Aujourd’hui, nous voulons vous enseigner plus en profondeur l’un des termes qui a révolutionné et révolutionnera certaines interactions telles que nous les connaissons. Il s’agit de l’intelligence artificielle et de sa branche plus spécifique, le Machine learning.
Comme vous le savez, l’informatique est en constante évolution et ce que nous pouvons acheter n’est jamais à la pointe de la technologie.
Par exemple, alors que nous développons la 6e génération de PCI-Express, des chercheurs développent déjà PCIe Gen 7 et étudient le passage à la 8e génération. C’est pourquoi il n’est pas rare que des technologies dont nous n’avons jamais entendu parler accomplissent des tâches dont nous n’avons jamais entendu parler auparavant.
Mais avant d’aller plus loin, précisons ce dont nous allons parler, car qu’est-ce que le Machine learning ?
Qu’est-ce que le Machine learning ?
Le Machine learning est une branche spécifique de l’informatique et de l’intelligence artificielle qui permet de créer des systèmes capables d’apprendre automatiquement.
Cette branche a commencé à être étudiée et développée dans les années 80 et elle est aujourd’hui très développée. C’est pourquoi les intelligences artificielles et le Machine learning sont tous deux utilisés dans de nombreux domaines scientifiques et quotidiens.
Dans cette branche, les IA sont constituées d’un ou plusieurs algorithmes capables de traiter de grandes quantités de données et d’apprendre en conséquence. Les deux idées clés autour desquelles gravite ce sujet sont les suivantes :
- Le système doit être capable d’analyser des données et de construire des compétences qu’il n’avait pas à la naissance.
- L’intelligence doit être capable d’effectuer des tâches de manière autonome, c’est-à-dire sans supervision humaine.
Dans le monde réel, nous avons des exemples pratiques tels que la classification des spams dans les courriers électroniques, les recommandations sur Amazon ou les prédictions futures utilisant les données de l’entreprise. Ce dernier point est un domaine intéressant sur lequel de plus en plus d’entreprises misent.
En utilisant le Machine learning, nous pouvons voir quels modèles identifient les clients insatisfaits ou les ex-clients afin d’essayer d’améliorer la relation avec d’autres utilisateurs dans le même état. Nous étudions l’ancienneté, le nombre de plaintes, les plans contractés et autres pour créer certains profils. Une fois les résultats de l’IA obtenus, un groupe d’experts en marketing peut créer une campagne spécifique pour lutter contre ces problèmes.
L’entreprise peut alors créer des plans pour attirer ou conserver des clients sur la base de certaines hypothèses et passer d’une stratégie réactive à une stratégie proactive. Il s’agit d’une tactique très intéressante qui utilise l’intelligence artificielle, le big data et le Machine learning.
Comment les intelligences artificielles sont-elles formées ?
Pour qu’une IA soit prête, elle doit passer par différentes phases :
- Tout d’abord, elle est soumise à un environnement contrôlé. C’est là qu’on lui présente une grande quantité de données et leurs résultats respectifs, avec lesquels elle peut créer des relations entre les idées. Cette partie s’appelle l’apprentissage supervisé.
- Ensuite, elle est placée dans un environnement libre sans réponses où l’IA elle-même devra sélectionner un résultat. Sachant si ses réponses sont correctes ou non, elle crée de nouvelles règles dans son algorithme. Cette étape est appelée apprentissage non supervisé.
- Enfin, un environnement est mis en place pour former l’IA aux compétences qui lui font défaut. Si, par exemple, il a du mal à différencier les images à faible luminosité, il peut être entraîné avec des photos de nuit. Cette phase est appelée apprentissage par renforcement. Le processus peut être répété à partir de l’étape 2 autant de fois que vous le souhaitez pour affiner l’intelligence.
Un exemple pratique serait de montrer à une IA dix millions de photos et de lui dire lesquelles contiennent des chiens et lesquelles n’en contiennent pas. L’IA lui dira que les chiens ont tendance à avoir de la fourrure, à se déplacer à quatre pattes et qu’ils ont des formes et des tailles différentes en fonction de la race.
Ensuite, on lui donne un million d’images à trier. Il devra alors répondre à la question de savoir s’il y a un chien ou non sur la photo et, selon qu’il y parvient ou non, il créera de nouvelles “idées” dans sa base de données. Pour mettre en œuvre ces nouvelles données, l’intelligence établira de nouvelles règles dans son algorithme et sera désormais capable, par exemple, de faire la différence entre les chiens et les chats.
Enfin, son efficacité est étudiée et de nouvelles images sont préparées pour entraîner ses points faibles.
Bien sûr, il s’agit d’un système de démonstration simple et très reproductible, mais il existe d’autres méthodes plus expérimentales et particulières.
Tay, le bot de Twitter
Un cas récent d’entraînement expérimental est celui de Tay, une IA développée par Microsoft pour apprendre à s’exprimer comme un humain.
Le bot a été initialement programmé pour parler comme une jeune fille de 19 ans et, le 23 mars 2016, il a été lâché dans les sombres sphères de Twitter.
Il était programmé pour parler à la communauté et apprendre des messages qu’il recevait ainsi que de ses interactions avec les utilisateurs. Son apprentissage était presque entièrement autonome, bien qu’il ait dû être retiré au bout de 16 heures parce qu’il présentait des comportements négatifs.
Au cours de sa courte vie, il a tweeté plus de 96 000 tweets. Cependant, le comportement intentionnellement offensif de ce réseau social a fait que Tay a réagi plus rapidement que Tay à des phrases racistes et autres.
Dans ce cas, l’apprentissage supervisé et l’ensemble de règles de base ont dû être dûment révisés. Connaissant le ton léger et offensif du réseau social, Tay n’était pas préparée à différencier le réel du sarcastique. Pour la même raison, certains utilisateurs ont facilement réussi à “franchir” la “barrière intellectuelle” de l’intelligence.
Applications du Machine learning dans le monde réel
Nous vous avons déjà parlé de certaines utilisations quotidiennes de le Machine learning que vous connaissez peut-être déjà, mais qu’y a-t-il d’autre ?
Vous trouverez ci-dessous une série d’applications pratiques de cette technologie aux problèmes les plus courants. Cependant, il s’agit de solutions de pointe, qui ont donc tendance à nécessiter beaucoup plus d’argent.
La santé
La technologie est à l’étude pour un nouveau type de vêtements capables de lire des informations sur notre corps. Il pourrait être capable de lire notre pouls, notre respiration ou notre anxiété.
Ces données sont lues par une intelligence qui évalue l’état du patient en temps réel. Ainsi, si le patient souffre d’un problème tel qu’une crise cardiaque à un moment précis, il peut être diagnostiqué et/ou réagir plus rapidement.
D’autre part, certains robots ont été mis en place et sont capables de détecter les pensées suicidaires chez certaines personnes. La célèbre intelligence de Facebook lit les conversations et votre activité pour reconnaître les tendances suicidaires, bien qu’il existe d’autres versions qui examinent de plus près le comportement, le ton de la voix et le langage corporel d’une personne.
La finance
Dans le domaine de la finance, certaines banques et entreprises ont utilisé des solutions basées sur le Machine learning pour détecter et prévenir la fraude.
D’autre part, quelque chose de similaire est également utilisé pour identifier plus facilement les opportunités d’investissement. Il est également utilisé pour décider quand vendre ou acheter des actions et d’autres supports.
Le marketing
Nous l’avons déjà mentionné, mais c’est l’une de ses applications les plus connues.
Vous avez probablement vu quelques produits sur Amazon, puis vous allez sur Facebook, Google ou Instagram et vous voyez exactement ces produits dans vos publicités. Ce n’est pas une coïncidence, car les réseaux sociaux et Google mettent en œuvre une intelligence qui étudie votre historique et vos éventuels centres d’intérêt afin de les capter partout où ils le peuvent.
Certains utilisateurs y voient une manière intrusive d'”attaquer” l’utilisateur et ce n’est pas surprenant, car vous êtes bombardé d’une idée. Toutefois, la publicité évoluera dans cette direction, car elle sera plus personnelle et les annonces seront ciblées sur les acheteurs potentiels.
Machine learning et deep learning
Ces deux termes vont souvent de pair, mais ils ne sont pas exactement identiques. Dans cet article dédié, vous apprendre plus sur ce que représente le deep learning et quelle est son rôle, car il mérite d’être appris.
De manière générale, on pourrait établir la relation entre Machine Learning et Deep Learning comme celle entre Intelligence Artificielle et Machine Learning. Le deep learning est une branche encore plus spécifique de le Machine learning.
Il partage des aspects clés tels que l’évolution dans le temps et l’expérience, mais présente une autre série de différences.
La base de l’apprentissage et du traitement des données est l’utilisation de différentes couches qui agissent comme des neurones. On peut donc dire que ces intelligences sont généralement plus raffinées, mais aussi plus compliquées et plus coûteuses à construire.
Quelle est la distance qui nous sépare de Skynet ?
Cette section est destinée aux esprits les plus rêveurs.
C’est un cliché souvent répété dans les livres, les films, etc. Ce n’est pas pour rien qu’il existe un genre ou un thème appelé Cyberpunk. Pourtant, loin de ces dystopies futuristes contrôlées par des Intelligences Artificielles, nos machines ont encore un long chemin à parcourir.
Les systèmes de Machine learning d’aujourd’hui appartiennent au groupe des “IA faibles”. Comme nous l’avons vu, ces intelligences ne sont capables que de comprendre des modèles et de tirer des conclusions simples. Elles sont très utiles pour nous aider dans certains contextes, mais ce ne sont pas du tout des systèmes autonomes.
D’autre part, nous avons les “IA fortes”, celles qui sont représentées dans les histoires futuristes où elles sont aussi intelligentes, voire beaucoup plus, que les humains. Des exemples notables peuvent être trouvés dans la culture populaire comme “Matrix”, “Terminator”, “Ghost in the Shell” ou “Halo”. En fait, dans cette liste, il y a deux œuvres qui sont liées l’une à l’autre, pouvez-vous deviner lesquelles ?
Aujourd’hui, nous sommes encore en train de développer des voitures entièrement autonomes et sûres. Nous progressons sans cesse, mais il nous reste encore un long chemin à parcourir pour mettre au point un véhicule égal entièrement composé de technologie.
Si vous souhaitez en savoir plus, vous pouvez consulter notre article sur l’intelligence artificielle. Il s’agit d’un texte d’un point de vue plus général et nous étudions un peu les ramifications possibles que cette technologie aura.
Mot de la fin sur le Machine learning
Comme dans notre conclusion sur l’intelligence artificielle, il est clair que l’avenir est incertain. Cependant, il est inévitable que l’évolution doive être révisée pour mettre en œuvre la technologie parmi ses capacités et ses caractéristiques.
Progressivement, l’internet sera de mieux en mieux contrôlé par des programmes et des algorithmes. Les réseaux sociaux seront mieux calibrés et nous offriront des contenus plus en phase avec nos goûts. Enfin, les relations en ligne seront beaucoup plus sûres, car nous pourrons détecter plus facilement les risques de fraude ou autres.
D’autre part, il ne faut pas s’étonner que ce siècle soit celui de l’IoT (Internet des objets). C’est une idée dont nous rêvons depuis longtemps et qui se rapproche de plus en plus. En outre, l’IoT est un grand bond pour les technologies de pointe liées à le Machine learning, bien qu’il manque encore quelques ajustements en termes de sécurité.
En ce qui nous concerne, nous pensons qu’il s’agira d’une évolution progressive et que tant que vous êtes informé de ce qui se passe, vous n’avez rien à craindre. Les nouvelles voitures ou les nouveaux réfrigérateurs peuvent vous sembler étranges, mais je ne pense pas que nous assisterons au réveil des “IA fortes”.
Enfin, nous devons avouer que nous ne sommes pas des experts en intelligence artificielle ou en Machine learning, alors ne soyez pas surpris par certaines données étranges. Si nous avons commis une erreur, n’hésitez pas à nous en faire part ! Après tout, nous ne sommes pas encore des machines parfaites.
Que pensez-vous de le Machine learning et de l’intelligence artificielle, et où pensez-vous qu’ils devraient être mis en œuvre ? Faites-nous part de vos réflexions ci-dessous.
