#02 Qu'entend-on réellement par Apprentissage Machine ou Artificiel? (partie 2)
Temps de Lecture: 5 min | 08 November, 2021 | Regis Atemengue
Cet article est le deuxième d'une série de trois articles sur l'introduction à l'apprentissage artificiel ou Machine (débriefing et idées).Le troisième chapitre sera intitulé: «Partie 3 : Quels sont les concepts clés de l’apprentissage artificiel ? ».
Vous pouvez consulter le premier chapitre #01 Apprentissage Machine ou Artificiel (débriefing et idées partie 1)
Pour mieux comprendre ce qu’est l’apprentissage artificiel ou machine, il faut penser à ce que fait l’apprentissage artificiel. L’apprentissage artificiel fait exactement deux choses.
- Il crée un modèle capable de reconnaître des motifs ou des schémas cachés dans des données.
- Il utilise le modèle pour prédire ou estimer les résultats d’une analyse faite sur problème.
En anglais l’apprentissage artificiel ou automatique se dit Machine Learning, Pour une traduction en français mot à mot de machine qui apprend, un système informatique qui apprend.
Pourquoi une machine apprend ?
La machine apprend pour améliorer ses performances et résoudre les problèmes sans être programmée pour le problème.
Comment la machine apprend ?
Pour apprendre, la machine a besoin d’exemples. Les exemples aident la machine à distinguer ce qui est bon et ce qui est mauvais et améliorer son apprentissage.
L’apprentissage artificiel est une sorte d’intelligence artificielle. C’est un moyen de rendre un système plus intelligent mais pas le seul moyen. Il existe plusieurs autres moyens capables de rendre un système plus intelligent.
On comprend qu’il s'agit d'un processus incrémental et répétitif pour pouvoir avoir le résultat espéré. Ceci soulève beaucoup de questions, parmi lesquelles:
- Quels types de données existantes sont utilisées pour notre apprentissage ?
- De quelle quantité de données avons-nous besoin ?
- Qui analyse les données existantes ? (Les humains ou les ordinateurs ?)
- Qu’est-ce qu’un modèle ?
- Qu’est-ce qu’une prédiction ?
1. Commencer l’apprentissage avec des données existantes
Les systèmes et programmes informatiques sont conçus de façon à se servir de données pour leur fonctionnement. Si dans la programmation “classique” les données sont utilisées au cours de l’exécution du programme, en apprentissage machine, tout commence par la donnée. Sa compréhension, sa modélisation, sa forme, sa structure, sont à la source de toute conception de modèle d’apprentissage.
Préparer, nettoyer et organiser les données pour faire comprendre à l’ordinateur ce que nous voulons et ce que nous ne voulons pas. Ce sont les étapes les plus importantes d’un processus d’apprentissage. Elles prennent du temps, demandent de l’attention.
2. Analyser et identifier les modèles
Nous sommes sur une grande quantité de données et il devient très difficile pour les humains de faire une analyse. Pour cette étape on utilise un algorithme d’apprentissage automatique pour faire de l’analyse.
Doit-on concevoir ou programmer un algorithme d’apprentissage automatique ?
Nous n’avons pas besoin d’écrire un tel algorithme, il existe des algorithmes capables d’analyser des données. Le plus difficile est de choisir le bon algorithme, le configurer et le tester. C’est l’ un des rôles des DATA ANALYST OU ANALYSTE DE DONNÉES.
DATA ANALYST: un expert des données qui utilise l’informatique, les statistiques et les mathématiques pour analyser, traiter, modéliser les données et les interpréter
L’objectif d’un processus d’analyse de données est d’aider les organisations à prendre des décisions et définir des plans d’actions pour résoudre des problèmes et tire profit pour son business.
Avant de commencer un processus l’analyse, il faut se poser les bonnes questions.
- Quels sont les resultats attendus à la fin de notre processus d’apprentissage ?
- A quoi va nous servir le modele produit par le processus d’analyse ?
La fin d’un processus d'apprentissage nous permet d’obtenir un modèle qui sera utilisé pour faire des prédictions sur d’autres données.
Faire des prédictions avec le modèle.
Le modèle obtenu grâce à un algorithme d’apprentissage appliqué sur des données est utilisé pour faire des prédictions.
Lorsque nous introduisons un certain nombre de données dans le modèle, celui-ci nous renvoie un résultat. Néanmoins, il n’est pas possible d’obtenir une explication permettant de comprendre quel processus à conduit au résultat obtenu lors du traitement. nous pouvons l’utiliser de différentes manières. Par exemple l'importer dans une application logicielle que nous construisons.
L’exactitude des prédictions obtenues est un état extrêmement difficile à atteindre. Toutefois, les performances d’un modèle peuvent être continuellement améliorées pour s’en rapprocher.
Le processus d’apprentissage se résume à ce schéma .
Pour avoir un bon modèle de données, il faut répéter le processus et faire des tests sur une grande quantité de données. Le but étant de recréer le modèle parce que les informations changent et le modèle a besoin d’être mis à jour.
Quelques exemples ou nous pouvons utiliser l’apprentissage artificiel.
- Prédire si un client peut passer chez un concurrent. (le problème du churn)
- Détection de fraude sur une carte bancaire.
- Maintenance préventive sur des équipements, robot, les rails d’un train …
- Traduction des langues (Exemple de Google traduction)
- Système de recommandations sur les sites de ventes
- Système de reconnaissance vocale
- Système de reconnaissance faciale
Le processus d’apprentissage est un challenge et il est parfois complexe, d’où la nécessité d’avoir des experts du domaine (data analyste) parce que nous travaillons sur une grande quantité de données et que nous essayons de trouver des modèles.
Quels sont les concepts clés de l’apprentissage machine ?
nous le decouvrirons bientot dans la partie 3 🙋🏾♂️ Merci pour votre lecture.
Un merci particulier 🙏 pour les correcteurs et leurs suggestions.