Les termes d’intelligence artificielle et de Machine Learning sont fréquemment employés comme s’ils étaient interchangeables. Cette confusion nuit à la compréhension et empêche les clients de se faire une bonne idée des technologies réellement utilisées.
Beaucoup d’entreprises prétendent aujourd’hui utiliser l’intelligence artificielle, alors que dans les faits le terme ne s’applique pas aux technologies qu’elles utilisent. Dans le même esprit, une certaine confusion est plus ou moins entretenue entre l’intelligence artificielle et le Machine Learning, ceci sans même mentionner le Deep Learning. Petit rappel des fondamentaux pour savoir comment utiliser ces termes à bon escient.
L’intelligence artificielle, un concept fluctuant
L’intelligence artificielle (IA) est le concept le plus large. Selon Andrew Moore (ex responsable d’éducation à l’école d’informatique de Carnegie Mellon University), « l’IA désigne la capacité à concevoir et à fabriquer des ordinateurs avec des comportements qui jusqu’à récemment, semblaient être l’apanage de l’intelligence humaine. » Partant de là, des technologies comme l’analyse prédictive, la modélisation et la simulation, ainsi que le Machine Learning peuvent être englobées dans l’IA.
Un aspect important à retenir dans cette définition est la temporalité du concept : en effet, ce que l’on qualifie d’IA est amené à évoluer au fur et à mesure que les technologies progressent. Il y a quelques dizaines d’années, un ordinateur capable de jouer aux échecs était considéré comme de l’IA, aujourd’hui cette capacité est acquise. Pour Zachary Lipton, Assistant professeur et chercheur à Carnegie Mellon University, l’IA est par essence « une cible mouvante », où l’on cherche à reproduire des capacités que les humaines possèdent, mais les machines pas (encore)…
Ainsi, les applications que nous décrivons aujourd’hui comme de l’IA, comme les assistants vocaux ou les algorithmes prédictifs, seront peut-être dans quelques années considérées comme des technologies de base.
Donner aux machines la capacité d’apprendre
Le Machine Learning est quant à lui une sous-branche de l’IA, qui consiste à créer des algorithmes capables de s’améliore automatiquement avec l’expérience. On parle également dans ce cas de systèmes auto-apprenants.
Faire du Machine Learning suppose d’utiliser des jeux de données de différentes tailles, afin d’identifier des similitudes, corrélations et différences. Le Machine-Learning est fréquemment utilisé aujourd’hui dans les systèmes de recommandations, qui s’appuient sur ce que l’utilisateur voit, écoute, achète mais aussi évite pour lui suggérer d’autres produits pouvant lui plaire.
Il existe trois grands types de Machine Learning :
- Dans l’apprentissage supervisé, les algorithmes s’appuient sur des jeux de données déjà catégorisés, afin de comprendre les critères utilisés pour la classification et de les reproduire.
- Dans l’apprentissage non-supervisé, les algorithmes s’entraînent à partir de données brutes, desquelles ils essaient d’extraire des patterns.
- Enfin, dans l’apprentissage par renforcement, l’algorithme fonctionne comme un agent autonome, qui observe son environnement et apprend au fur et à mesure des interactions avec celui-ci.
Et le Deep Learning ?
Le Deep Learning est lui-même un sous-domaine du Machine Learning, dans lequel on développe des algorithmes capables de reconnaître des concepts abstraits, à l’image d’un jeune enfant à qui l’on apprend à distinguer un chien d’un cheval.
L’analyse d’images ou de sons forment aujourd’hui l’essentiel des applications du Deep Learning. Pour la reconnaissance d’image, les algorithmes vont par exemple se focaliser sur l’analyse des contours, des formes et des couleurs.
Source : diverses
