Type d'intelligence artificielle où les systèmes apprennent des tendances à partir de données et améliorent leurs performances par l'expérience, plutôt que de suivre des règles explicitement programmées.
Dans la programmation traditionnelle, un développeur écrit des règles qui indiquent à un ordinateur quoi faire. Dans l'apprentissage automatique, un développeur fournit des données et un algorithme d'apprentissage, et le système découvre lui-même les règles. Le modèle résultant peut ensuite faire des prédictions ou des décisions sur de nouvelles données qu'il n'a pas vues auparavant.
Les tâches courantes d'apprentissage automatique comprennent la classification (ce courriel est-il du pourriel?), la régression (à quel prix cette propriété se vendra-t-elle?), le regroupement (quels clients ont des comportements similaires?) et la recommandation (que devrait voir cet utilisateur ensuite?).
Exemple : Un gouvernement provincial entraîne un modèle d'apprentissage automatique sur des données historiques d'évaluation foncière pour prédire les valeurs évaluées des nouvelles propriétés. Le modèle apprend la relation entre les attributs de la propriété (taille, emplacement, âge, type) et la valeur évaluée à partir de milliers d'exemples historiques, puis applique cette relation apprise pour estimer les valeurs des propriétés non encore évaluées.
Les modèles d'apprentissage automatique peuvent perpétuer ou amplifier les biais présents dans les données d'entraînement. Une utilisation responsable nécessite une attention particulière à la qualité des données, à l'équité et à la transparence.