Un algorithme de machine learning est un ensemble de règles ou de processus utilisés par un système d’IA pour effectuer des tâches, le plus souvent pour découvrir de nouvelles informations et modèles de données, ou prédire les valeurs de sortie à partir d’un ensemble de variables d’entrée. Les algorithmes permettent au machine learning (ML) d’apprendre.
Les analystes du secteur s’accordent sur l’importance du machine learning et de ses algorithmes sous-jacents. Selon Forrester, « Les progrès des algorithmes de machine learning apportent précision et profondeur à l’analyse des données marketing. Les responsables peuvent ainsi mieux comprendre comment certains éléments, plateforme, création, appel à l’action ou message, influent sur les performances marketing. »1 Selon Gartner, « Le machine learning est au cœur de nombreuses applications d’IA populaires, ce qui explique son attractivité sur le marché. »2
Le plus souvent, l’entraînement des algorithmes de ML sur un gros volume de données fournissent des réponses plus précises que sur une quantité moindre. À l’aide de méthodes statistiques, les algorithmes sont entraînés pour déterminer les classifications, obtenir des prédictions et découvrir des informations clés dans les projets d’exploration de données. Ces informations permettent d’améliorer les prises de décision pour stimuler les métriques de croissance.
Parmi les cas d’utilisation, les algorithmes de machine learning sont notamment employés dans l’analyse des données pour identifier les tendances et prévoir les problèmes avant qu’ils ne se produisent.3 Une IA plus avancée offre des options de support personnalisé, réduit les temps de réponse, fournit une reconnaissance vocale et, en fin de compte, améliore la satisfaction des clients. Les secteurs qui bénéficient particulièrement des algorithmes de machine learning pour la création de nouveaux contenus à partir de grandes quantités de données comprennent la gestion de la chaîne d’approvisionnement, les transports et la logistique, le commerce de détail et la fabrication.4 L’IA générative est largement adoptée dans ces secteurs pour sa capacité à automatiser les tâches, à améliorer l’efficacité et à fournir des informations précieuses, même pour les débutants.
Décuplez la puissance de l’IA dans votre entreprise grâce à la plateforme de données et d’IA nouvelle génération d’IBM.
Abonnez-vous à la newsletter IBM
Le deep learning est une application spécifique des fonctions avancées fournies par les algorithmes de machine learning. Il s’en distingue par la manière dont chaque algorithme apprend. Pour informer leur algorithme, les modèles de machine learning « profond » ou « deep learning » peuvent utiliser des ensembles de données étiquetés (ou apprentissage supervisé), mais les données étiquetées ne leur sont pas forcément nécessaires. Le deep learning peut ingérer des données non structurées sous leur forme brute (comme du texte ou des images) et déterminer automatiquement l’ensemble des caractéristiques qui distinguent différentes catégories de données les unes des autres. Cela permet d’éliminer une partie de l’intervention humaine nécessaire et d’utiliser des ensembles de données plus volumineux.
La façon la plus simple d’aborder l’intelligence artificielle, le machine learning, le deep learning et les réseaux neuronaux est de les considérer comme une série de systèmes d’IA du plus grand au plus petit, chacun englobant le suivant. L’intelligence artificielle représente le système global. Le machine learning est un sous-ensemble de l’IA. Le deep learning est un sous-domaine du machine learning, et les réseaux neuronaux sont l’épine dorsale des algorithmes de deep learning. C’est le nombre de couches de nœuds, ou profondeur, des réseaux neuronaux qui distingue un réseau neuronal unique d’un algorithme de deep learning, qui doit en avoir plus de trois.
Selon un article de l’UC Berkeley, le système d’apprentissage d’un algorithme de machine learning se compose de trois parties principales.5
3. Un processus d’optimisation : si le modèle peut être mieux adapté aux points de données de l’ensemble d’entraînement, les poids sont ajustés en conséquence pour réduire l’écart entre l’exemple connu et l’estimation du modèle. L’algorithme répète ce processus « d’évaluation et d’optimisation », et actualise les poids de manière autonome jusqu’à ce qu’un seuil de précision soit atteint.
L’apprentissage supervisé, en particulier, utilise un ensemble d’entraînement configuré pour enseigner les modèles en vue d’obtenir les résultats souhaités. Cet ensemble de données d’entraînement comprend des entrées et des sorties correctes, ce qui permet au modèle d’apprendre et de s’améliorer au fil du temps. L’algorithme mesure sa précision par le biais de la fonction de perte, en s’ajustant jusqu’à ce que l’erreur soit suffisamment réduite.
Il existe quatre types d’algorithmes de machine learning : supervisés, non supervisés, semi-supervisés et par renforcement. Selon vos exigences en termes de budget, de vitesse et de niveau de précision, chaque type et variante a ses avantages. Les algorithmes de machine learning avancés nécessitent plusieurs technologies, notamment le deep learning, les réseaux neuronaux et le traitement du langage naturel. Ils peuvent utiliser l’apprentissage supervisé et non supervisé.6 Les algorithmes suivants sont les plus couramment utilisés.
L’apprentissage supervisé permet de traiter deux types de problèmes lors de l’exploration de données : la classification et la régression.
Différents algorithmes et techniques de calcul sont employés dans les processus de machine learning supervisés, souvent calculés à l’aide de programmes comme Python. Les algorithmes d’apprentissage supervisés comprennent les suivants :
Contrairement à l’apprentissage supervisé, l’apprentissage non supervisé utilise des données non étiquetées. À partir de ces données, l’algorithme découvre des modèles qui aident à résoudre les problèmes de regroupement (clustering) ou d’association. Ceci est particulièrement utile lorsque les spécialistes du domaine ne sont pas sûrs des propriétés communes dans un ensemble de données. Les algorithmes de clustering courants sont un mélange de modèles hiérarchiques, en k moyennes, gaussiens et de méthodes de réduction de la dimensionnalité comme PCA et t-SNE.
Algorithmes d’apprentissage semi-supervisé
Dans ce cas, l’apprentissage intervient lorsque seule une partie des données d’entrée a été étiquetée, ce qui donne à l’algorithme une certaine « longueur d’avance ». Cette approche permet de combiner le meilleur des deux mondes :10 une précision améliorée associée au machine learning supervisé et la possibilité d’utiliser des données non étiquetées de manière rentable, comme dans le cas du machine learning non supervisé.
Algorithmes par renforcement
Dans ce cas, les algorithmes sont entraînés de la même manière que l’apprentissage humain, à l’aide de récompenses et de pénalités, qui sont mesurées et suivies par un agent d’apprentissage par renforcement.11 Celui-ci a une compréhension générale de la probabilité de réussir à faire monter le score ou à le faire descendre. Par essais et erreurs, l’agent apprend à appliquer des mesures qui conduisent aux résultats les plus favorables au fil du temps. L’apprentissage par renforcement est souvent utilisé12 dans la gestion des ressources, la robotique et les jeux vidéo.
Concevez des réseaux neuronaux complexes. Expérimentez à grande échelle pour déployer des modèles d’apprentissage optimisés dans IBM Watson Studio.
Analysez les données et élaborez des analyses et des modèles prédictifs de résultats futurs. Découvrez les risques et les opportunités pour votre entreprise.
Le NLP est une IA qui parle le langage de votre entreprise. Créez des solutions qui génèrent 383 % de ROI en trois ans grâce à IBM Watson Discovery.
Découvrez les concepts fondamentaux de l’IA et de l’IA générative, notamment le prompt engineering, les grands modèles de langage et les meilleurs projets open source.
IBM a de nouveau été reconnu comme un leader dans le Magic Quadrant 2023 de Gartner consacré aux plateformes d’IA conversationnelle d’entreprise.
Découvrez les outils que les entreprises utilisent pour exécuter et gérer efficacement les modèles d’IA, et équiper leurs data scientists des technologies qui les aident à optimiser leur prise de décision basée sur les données.
Découvrez comment le machine learning vous permet d’apprendre en permanence des données et d’anticiper l’avenir.
Quatre stratégies pour faire évoluer l’IA à partir d’un socle de données solide.
La technologie de l’IA a rapidement évolué au cours des deux dernières décennies. Découvrez comment les entreprises d’aujourd’hui mettent en œuvre l’IA.
Tous les liens ci-dessous sont externes à IBM.
1 Forrester : Use Marketing Analytics To Support Your 2023 Marketing Strategy
2 Gartner : What Is Artificial Intelligence?
3 Gartner Peer Community : How will AI help facilitate desk and IT support teams?
4 IDC : Generative AI: Exploring Trends and Use Cases Across Asia/Pacific Supply Chains
5 Berkeley School of information : What Is Machine Learning (ML) ?
6 Glossaire Gartner : Machine Learning
7 TechTarget : What are machine learning algorithms?
8 GeeksForGeeks : Hierarchical Clustering in Data Mining
9 Standford University : K Means
10 Booz Allen : How do machines learn?
11 G2 : Reinforcement Learning: How Machines Learn From Their Mistakes
12 TechTarget : What is machine learning and how does it work?