Autres parties de cette série:
- Explorer l’IA: Qu’est-ce que l’IA?
- Explorer l’IA: décomposition du traitement en langage naturel
- Explorer l’IA: IA explicable: soulever le couvercle de la boîte noire
Bien que l’apprentissage automatique et l’IA suscitent un vif intérêt, il n’y a pas de vraie compréhension générale de ce qu’ils signifient concrètement. Dans la première partie de cette série, nous allons démystifier l’intelligence artificielle et l’apprentissage automatique et expliquer ce qu’ils sont et ce qu’ils ne sont pas.
L’adoption de l’IA est en hausse. Cependant, sans comprendre au préalable le paysage de l’IA, la voie à suivre pour la mise en œuvre dans les pratiques commerciales et les avantages qui en découlent peuvent sembler floues. Que vous ayez franchi des étapes dans votre voyage ou que vous vous prépariez au changement, il est important de savoir où vous en êtes et où vous souhaitez être. L’intelligence artificielle est un vaste domaine et le but ici est de présenter les concepts de l’intelligence artificielle et de comparer les différentes saveurs de celui-ci.
Le paysage de l’IA / apprentissage
SCHEMA A AJOUTER
IA
Dans sa forme la plus générale, l’IA est simplement n’importe quel système informatique qui fait preuve d’un comportement intelligent. C’est un sous-ensemble de la programmation informatique en général, bien qu’il existe de nombreux systèmes informatiques que vous ne décririez pas vraiment comme étant intelligents, une base de données, par exemple, ne présente probablement pas une «intelligence», elle stocke et récupère simplement des données. Mais ce qui constitue «l’intelligence» est une zone grise entre les systèmes d’intelligence artificielle et les systèmes sans intelligence artificielle, et cette zone n’est pas nette.
Systèmes experts: faire comme on leur dit
L’une des formes les plus anciennes d’IA est le système expert: la collecte et le codage des connaissances humaines en tant qu’ensemble de règles. Voici un exemple typique de cette intelligence “faites comme on vous le dit”:
IF Variable1 >= 0 then True.
Else False
Pour les non matheux, ce code revient à dire que si Variable1> = 0 alors c’est vrai. Sinon le résultat est faux
Ici, nous programmons la logique exacte, de la variable (Variable1) à examiner aux valeurs d’importance pour un résultat spécifique. La logique est généralement développée en analysant la manière dont les experts humains réagissent à une situation et en produisant un ensemble complexe de règles visant à reproduire leur comportement. L’atteinte programmatique du résultat est le premier signe de l’IA, fortement orientée vers le côté «artificiel» du terme.
Cette approche accélère initialement le processus de prise de décision et lui permet d’être mise à l’échelle. Cependant, à mesure que la complexité des activités augmente, il en va de même pour la complexité et le nombre de règles nécessaires. Aujourd’hui, la documentation, la maintenance et la mise à jour de ces modèles ont un coût en temps et un facteur de risque plus importants que jamais. Inversement, ces systèmes permettent une spécificité, une investigation et une justification claire au niveau d’une action individuelle; cela peut être considéré comme un avantage, voire une nécessité, dans les industries fortement réglementées.
<H2>Machine Learning: apprendre quoi faire</H2>
L’apprentissage automatique (ML pour Machine Learning) est l’application d’algorithmes qui apprennent par l’expérience. Les algorithmes d’apprentissage automatique courants incluent les arbres de décision, qui dérivent automatiquement une série de règles «if then else» (et ressemblent en quelque sorte à des systèmes experts automatisés), ainsi que des modèles de régression qui identifient essentiellement les lignes de meilleur ajustement dans les données.
Clarifions exactement ce que cela signifie. Les algorithmes ML s’appuient sur des données d’apprentissage, issues soit de l’observation réelle, soit de la simulation. Les caractéristiques des données d’entrée suivent un processus qui vise à modéliser un résultat, par exemple un arbre de décision, et les résultats sont observés. Le degré de probabilité est atteint grâce à la mesure de l’erreur dans les résultats et à l’ajustement progressif du processus de modélisation afin de réduire cette erreur. La capacité de ces programmes à tirer des enseignements de l’expérience est la distinction la plus importante entre l’apprentissage par machine et l’IA générale, les modèles sont appris à partir de données plutôt que d’être créés à la main par un humain.
Contrairement aux systèmes experts, au lieu d’un expert du secteur qui décide de la logique, ML recherche les variables et les valeurs les plus importantes et pouvant être utilisées pour prédire de manière plus précise la variable de résultat. Il analyse les relations entre les variables contenues dans les données et les utilise pour produire un modèle qui joue dans ce processus le même rôle que l’expert du secteur dans un système expert. Le modèle est ensuite utilisé pour prendre des décisions.
En passant d’un système expert à un modèle ML, nous constatons un autre niveau d’efficacité qui réduit le temps nécessaire à la création de modèles complexes, par rapport à l’utilisation de l’expertise du secteur. Cependant, un certain nombre d’approches en ML possibles et, en tant que telles, nous avons besoin de spécialistes en la matière qui choisissent le bon chemin à emprunter. L’obtention de bons résultats nécessite également parfois une préparation minutieuse et créative des données afin de produire de bonnes transformations des données d’entrée brutes utiles dans le modèle, un processus appelé «feature engineering». Encore une fois, cela nécessite un effort et une expertise manuels, bien que cela reste nettement moins long que la révision manuelle ou même la création d’un système expert.
Bien que le ML puisse être appliqué dans un large éventail de situations en utilisant un large éventail de techniques, les entreprises ont tendance à ne s’appuyer que sur un petit sous-ensemble d’entre elles. Un exemple très courant est la régression logistique, qui a tendance à être plus intuitive et à permettre une investigation plus rapide que d’autres méthodes. Cela permet aux entreprises de démontrer le contrôle et la compréhension de leur modèle, tout en réduisant quelque peu sa puissance potentielle. À mesure que l’augmentation du pouvoir prédictif offerte par les modèles de ML plus complexes devient évidente et que notre capacité à les examiner et à les expliquer s’améliore, nous assistons à une évolution vers l’exploration de solutions avancées.
<H2>Deep Learning: apprendre ce qu’il faut apprendre</H2>
L’apprentissage en profondeur ou Deep Learning est un type de ML basé sur l’utilisation de réseaux de neurones profonds (DNN pour Deep Neural Networks). Nous les appelons réseaux de neurones car ils sont basés sur le fonctionnement des connexions neuronales dans le cerveau humain. Les réseaux de neurones existent depuis de nombreuses années, mais ils ont pris une importance toute particulière ces dernières années en raison de certains des cas d’utilisation précieux et très médiatisés qu’ils soutiennent. Des voitures autonomes, AlphaGo (maintenant le meilleur joueur de Go au monde), des assistants intelligents et de nombreuses nouvelles technologies innovantes sont tous alimentés par un apprentissage en profondeur. Il a été appliqué à un large éventail de tâches pour générer des résultats de pointe et permet un large éventail d’applications fascinantes et puissantes. C’est presque à lui seul qui est à l’origine du battage médiatique actuel autour de l’IA.
Les DNN peuvent être exprimés sous la forme d’une architecture de «neurones» artificiels qui reçoivent certaines entrées et génèrent une sortie basée sur celles-ci, qui est ensuite introduite en tant qu’entrée vers d’autres neurones. Ces neurones sont généralement disposés en une série de couches, et la partie «profonde» du nom fait allusion au fait que de nombreuses couches sont impliquées. Chaque neurone est relativement simple. Cependant, en raison du nombre d’interactions entre eux, les DNN ont une capacité considérable à exprimer des relations complexes dans les données et sont capables de les identifier automatiquement, ce qui signifie que nous augmentons l’efficacité car il n’est pas nécessaire de créer manuellement des fonctionnalités pour obtenir de bons résultats. Ils peuvent faire tout ce qui leur convient, en apprenant ce qui est important pour notre résultat, ou «apprendre quoi apprendre».
Les modèles peuvent être très complexes et, à mesure que leur taille et leur complexité augmentent, les exigences en matière de calcul augmentent également. La complexité signifie également que les modèles sont difficiles à comprendre et ont la possibilité de se comporter de manière moins intuitive lorsque nous examinons leurs résultats. L’amélioration de notre compréhension des résultats du deep learning est un domaine de recherche active. Cependant, lorsque nous prenons le temps d’examiner en profondeur ces interactions complexes, nous voyons à quel point cet apprentissage en profondeur nous permet de découvrir des relations dans nos données qui étaient auparavant cachées et trop complexes nos modèles à exprimer, en tant que tels, nous acquérons une nouvelle vision de notre monde.
Conclusion
Avec l’IA et l’apprentissage automatique en passe de devenir une caractéristique si importante dans le futur des entreprises et du business, quel que soit votre parcours, une compréhension claire de la terminologie et des concepts associés à l’IA et au ML est essentielle pour naviguer à travers tout le battage publicitaire qui y est associé. comment et pourquoi il peut vous aider dans diverses tâches. Avec une compréhension de l’intelligence artificielle et de l’apprentissage automatique, vous êtes mieux armé pour comprendre comment il peut être mis en œuvre au sein de votre entreprise et quels en sont les avantages.
