L’apprentissage automatique est un sous-ensemble de l’intelligence artificielle qui travaille sur les donn\u00e9es et les algorithmes afin d’am\u00e9liorer la capacit\u00e9 de l’IA \u00e0 imiter la fa\u00e7on dont les humains apprennent. L’apprentissage automatique est \u00e9troitement li\u00e9 \u00e0 l’apprentissage profond, son sous-ensemble, que nous explorons dans un autre article. Au fil du temps, les informaticiens peuvent entra\u00eener les mod\u00e8les d’apprentissage automatique afin d’accro\u00eetre leur pr\u00e9cision. Les algorithmes d’apprentissage automatique constituent l’\u00e9pine dorsale des syst\u00e8mes d’apprentissage automatique, qui d\u00e9terminent \u00e0 leur tour le type de mod\u00e8le qu’ils produisent. Dans la vie de tous les jours, l’apprentissage automatique a donn\u00e9 naissance \u00e0 des technologies de reconnaissance vocale, \u00e0 des robots de conversation en ligne et \u00e0 des moteurs de recommandation d\u00e9termin\u00e9s par des algorithmes. Le potentiel de l’apprentissage automatique \u00e0 fa\u00e7onner un nouveau paradigme de vie et de travail dans une soci\u00e9t\u00e9 technologique soul\u00e8ve des questions \u00e9thiques sur la vie priv\u00e9e, la partialit\u00e9 et la responsabilit\u00e9, que nous explorerons dans l’article suivant. <\/p>\n
<\/p>\n
<\/p>\n
<\/p>\n
<\/p>\n
L’apprentissage automatique est un sous-ensemble de l’IA et fonctionne dans un contexte plus \u00e9troit que l’IA en g\u00e9n\u00e9ral. \u00c0 son tour, l’apprentissage profond est un sous-ensemble de l’apprentissage automatique. Comme nous le verrons dans un article connexe sur l’apprentissage profond, ce qui distingue l’apprentissage automatique et l’apprentissage profond, c’est que l’apprentissage profond implique au moins trois couches de r\u00e9seaux neuronaux, qui sont des mod\u00e8les d’apprentissage automatique con\u00e7us pour refl\u00e9ter les voies neuronales et les processus de pr\u00e9diction du cerveau humain. <\/p>\n
<\/p>\n
<\/p>\n
Les algorithmes d’apprentissage automatique se composent de trois parties principales. Tout d’abord, les algorithmes d’apprentissage automatique prennent des donn\u00e9es d’entr\u00e9e et analysent les mod\u00e8les qu’elles forment afin d’\u00e9tablir une pr\u00e9diction. La fonction d’erreur d’un algorithme d’apprentissage automatique peut alors comparer la pr\u00e9diction qu’il a g\u00e9n\u00e9r\u00e9e \u00e0 tout exemple connu, \u00e9valuant ainsi la pr\u00e9cision du mod\u00e8le. Enfin, l’algorithme s’adapte aux points de donn\u00e9es de l’ensemble d’apprentissage, afin d’aligner la pr\u00e9diction du mod\u00e8le plus \u00e9troitement sur l’exemple connu. Un cycle it\u00e9ratif peut alors r\u00e9sulter de ce processus initial, produisant une optimisation du mod\u00e8le qui atteindra progressivement un seuil de pr\u00e9cision. Nous allons maintenant examiner diff\u00e9rents mod\u00e8les d’apprentissage automatique impliqu\u00e9s dans ce processus d’optimisation du mod\u00e8le : <\/p>\n
<\/p>\n
<\/p>\n
1. M\u00e9thodes d’apprentissage supervis\u00e9<\/strong> <\/p>\n <\/p>\n 2. M\u00e9thodes d’apprentissage non supervis\u00e9<\/strong> <\/p>\n <\/p>\n 3. M\u00e9thodes d’apprentissage semi-supervis\u00e9<\/strong> <\/p>\n <\/p>\n 4. M\u00e9thodes d’apprentissage par renforcement<\/strong> <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n Les applications courantes de l’apprentissage automatique dans la vie quotidienne se situent dans des contextes linguistiques, o\u00f9 des mod\u00e8les linguistiques peuvent transformer des signaux vocaux en commandes, notamment dans des technologies de reconnaissance vocale comme Siri, ou des assistants personnels virtuels comme Alexa d’Amazon. Dans ces deux contextes, le traitement du langage naturel (NLP) combine un mod\u00e8le de langage humain bas\u00e9 sur des r\u00e8gles avec des mod\u00e8les d’apprentissage automatique. Un autre exemple concret de l’apprentissage automatique est l’utilisation de moteurs de recommandation bas\u00e9s sur des donn\u00e9es qui mettent en \u00e9vidence le comportement des consommateurs pour alimenter des mod\u00e8les pr\u00e9dictifs. <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n La reconnaissance vocale, \u00e9galement connue sous le nom de reconnaissance automatique de la parole (ASR), de speech-to-text ou de reconnaissance vocale par ordinateur, exploite les capacit\u00e9s de la PNL pour transformer la parole humaine en un format \u00e9crit. Les appareils mobiles et les tablettes int\u00e8grent souvent la reconnaissance vocale automatique dans leurs syst\u00e8mes, comme Siri ou Google Assistant. Les fonctions de RPA permettent d’am\u00e9liorer l’accessibilit\u00e9 des textes. Dans le contexte de l’industrie automobile, les dispositifs de reconnaissance vocale peuvent utiliser les syst\u00e8mes de navigation \u00e0 commande vocale et les fonctions de recherche int\u00e9gr\u00e9es dans les autoradios pour am\u00e9liorer la s\u00e9curit\u00e9 des conducteurs. <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n Les chatbots et les agents virtuels en ligne sont une autre application quotidienne de l’apprentissage automatique. Dans les domaines du service \u00e0 la client\u00e8le tels que la banque en ligne, les chatbots aliment\u00e9s par l’IA peuvent se synchroniser avec les syst\u00e8mes de gestion de la relation client (CRM). Ces chatbots peuvent s’int\u00e9grer aux plateformes de donn\u00e9es clients pour pr\u00e9dire les probl\u00e8mes courants et fournir aux clients un service d’assistance personnalis\u00e9 24 heures sur 24 et 7 jours sur 7. En outre, les chatbots en ligne permettent aux sp\u00e9cialistes du marketing de promouvoir leurs produits gr\u00e2ce \u00e0 l’engagement des clients sur les sites web et les plateformes de m\u00e9dias sociaux. L’une des fonctions les plus utiles des chatbots est qu’ils peuvent r\u00e9pondre aux FAQ (questions fr\u00e9quemment pos\u00e9es), en fournissant une assistance pertinente aux clients en mati\u00e8re de conseils, d’exp\u00e9dition et d’autres recommandations pertinentes sur les produits. En entra\u00eenant des mod\u00e8les d’IA \u00e0 travailler sur des ensembles de donn\u00e9es clients, les entreprises peuvent utiliser la pr\u00e9diction pour am\u00e9liorer la pertinence et l’utilit\u00e9 de leurs messages pour les clients. Parmi les bots de messagerie les plus courants, citons Slack ou Facebook Messenger. L’IA conversationnelle repr\u00e9sente donc la fronti\u00e8re de la mani\u00e8re dont l’IA peut imiter la parole et la conversation humaines. <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n Les moteurs de recommandation bas\u00e9s sur les donn\u00e9es des consommateurs sont un moyen utile d’utiliser des algorithmes d’intelligence artificielle pour identifier des mod\u00e8les dans les donn\u00e9es afin d’am\u00e9liorer les strat\u00e9gies de vente crois\u00e9e. En s’appuyant sur des donn\u00e9es qui refl\u00e8tent l’historique du comportement d’un consommateur et son interaction avec les produits, ces algorithmes peuvent faire des recommandations de produits cibl\u00e9es afin d’am\u00e9liorer l’exp\u00e9rience globale du client, de favoriser sa fid\u00e9lit\u00e9 et de le faire revenir. Un exemple de ce type d’outil est Rosetta, un outil aliment\u00e9 par l’IA qui utilise les fonctions de pr\u00e9diction de l’apprentissage automatique pour transformer l’engagement des clients. Dans cet exemple, les marques peuvent utiliser les recommandations de commerce \u00e9lectronique g\u00e9n\u00e9r\u00e9es par Rosetta pour mieux comprendre les besoins des clients et am\u00e9liorer la fid\u00e9lisation. Enfin, un exemple courant de moteurs de recommandation centr\u00e9s sur le consommateur est celui des eds et de l’am\u00e9lioration de la fid\u00e9lisation. Enfin, un exemple courant de moteurs de recommandation centr\u00e9s sur le consommateur est la fonction d’analyse pr\u00e9dictive inform\u00e9e par les donn\u00e9es d’Amazon<\/a>. <\/p>\n <\/p>\n <\/p>\n En s’appuyant sur des algorithmes d’apprentissage automatique pour recommander des produits pertinents aux clients lors du passage en caisse, les approches de vente crois\u00e9e d’Amazon ciblent les clients au moment o\u00f9 ils sont le plus susceptibles d’envisager un achat suppl\u00e9mentaire. Dans le m\u00eame ordre d’id\u00e9es, les moteurs de recommandation d’Amazon se souviennent des achats pass\u00e9s des clients, ce qui am\u00e9liore \u00e9galement la qualit\u00e9 des pr\u00e9dictions pour les recommandations d’achat futures. <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n 1. Perturbations du march\u00e9 du travail actuel<\/p>\n <\/p>\n <\/p>\n Les perturbations du march\u00e9 du travail actuel sont le domaine de l’IA que les d\u00e9tracteurs de l’IA mentionnent dans les d\u00e9bats sur les inconv\u00e9nients des algorithmes d’apprentissage automatique. L’apprentissage automatique a d\u00e9j\u00e0 cr\u00e9\u00e9 un nouveau paradigme de travail, apportant des avantages impr\u00e9vus gr\u00e2ce \u00e0 l’automatisation. Bien que l’automatisation suscite des inqui\u00e9tudes, cette perturbation cr\u00e9e de nouvelles possibilit\u00e9s d’emploi. L’industrie automobile en est un exemple : de nombreux fabricants, comme General Motors,<\/a> passent \u00e0 la production de v\u00e9hicules \u00e9lectriques pour r\u00e9pondre \u00e0 des normes plus \u00e9cologiques en mati\u00e8re de d\u00e9veloppement durable. <\/p>\n <\/p>\n <\/p>\n \u00c0 l’heure o\u00f9 les v\u00e9hicules passent du gaz \u00e0 l’\u00e9lectricit\u00e9, l’IA a de nombreuses possibilit\u00e9s de faciliter la transition vers un nouveau paradigme. Dans le m\u00eame ordre d’id\u00e9es, l’IA cr\u00e9era une demande d’emplois dans d’autres domaines, y compris le besoin de mains humaines pour soutenir la gestion de syst\u00e8mes d’IA complexes. En outre, l’IA fa\u00e7onnera la cr\u00e9ation de nouveaux emplois qui r\u00e9pondront aux probl\u00e8mes techniques \u00e9mergents li\u00e9s aux industries qu’elle affecte. Le service \u00e0 la client\u00e8le est un exemple de secteur o\u00f9 l’IA exploitera l’apprentissage automatique pour modifier la mani\u00e8re dont les entreprises r\u00e9pondent aux besoins de leurs clients, de la promotion des produits \u00e0 la fid\u00e9lisation de la client\u00e8le. Dans ce domaine, les entreprises ont la possibilit\u00e9 d’utiliser les capacit\u00e9s de l’IA pour automatiser les campagnes de marketing des produits et utiliser la pr\u00e9diction des donn\u00e9es pour cr\u00e9er une meilleure exp\u00e9rience du produit. <\/p>\n <\/p>\n <\/p>\n Dans l’ensemble, le plus grand d\u00e9fi de l’int\u00e9gration de l’IA dans le monde du travail sera de soutenir la transition des personnes vers de nouveaux r\u00f4les qui sont en demande en raison de l’impact de l’IA sur les changements de la demande de l’industrie. <\/p>\n <\/p>\n <\/p>\n 2. S\u00e9curit\u00e9 des donn\u00e9es<\/p>\n <\/p>\n <\/p>\n La s\u00e9curit\u00e9 des donn\u00e9es est un autre aspect de l’apprentissage automatique pour lequel les perturbations du paradigme actuel de l’interaction num\u00e9rique ont entra\u00een\u00e9 des changements dans les politiques r\u00e9centes. Le r\u00e8glement g\u00e9n\u00e9ral sur la protection des donn\u00e9es (RGPD) de 2016, qui prot\u00e8ge les donn\u00e9es personnelles au sein de l’Union europ\u00e9enne et de l’Espace \u00e9conomique europ\u00e9en,<\/a> est un exemple de changement de politique qui en a r\u00e9sult\u00e9. En outre, dans l’\u00c9tat de Californie, aux \u00c9tats-Unis, les autorit\u00e9s ont introduit une loi sur la protection des donn\u00e9es sp\u00e9cifique aux consommateurs, le California Consumer Privacy Act (CCPA). La CCPA<\/a> exige que les entreprises informent les consommateurs de la collecte de leurs informations personnelles identifiables (PII). <\/p>\n <\/p>\n <\/p>\n Malgr\u00e9 les inconv\u00e9nients li\u00e9s \u00e0 l’adaptation \u00e0 un nouveau paradigme, o\u00f9 l’impact des algorithmes d’apprentissage automatique sur la protection des donn\u00e9es et la vie priv\u00e9e pose des probl\u00e8mes complexes, l’\u00e9mergence de l’IA et de l’apprentissage automatique dans ce domaine pr\u00e9sente des avantages. Par exemple, si l’IA ajoute une couche de complexit\u00e9 et de vuln\u00e9rabilit\u00e9 aux mod\u00e8les existants de s\u00e9curit\u00e9 des donn\u00e9es, il existe \u00e9galement plusieurs possibilit\u00e9s d’utiliser les algorithmes d’IA et les mod\u00e8les de pr\u00e9diction pour r\u00e9soudre les probl\u00e8mes de cybers\u00e9curit\u00e9. <\/p>\n <\/p>\n <\/p>\n Utilis\u00e9s habilement, les algorithmes d’apprentissage automatique peuvent r\u00e9soudre les m\u00eames probl\u00e8mes que ceux qu’ils posent en mati\u00e8re de s\u00e9curit\u00e9. Alors que les cybercriminels pourraient manipuler ChatGBT \u00e0 leurs propres fins et perturber les syst\u00e8mes internes des entreprises, les d\u00e9veloppeurs d’IA, les entreprises et les d\u00e9cideurs politiques peuvent collaborer pour former une g\u00e9n\u00e9ration de nouveaux professionnels de la cybers\u00e9curit\u00e9 afin d’am\u00e9liorer l’infrastructure mondiale de la cybers\u00e9curit\u00e9. De cette mani\u00e8re, un nouveau secteur de r\u00f4les au sein du secteur de la cybers\u00e9curit\u00e9 peut \u00e9merger et devenir une voie de carri\u00e8re attrayante pour les personnes qui r\u00e9solvent des probl\u00e8mes, avec une p\u00e9nurie mondiale estim\u00e9e \u00e0 4 millions de professionnels de la cybers\u00e9curit\u00e9. <\/p>\n <\/p>\n <\/p>\n Selon un article du Forum \u00e9conomique mondial<\/a> datant de 2023, c’est sur le continent africain que la demande de formation pour pr\u00e9venir les menaces de la cybercriminalit\u00e9 li\u00e9e \u00e0 l’IA est la plus forte. Cette statistique est importante car elle refl\u00e8te l’importance de la cybers\u00e9curit\u00e9 en tant que probl\u00e8me mondial ayant des implications structurelles sur les \u00e9conomies locales et internationales dans un monde hyperconnect\u00e9. <\/p>\n <\/p>\n <\/p>\n 3. Pr\u00e9jug\u00e9s, discrimination et zones d’ombre \u00e9thiques<\/p>\n <\/p>\n <\/p>\n Les pr\u00e9jug\u00e9s, la discrimination et les zones d’ombre \u00e9thiques constituent une troisi\u00e8me pr\u00e9occupation li\u00e9e \u00e0 l’utilisation g\u00e9n\u00e9ralis\u00e9e des algorithmes d’apprentissage automatique dans le monde d’aujourd’hui. La principale pr\u00e9occupation concernant la discrimination li\u00e9e \u00e0 l’apprentissage automatique est que les mod\u00e8les d’apprentissage automatique peuvent h\u00e9riter des pr\u00e9jug\u00e9s de l’influence humaine et les amplifier dans les principaux aspects de la soci\u00e9t\u00e9 [1]<\/a>. <\/p>\n <\/p>\n <\/p>\n
Les m\u00e9thodes d’apprentissage supervis\u00e9 utilisent des ensembles de donn\u00e9es \u00e9tiquet\u00e9es, qui consistent en des donn\u00e9es brutes auxquelles sont attribu\u00e9es des \u00e9tiquettes pour fournir un contexte, dans le processus de formation des algorithmes pour classer les donn\u00e9es ou pr\u00e9dire les r\u00e9sultats. Le mod\u00e8le d’apprentissage supervis\u00e9 re\u00e7oit des donn\u00e9es d’entr\u00e9e et ajuste ses poids en cons\u00e9quence pour s’adapter aux donn\u00e9es. Dans cette partie du processus, l’\u00e9tape d’ajustement est cruciale pour permettre au mod\u00e8le de s’adapter aux donn\u00e9es sans s’y r\u00e9f\u00e9rer de mani\u00e8re trop \u00e9troite ou trop large et perdre ainsi sa capacit\u00e9 \u00e0 pr\u00e9dire les r\u00e9sultats avec pr\u00e9cision. Des outils tels que la classification des spams dans une bo\u00eete aux lettres \u00e9lectronique sont un exemple d’apprentissage supervis\u00e9. Les m\u00e9thodes d’apprentissage supervis\u00e9 peuvent \u00e9galement faire appel \u00e0 des r\u00e9seaux neuronaux. Dans le cas de focalx, notre logiciel de balayage de v\u00e9hicules par IA gagne en pr\u00e9cision au fur et \u00e0 mesure que des donn\u00e9es sur les v\u00e9hicules entrent dans le syst\u00e8me, ce qui permet aux algorithmes d’affiner leurs capacit\u00e9s de balayage de mani\u00e8re exponentielle. <\/p>\n
Les m\u00e9thodes d’apprentissage non supervis\u00e9 refl\u00e8tent les m\u00e9thodes d’apprentissage supervis\u00e9 dans la mesure o\u00f9 elles forment des algorithmes \u00e0 travailler sur des ensembles de donn\u00e9es. La diff\u00e9rence avec l’apprentissage non supervis\u00e9 est que les donn\u00e9es sur lesquelles elles travaillent ne sont pas \u00e9tiquet\u00e9es et forment des ensembles de donn\u00e9es \u00e9galement connus sous le nom de clusters. Dans le cas de l’apprentissage non supervis\u00e9, les algorithmes mettent en \u00e9vidence des mod\u00e8les cach\u00e9s ou des grappes de donn\u00e9es, r\u00e9v\u00e9lant les similitudes et les diff\u00e9rences d’informations. En tant qu’outil, l’apprentissage non supervis\u00e9 se pr\u00eate bien \u00e0 l’analyse exploratoire des donn\u00e9es (AED), une m\u00e9thode de recherche utile pour tester des hypoth\u00e8ses et rep\u00e9rer des anomalies. L’analyse en composantes principales (ACP) et la d\u00e9composition en valeurs singuli\u00e8res (SVD) sont des techniques courantes d’AED. Dans un contexte marketing, l’apprentissage non supervis\u00e9 peut \u00e9clairer les strat\u00e9gies de vente crois\u00e9e et permettre la segmentation de la client\u00e8le. Comme les m\u00e9thodes d’apprentissage supervis\u00e9, les m\u00e9thodes d’apprentissage non supervis\u00e9 peuvent impliquer des algorithmes tels que les r\u00e9seaux neuronaux, ainsi que des m\u00e9thodes sp\u00e9cifiques \u00e0 un domaine, telles que les algorithmes de regroupement probabiliste. <\/p>\n
Les m\u00e9thodes d’apprentissage semi-supervis\u00e9 sont un hybride des m\u00e9thodes d’apprentissage supervis\u00e9 et non supervis\u00e9. Les algorithmes d’apprentissage semi-supervis\u00e9 entra\u00eenent des ensembles de donn\u00e9es \u00e9tiquet\u00e9s plus petits \u00e0 la classification directe tout en extrayant des donn\u00e9es d’un ensemble de donn\u00e9es non \u00e9tiquet\u00e9 plus important. \u00c0 cet \u00e9gard, les m\u00e9thodes d’apprentissage semi-supervis\u00e9 peuvent compenser le biais des \u00e9tiquettes qui peut appara\u00eetre dans les m\u00e9thodes d’apprentissage supervis\u00e9, tout en donnant la priorit\u00e9 \u00e0 un degr\u00e9 de pr\u00e9cision plus \u00e9lev\u00e9 dans l’utilisation des r\u00e9sultats cibles clairs des m\u00e9thodes d’apprentissage supervis\u00e9, contrairement aux m\u00e9thodes d’apprentissage non supervis\u00e9. En outre, la priorit\u00e9 accord\u00e9e aux m\u00e9thodes d’apprentissage semi-supervis\u00e9 pr\u00e9sente l’avantage de s’adapter aux contextes dans lesquels il n’existe pas suffisamment de donn\u00e9es \u00e9tiquet\u00e9es pour former les algorithmes d’apprentissage supervis\u00e9. En tant que solution pour \u00e9conomiser les ressources lorsque l’\u00e9tiquetage des donn\u00e9es devient co\u00fbteux, les m\u00e9thodes d’apprentissage semi-supervis\u00e9 peuvent permettre l’int\u00e9gration de l’IA dans les petites entreprises et organisations. <\/p>\n
Les m\u00e9thodes d’apprentissage par renforcement sont \u00e9troitement li\u00e9es aux m\u00e9thodes d’apprentissage supervis\u00e9, \u00e0 la diff\u00e9rence que les m\u00e9thodes d’apprentissage par renforcement n’entra\u00eenent pas les algorithmes \u00e0 l’aide d’\u00e9chantillons de donn\u00e9es. Au lieu de cela, les mod\u00e8les d’apprentissage par renforcement apprennent par essais et erreurs, g\u00e9n\u00e9rant la meilleure solution \u00e0 un probl\u00e8me donn\u00e9 apr\u00e8s avoir rencontr\u00e9 diverses inad\u00e9quations en cours de route. Un exemple r\u00e9cent de l’apprentissage par renforcement se trouve dans le domaine de la locomotion des robots, o\u00f9 les robots humano\u00efdes suivent la direction des entr\u00e9es de l’apprentissage par renforcement, naviguant avec succ\u00e8s dans des environnements int\u00e9rieurs et ext\u00e9rieurs. <\/p>\nApplications courantes de l’apprentissage automatique dans la vie quotidienne<\/h2>\n
1. Technologies de reconnaissance vocale<\/h3>\n
2. Chatbots et agents virtuels en ligne<\/h3>\n
3. Moteurs de recommandation bas\u00e9s sur les donn\u00e9es des consommateurs <\/h3>\n
Avantages et inconv\u00e9nients de l’apprentissage automatique : nouvelles opportunit\u00e9s et impacts impr\u00e9vus<\/h2>\n