Machine Learning : Définition, fonctionnement, utilisations

On distingue trois techniques de Machine Learning : l’apprentissage supervisé, l’apprentissage non-supervisé, et l’apprentissage par renforcement. Dans le cas de l’apprentissage supervisé, le plus courant, les données sont étiquetées afin d’indiquer à la machine quelles patterns elle doit rechercher.

Le système s’entraîne sur un ensemble de données étiquetées, avec les informations qu’il est censé déterminer. Les données peuvent même être déjà classifiées de la manière dont le système est supposé le faire.

Cette méthode nécessite moins de données d’entraînement que les autres, et facilite le processus d’entraînement puisque les résultats du modèle peuvent être comparés avec les données déjà étiquetées. Cependant, l’étiquetage des données peut se révéler onéreux. Un modèle peut aussi être biaisé à cause des données d’entraînement, ce qui impactera ses performances par la suite lors du traitement de nouvelles données.

Au contraire, dans le cas de l’apprentissage non supervisé, les données n’ont pas d’étiquettes. La machine se contente d’explorer les données à la recherche d’éventuelles patterns. Elle ingère de vastes quantités de données, et utilise des algorithmes pour en extraire des caractéristiques pertinentes requises pour étiqueter, trier et classifier les données en temps réel sans intervention humaine.

Plutôt que d’automatiser les décisions et les prédictions, cette approche permet d’identifier les patterns et les relations que les humains risquent de ne pas identifier dans les données. Cette technique n’est pas très populaire, car moins simple à appliquer. Elle est toutefois de plus en plus populaire dans le domaine de la cybersécurité.

L’apprentissage « semi-supervisé » se situe entre les deux et offre un compromis entre apprentissage supervisé et non-supervisé. Pendant l’entraînement, un ensemble de données étiqueté de moindre envergure est utilisé pour guider la classification et l’extraction de caractéristiques à partir d’un ensemble plus large de données non étiquetées.

Cette approche s’avère utile dans les situations où le nombre de données étiquetées est insuffisant pour l’entraînement d’un algorithme supervisé. Elle permet de contourner le problème.

Enfin, l’apprentissage par renforcement consiste à laisser un algorithme apprendre de ses erreurs pour atteindre un objectif. L’algorithme essayera de nombreuses approches différentes pour tenter d’atteindre son but.

En fonction de ses performances, il sera récompensé ou pénalisé pour l’inciter à poursuivre dans une voie ou à changer d’approche. Cette technique est notamment utilisée pour permettre à une IA de surpasser les humains dans les jeux.

Par exemple, AlphaGo de Google a battu le champion de Go grâce à l’apprentissage par renforcement. De même, OpenAI a entraîné une IA capable de vaincre les meilleurs joueurs du jeu vidéo Dota 2.