autonome jusqu'à ce qu'un seuil de précision soit atteint.

Méthodes d'apprentissage automatique

Les classificateurs d'apprentissage automatique se répartissent en trois catégories principales.

Apprentissage automatique supervisé

L'apprentissage supervisé , également connu sous le nom d'apprentissage automatique supervisé, est défini par son utilisation d'ensembles de données étiquetés pour former des algorithmes qui classent les données ou prédisent les résultats avec précision. Au fur et à mesure que les données d'entrée sont introduites dans le modèle, celui-ci ajuste ses pondérations jusqu'à ce que le modèle ait été ajusté de manière appropriée. Cela se produit dans le cadre du processus de validation croisée pour s'assurer que le modèle évite le surajustement ou le sous- ajustement . L'apprentissage supervisé aide les organisations à résoudre une variété de problèmes réels à grande échelle, tels que la classification du spam dans un dossier distinct de votre boîte de réception. Certaines méthodes utilisées dans l'apprentissage supervisé comprennent les réseaux de neurones, les baies naïves, la régression linéaire, la régression logistique, la forêt aléatoire, la machine à vecteurs de support (SVM), etc.

Apprentissage automatique non supervisé

L'apprentissage non supervisé , également appelé apprentissage automatique non supervisé, utilise des algorithmes d'apprentissage automatique pour analyser et regrouper des ensembles de données non étiquetés. Ces algorithmes découvrent des modèles ou des regroupements de données cachés sans intervention humaine. Sa capacité à découvrir les similitudes et les différences dans les informations en fait la solution idéale pour l'analyse exploratoire des données, les stratégies de vente croisée, la segmentation de la clientèle, la reconnaissance d'images et de modèles. Il est également utilisé pour réduire le nombre de fonctionnalités dans un modèle via le processus de réduction de la dimensionnalité ; L'analyse en composantes principales (ACP) et la décomposition en valeurs singulières (SVD) sont deux approches courantes pour cela. D'autres algorithmes utilisés dans l'apprentissage non supervisé incluent les réseaux de neurones, le clustering k-means, les méthodes de clustering probabilistes, etc.

Apprentissage semi-supervisé

L'apprentissage semi-supervisé offre un juste milieu entre l'apprentissage supervisé et non supervisé. Pendant la formation, il utilise un ensemble de données étiquetées plus petit pour guider la classification et l'extraction de caractéristiques à partir d'un ensemble de données plus grand et non étiqueté. L'apprentissage semi-supervisé peut résoudre le problème de ne pas avoir suffisamment de données étiquetées (ou de ne pas pouvoir se permettre d'étiqueter suffisamment de données) pour former un algorithme d'apprentissage supervisé.

Apprentissage automatique du renforcement

L'apprentissage automatique par renforcement est un modèle d'apprentissage automatique comportemental similaire à l'apprentissage supervisé, mais l'algorithme n'est pas formé à l'aide d'échantillons de données. Ce modèle apprend au fur et à mesure en utilisant des essais et des erreurs. Une séquence de résultats positifs sera renforcée pour développer la meilleure recommandation ou politique pour un problème donné.

Cas d'utilisation réels de l'apprentissage automatique

Voici quelques exemples d'apprentissage automatique que vous pourriez rencontrer tous les jours :

Reconnaissance vocale : Elle est également connue sous le nom de reconnaissance automatique de la parole (ASR), de reconnaissance vocale par ordinateur ou de synthèse vocale, et il s'agit d'une capacité qui utilise le traitement du langage naturel (NLP) pour traiter la parole humaine dans un format écrit. De nombreux appareils mobiles intègrent la reconnaissance vocale dans leurs systèmes pour effectuer une recherche vocale, par exemple Siri, ou offrent plus d'accessibilité autour de l'envoi de SMS.

Service client : les chatbots en ligne remplacent les agents humains tout au long du parcours client. Ils répondent aux questions fréquemment posées (FAQ) sur des sujets tels que l'expédition, ou fournissent des conseils personnalisés, des produits de vente croisée ou des suggestions de tailles pour les utilisateurs, changeant notre façon de penser à l'engagement des clients sur les sites Web et les plateformes de médias sociaux. Les exemples incluent les robots de messagerie sur les sites de commerce électronique avec des agents virtuels , les applications de messagerie, telles que Slack et Facebook Messenger, et les tâches généralement effectuées par des assistants virtuels et des assistants vocaux.

Vision par ordinateur : cette technologie d'intelligence artificielle permet aux ordinateurs et aux systèmes de tirer des informations significatives à partir d'images numériques, de vidéos et d'autres entrées visuelles, et sur la base de ces entrées, il peut agir. Cette capacité à fournir des recommandations le distingue des tâches de reconnaissance d'images. Propulsée par des réseaux de neurones convolutifs, la vision par ordinateur a des applications dans le marquage de photos dans les médias sociaux, l'imagerie radiologique dans les soins de santé et les voitures autonomes dans l'industrie automobile.

Moteurs de recommandation : en utilisant les données de comportement de consommation passées, les algorithmes d'IA peuvent aider à découvrir les tendances des données qui peuvent être utilisées pour développer des stratégies de vente croisée plus efficaces. Ceci est utilisé pour faire des recommandations complémentaires pertinentes aux clients pendant le processus de paiement pour les détaillants en ligne.

Négociation d'actions automatisée : conçues pour optimiser les portefeuilles d'actions, les plateformes de négociation à haute fréquence pilotées par l'IA effectuent des milliers, voire des millions de transactions par jour sans intervention humaine.

Les défis de l'apprentissage automatique

À mesure que la technologie d'apprentissage automatique progresse, elle nous a certainement simplifié la vie. Cependant, la mise en œuvre de l'apprentissage automatique au sein des entreprises a également soulevé un certain nombre de préoccupations éthiques concernant les technologies d'IA. Certains d'entre eux incluent :

Singularité technologique

Bien que ce sujet suscite beaucoup d'attention du public, de nombreux chercheurs ne sont pas préoccupés par l'idée que l'IA surpasse l'intelligence humaine dans un avenir proche ou immédiat. Ceci est également appelé superintelligence, que Nick Bostrum définit comme "tout intellect qui surpasse largement les meilleurs cerveaux humains dans pratiquement tous les domaines, y compris la créativité scientifique, la sagesse générale et les compétences sociales". Malgré le fait que l'IA forte et la superintelligence ne sont pas imminentes dans la société, leur idée soulève des questions intéressantes lorsque nous envisageons l'utilisation de systèmes autonomes, comme les voitures autonomes. Il est irréaliste de penser qu'une voiture sans conducteur n'aurait jamais un accident de voiture, mais qui est responsable et responsable dans ces circonstances ? Doit-on encore poursuivre les véhicules autonomes, ou faut-il limiter l'intégration de cette technologie pour ne créer que des véhicules semi-autonomes favorisant la sécurité des conducteurs ? Le jury n'est toujours pas là, mais ce sont les types de débats éthiques qui se produisent à mesure que de nouvelles technologies innovantes d'IA se développent.

Impact de l'IA sur les emplois

Alors qu'une grande partie de la perception du public autour de l'intelligence artificielle est centrée sur la perte d'emplois, cette préoccupation devrait probablement être recadrée. Avec chaque nouvelle technologie perturbatrice, nous constatons que la demande du marché pour des rôles professionnels spécifiques évolue. Par exemple, lorsque nous examinons l'industrie automobile, de nombreux fabricants, comme GM, se concentrent sur la production de véhicules électriques pour s'aligner sur les initiatives vertes. L'industrie de l'énergie ne disparaît pas, mais la source d'énergie passe d'une économie de carburant à une source électrique. L'intelligence artificielle devrait être considérée de la même manière, où l'intelligence artificielle déplacera la demande d'emplois vers d'autres domaines. Il faudra des personnes pour aider à gérer ces systèmes à mesure que les données augmentent et changent chaque jour. Il faudra encore des ressources pour résoudre les problèmes plus complexes au sein des industries les plus susceptibles d'être touchées par les changements de la demande d'emploi, comme le service à la clientèle. L'aspect important de l'intelligence artificielle et son effet sur le marché du travail aideront les individus à faire la transition vers ces nouveaux domaines de demande du marché.

Vie privée

La confidentialité a tendance à être discutée dans le contexte de la confidentialité des données, de la protection des données et de la sécurité des données, et ces préoccupations ont permis aux décideurs de faire plus de progrès ici ces dernières années. Par exemple, en 2016, la législation GDPR a été créée pour protéger les données personnelles des personnes dans l'Union européenne et l'Espace économique européen, donnant aux individus plus de contrôle sur leurs données. Aux États-Unis, certains États élaborent des politiques, telles que la California Consumer Privacy Act (CCPA), qui obligent les entreprises à informer les consommateurs de la collecte de leurs données. Cette législation récente a obligé les entreprises à repenser la manière dont elles stockent et utilisent les données personnelles identifiables (PII). En conséquence, les investissements dans la sécurité sont devenus une priorité croissante pour les entreprises qui cherchent à éliminer toutes les vulnérabilités et opportunités de surveillance,

Préjugés et discrimination

Les cas de partialité et de discrimination dans un certain nombre de systèmes intelligents ont soulevé de nombreuses questions éthiques concernant l'utilisation de l'intelligence artificielle. Comment pouvons-nous nous prémunir contre les préjugés et la discrimination lorsque les données de formation elles-mêmes peuvent se prêter à des préjugés ? Alors que les entreprises ont généralement des intentions bien intentionnées concernant leurs efforts d'automatisation, Reuters met en évidence certaines des conséquences imprévues de l'intégration de l'IA dans les pratiques d'embauche. Dans leurs efforts pour automatiser et simplifier un processus, Amazon a involontairement biaisé les candidats potentiels par sexe pour les postes techniques ouverts, et ils ont finalement dû abandonner le projet. Alors que des événements comme ceux-ci font surface, Harvard Business Review a soulevé d'autres questions pointues concernant l'utilisation de l'IA dans les pratiques d'embauche, telles que les données que vous devriez pouvoir utiliser lors de l'évaluation d'un candidat pour un poste.

Les préjugés et la discrimination ne se limitent pas non plus à la fonction des ressources humaines; on le trouve dans un certain nombre d'applications allant des logiciels de reconnaissance faciale aux algorithmes de médias sociaux.

Responsabilité

Puisqu'il n'y a pas de législation importante pour réglementer les pratiques d'IA, il n'y a pas de véritable mécanisme d'application pour garantir que l'IA éthique est pratiquée. Les incitations actuelles pour les entreprises à adhérer à ces directives sont les répercussions négatives d'un système d'IA contraire à l'éthique sur le résultat net. Pour combler cette lacune, des cadres éthiques ont émergé dans le cadre d'une collaboration entre éthiciens et chercheurs pour régir la construction et la distribution des modèles d'IA au sein de la société. Cependant, pour le moment, ceux-ci ne servent qu'à guider, et la recherche montre que la combinaison de la responsabilité partagée et du manque de prévision des conséquences potentielles n'est pas nécessairement propice à la prévention des dommages à la société.

Si vous avez lu jusqu'ici, ce que vous avez vraiment apprécié alors n'hésitez pas à laisser un commentaire !

Laissez votre commentaire :

@moonknight
développeur web
Repondre • 0

@alex-chriskel771
Horizon High Tech Community
Repondre • 1

Godsenju
Dev web full-stack
Repondre • 0