Qu'est-ce que le machine learning ?

• Junior DAVON
• 20 Août 2020

1. Définition

Le Machine Learning (ML) traduit en français « Apprentissage automatique » est une branche de l’intelligence artificielle (IA) qui permet aux ordinateurs d’apprendre de leur expérience et de s’améliorer au fil du temps sans être explicitement programmés. Aujourd’hui, les entreprises utilisent le Machine Learning (ML) pour améliorer leurs décisions commerciales, augmenter leur productivité, détecter les maladies, prévoir le temps et faire bien d’autres choses encore.

2. Les différents types de machine learning

Il existe trois principaux types d’apprentissage automatique :

a. L’apprentissage supervisé :

Dans ce type d’apprentissage les experts doivent préalablement étiqueter des exemples (données) et les présenter au système. Le processus se passe alors en deux phases :

• Lors de la première phase (dite d’apprentissage), il s’agit au système de déterminer un modèle à partir des données étiquetées.
• La seconde phase (dite de test) consiste au système à prédire l’étiquette d’une nouvelle donnée, connaissant le modèle préalablement appris.

b. L’apprentissage non supervisé :

Quand le système ne dispose que de données, mais non d’étiquette on parle d’apprentissage non supervisé ou clustering en anglais. Aucun expert n’est requis. Le système doit découvrir par lui-même les similitudes entre les données et ensuite les classer en groupe de données. L’apprentissage non supervisé fonctionne bien sur les données de transaction. Il permet d’identifier des groupes de clients ayant des caractéristiques similaires qui pourraient être traités de la même manière dans les campagnes de marketing.

c. L’apprentissage par renforcement :

L’apprentissage par renforcement consiste, pour un agent autonome (robot, etc.), à apprendre les actions à prendre, à partir d’expériences, de façon à optimiser une récompense quantitative au cours du temps. L’agent interagit avec un environnement dynamique dans lequel il doit réaliser un certain objectif (comme conduire un véhicule ou jouer un jeu contre un adversaire). En retour, l’environnement procure à l’agent une récompense, qui peut être positive ou négative. L’agent cherche, au travers d’expériences itérées, un comportement décisionnel optimal, en ce sens qu’il maximise la somme des récompenses au cours du temps.

3. Les applications du machine learning selon le secteur d’activité

a. La santé

Le diagnostic des maladies, la prédiction des épidémies sont quelques applications du Machine Learning en médecine.

b. L’agriculture

Le Machine Learning aide à assurer une irrigation optimale basée sur des données antérieures sur les besoins en humidité de la culture spécifique et du sol du champ. Le traitement d’images par Machine Learning permet de déterminer quelles cultures sont saines et lesquelles sont infestées de maladies.

c. Le Marketing

L’apprentissage automatique joue un très grand rôle dans le secteur du marketing. Elle permet la présentation de publicités personnalisées aux clients, l’identification de clients potentiels, la segmentation de la clientèle en groupes homogène de clients ayant des comportements et des préférences similaires, etc.

d. La banque et la finance

Le Machine Learning aide les banques et autres organisations financières à se protéger contre les fraudes, le blanchiment d’argent, l’identification des clients importants, etc. Il aide également les organismes financiers à prévoir les marchés boursiers, à prévoir la demande, à offrir des solutions bancaires personnalisées aux clients, etc.

e. L’énergie

L’énergie est l’un des secteurs où le Machine Learning apporte d’énormes différences. La prévision de la consommation et des besoins en énergie, l’analyse de la durée de vie du matériel font partie des applications du Machine Learning dans ce secteur, qui est également utilisé pour gérer les ressources énergétiques alternatives.

f. L’automobile

La plupart des constructeurs automobiles utilisent l’intelligence artificielle pour optimiser la consommation de carburant, la prévision des pannes et pour la conduite autonome. Tesla, Nvidia, etc. investissent beaucoup dans les voitures autonomes.