L'apprentissage automatique est l'approche la plus utilisée dans l'IA moderne. Comprendre ce que c'est — et comment il diffère des logiciels traditionnels — vous aide à comprendre comment les systèmes d'IA sont construits et pourquoi ils se comportent comme ils le font.
Qu'est-ce que l'apprentissage automatique?
Dans les logiciels traditionnels, un développeur écrit des règles explicites. Dans l'apprentissage automatique, un développeur fournit des données et un algorithme d'apprentissage. Le système analyse les données, identifie des modèles et construit un modèle — une représentation mathématique de ces modèles. Ce modèle peut ensuite faire des prédictions sur de nouvelles données.
Modèles et données d'entraînement
Un modèle est le résultat d'un processus d'apprentissage automatique. L'entraînement d'un modèle nécessite des données d'entraînement. La qualité et la représentativité des données d'entraînement affectent directement la qualité du modèle. C'est pourquoi les principes de qualité des données de Données 101 s'appliquent directement à l'IA.
Trois approches courantes
- Apprentissage supervisé — les données d'entraînement incluent les entrées et les réponses correctes. Le système apprend à associer les entrées aux sorties.
- Apprentissage non supervisé — les données d'entraînement n'ont pas d'étiquettes. Le système trouve lui-même une structure.
- Apprentissage par renforcement — le système apprend par essais et erreurs, recevant des commentaires sur ses actions.
Entraînement vs utilisation d'un modèle entraîné
L'entraînement d'un modèle est intensif en calcul et se produit avant le déploiement. L'utilisation d'un modèle entraîné — appelée inférence — est beaucoup plus rapide. Quand vous utilisez un outil d'IA, vous n'entraînez pas le modèle. Vous interrogez un modèle déjà entraîné.
Limites et incertitude
Les modèles d'apprentissage automatique sont probabilistes — ils produisent des résultats basés sur des modèles statistiques, pas des certitudes. Un modèle peut être très précis en moyenne tout en étant incorrect dans des cas spécifiques.
Un modèle n'est aussi bon que ses données d'entraînement. Les erreurs et les biais dans les données d'entraînement deviennent des erreurs et des biais dans les résultats du modèle. Apprentissage connexe : Nettoyage de données 101 et Bonnes pratiques relatives aux données 101.
- Les systèmes d'apprentissage automatique découvrent des règles à partir de données
- La qualité des données d'entraînement détermine directement la qualité du modèle
- L'inférence est l'utilisation d'un modèle entraîné — pas son entraînement
- Les modèles produisent des résultats probabilistes, pas des réponses garanties correctes