Après un engouement marqué - tout comme les craintes générées ! - pour l’Intelligence Artificielle, voici que l’attention se focalise sur une des branches de celle-ci : le machine learning. Mais savons-nous de quoi il s’agit, et comment l’appréhender ?

Le machine learning, que nous pourrions abusivement résumer en « apprentissage automatique », n’est pas chose nouvelle. Arthur Lee Samuel - un pionnier américain du jeu sur ordinateur, de l'intelligence artificielle et de l'apprentissage automatique - considérait dès 1959 qu’il s’agissait d’un sous domaine de l’informatique, et lui donnait pour définition « des ordinateurs avec la capacité d'apprendre sans être programmé de façon explicite ».

Machine learning... Quèsaco ?

La principale différence depuis cette époque, même sans faire abstraction des domaines mathématiques qui l’accompagnent, c’est qu’à l’origine l’idée était de construire des modèles informatiques sans aucun effort de programmation, et que les connaissances devaient être acquises à partir de zéro. Aujourd’hui, les systèmes de machine learning sont conçus pour tirer parti des connaissances déjà acquises.

Pour le machine learning, il est nécessaire d'acquérir de grands ensembles de données pour former un modèle, puis d'optimiser les résultats afin qu'un programme puisse produire les meilleurs résultats lorsqu'il est confronté à de nouveaux ensembles de données. Dans ce cas, ce programme est considéré comme exerçant un « apprentissage » à partir des données.

Prenons un exemple : vous souhaitez développer un programme de reconnaissance des chats dans les images. Si vous programmez manuellement toutes les catégories de chats et leurs particularités, la tâche sera impossible à réaliser. Si en revanche vous réunissez un très gros volume de photos de chats, que vous formez un modèle, et que vous optimisez les résultats dans un programme, celui-ci sera capable de produire les meilleurs résultats s’il est confronté à de nouvelles données.

Dans votre quotidien, Google utilise le machine learning dans un algorithme qui apprend comment classer les résultats selon votre requête, Facebook pour vous suggérer de nouveaux amis, ou Netflix pour vous recommander des vidéos.

Pourquoi apprendre le machine learning ?

Il existe deux grands types de problèmes machine learning que les ingénieurs tentent de résoudre : les problèmes de régression et de classification. Vous utilisez probablement des solutions dédiées à la résolution de ces problèmes au quotidien, certainement sans le savoir. Cependant, le machine learning devient peu à peu le cerveau de l’Intelligence Artificielle (AI). En effet, les entreprises sont moins poussées à recruter des centaines d’ingénieurs (suffisamment compétents ?) pour résoudre leurs problèmes qu’à faire appel à une solution de ML pour automatiser la démarche et améliorer les résultats.

Ce qui est rassurant, à l’opposé de l’IA d’ailleurs, c’est que le machine learning n’est pas porteur des mêmes inquiétudes. L’IA est souvent associée aux robots et à la perte des emplois humains, le machine learning repose aujourd’hui encore sur l’humain pour se construire. Pour longtemps encore ? Il n’est aujourd'hui pas possible de répondre à cette question, mais les choses évoluent très vite…

Comment débuter ?

Le machine learning n’est plus de domaine réservé des mathématiciens, des statisticiens, des ingénieurs et des étudiants, il est aujourd’hui possible de se former sans posséder un doctorat. Il faudra cependant fournir quelques efforts. Voici quelques conseils utiles :

1 - Apprendre une langue de programmation

Vous devez avoir une certaine connaissance de la programmation pour commencer. Le langage Python est pratique, car il est utilisé dans de nombreux projets de machine learning en raison de son accès à de grosses bibliothèques scientifiques de données. Il est aussi relativement facile à apprendre et à comprendre.

2 – Equipez-vous d’un PC haut de gamme

Il est probable que vous souhaiterez faire usage de petits ensembles de données lors du démarrage. Mais avec le temps, vous pouvez plonger dans des projets plus complexes. Pour obtenir le meilleur de l'expérience d'apprentissage, vous devez vous assurer que votre PC répond à certaines exigences, y compris posséder une grosse mémoire (RAM) et du stockage. Si en plus vous souhaitez jouer avec le Deep Learning (un algorithme de machine learning), vous aurez besoin d’une haute qualité graphique des unités de traitement (GPU).

3 - Apprenez les prérequis

Le machine learning demande beaucoup dans trois domaines mathématiques : statistiques, algèbre linéaire et calcul. Si vous n'êtes pas à l'aise avec les mathématiques, ne vous inquiétez pas. La plupart des choses dont vous allez réellement besoin pour commencer sont assez basiques.

4 - Lire les documents académiques

De très nombreux documents machine learning sont publiés régulièrement, et la lecture de certains d'entre eux est une bonne façon d'apprendre de nouvelles choses et de suivre le rythme de la recherche en ce domaine.

5 - Apprenez de YouTube, lisez les blogs et suivez des communautés en ligne

Les informations communautaires en ligne peuvent aider à accélérer le processus d'apprentissage.

6 - Pratiquez

Ne dit-on pas que la pratique rend parfait ? Faites-vous la main sur des projets et participez à des concours.

Et puis, la connaissance du machine learning pourrait bien être un moyen de faire évoluer votre carrière…

Image d’entête 477861433 @ iStock jesadaphorn