Méthodes et techniques d'apprentissage automatique

Date: 2024-02-15 | Temps de lecture: 11 minutes (2027 words)

En 2023, il est difficile d'imaginer un fil d'actualité sans le concept d'apprentissage automatique. On estime que le marché de cette technologie atteindra 225 milliards de dollars d'ici 2030. En comparaison, une croissance jusqu'à 26 milliards était prévue pour 2023.

En d'autres termes, l'apprentissage automatique est là pour rester. La technologie continuera à s'intégrer davantage dans les domaines de la vie humaine : prévoir, classifier, générer des objets. Il est donc important de ne pas rester en arrière et de comprendre ce qu'est l'apprentissage automatique, comment il est apparu, et quelles sont les méthodes et techniques qu'il utilise. C'est ce que nous allons aborder dans notre article.

Essence de l'apprentissage automatique

L'apprentissage automatique (machine learning) est une branche du développement de l'intelligence artificielle qui imite les processus de la pensée humaine. Il n'y a pas de séquence d'actions clairement définie, telle que celle réalisée par un logiciel, mais plutôt une « réflexion » constante, comme le ferait le cerveau.

L'apprentissage automatique consiste en des prévisions basées sur d'énormes volumes de données, où les algorithmes découvrent des régularités. Le concept est lié aux réseaux neuronaux, qui font partie d'un type d'apprentissage automatique et fonctionnent à travers l'apprentissage en profondeur.

Les algorithmes d'apprentissage automatique sont utilisés pour créer des services qui :

Recommandent des produits, des services et du contenu, y compris en fonction des actions de l'utilisateur. Par exemple, c'est ainsi que fonctionnent les cinémas en ligne, qui proposent des films et des séries en fonction des visionnements.
Prévoient l'avenir : tendances possibles, volumes de ventes, maladies des clients dans les cliniques médicales en fonction de leur historique, événements, etc. Les modèles d'apprentissage automatique déterminent la cote de crédit dans les banques et prédisent le comportement des clients qui pourraient avoir des difficultés à rembourser un prêt.
Reconnaissent des objets sur des images et des vidéos, comprennent la parole et analysent le texte. Cela accélère les processus routiniers, simplifie le travail humain et assure même la sécurité. Par exemple, la détection des numéros de plaques d'immatriculation à partir des caméras de vidéosurveillance est un contrôle supplémentaire.

Comment fonctionne l'apprentissage automatique

Définition des critères de sélection et collecte de données. Il s'agit de vastes volumes d'informations.
Préparation des données : attribution de balises cruciales pour la reconnaissance des éléments nécessaires par les algorithmes d'apprentissage automatique. Actuellement, l'étiquetage est effectué par des spécialistes et est automatisé moins fréquemment, rendant ainsi le processus plutôt long.
Vérification des données et recherche de régularités. Les erreurs sont identifiées à cette étape afin d'être corrigées, rendant le processus suivant plus précis.
Sélection du modèle et début de l'apprentissage. L'algorithme traite les données et produit des résultats.
Acquisition et évaluation des performances des algorithmes. À cette étape, les erreurs sont corrigées et les algorithmes sont modifiés pour des travaux ultérieurs.

Histoire de l'apprentissage automatique

XXe siècle

Les premiers exemples d'utilisation de l'apprentissage automatique remontent au milieu du siècle dernier. La reproduction du neurone a été réalisée pour la première fois par les scientifiques Walter Pitts et Warren McCulloch dès 1943. Ensuite, un projet secret de l'armée américaine en 1946 visait à créer des tableaux améliorant la précision de tir.

Les années 50 ont marqué l'essor de l'apprentissage automatique, avec l'apparition de Checkers-playing, un programme de Joseph Weizenbaum, Frank Rosenblatt et Arthur Samuel capable de jouer aux dames.

Pendant cette période, le modèle du perceptron Mark I, imitant le fonctionnement du cerveau humain, est devenu célèbre, inventé par Rosenblatt. À la fin des années 50, le SNARC, un réseau neuronal effectuant des tâches complexes, est apparu, créé par l'Américain Marvin Minsky.

Le terme "apprentissage automatique" lui-même a été introduit en 1959 lors d'une conférence au Dartmouth College (États-Unis).

Un prototype du premier assistant virtuel a été lancé dans les années 60. Il s'agissait du système ELIZA, qui reproduisait un dialogue avec un psychothérapeute. Au cours de cette décennie, un algorithme capable de reconnaître et classer des données a été inventé. À la fin de la décennie, Bernard Widrow et Sebastian Trun ont créé l'algorithme de rétropropagation de l'erreur, marquant une avancée majeure dans l'amélioration du fonctionnement des réseaux neuronaux.

Dans les années 80, les scientifiques ont de nouveau utilisé les technologies pour les jeux, cette fois-ci aux échecs. De jeunes chercheurs de l'université Carnegie Mellon ont développé le système ChipTest. Sur la base de cette innovation, à la fin des années 90, est apparu le superordinateur Deep Blue, qui a battu le célèbre joueur d'échecs Garry Kasparov. Cela a été l'un des premiers affrontements entre la machine et l'homme, démontrant la puissance de l'apprentissage automatique dans la prédiction des actions des robots.

XXIe siècle

De nos jours, la puissance des ordinateurs a augmenté et les volumes de données ont augmenté, poussant l'apprentissage automatique vers une nouvelle étape de développement. Dans les années 2000, le concept d'"apprentissage profond" est apparu. Le début des années 2010 a été marqué par la découverte de nouveaux projets sur les réseaux neuronaux, en particulier avec l'entrée en lice de Google. Déjà en 2012, l'algorithme de l'équipe Google X Lab a appris à reconnaître les chatons sur les images et les vidéos. Le Google Prediction API est également apparu, un service d'analyse et de travail sur l'apprentissage automatique.

Les géants tels qu'Amazon, Microsoft, Facebook*, n'ont pas été en reste, lançant leurs propres plates-formes où des méthodes d'apprentissage automatique étaient mises en œuvre. La technologie DeepFace de Mark Zuckerberg chez Meta a appris à reconnaître les visages avec une grande précision.

Dans les années 2020, le rôle de l'apprentissage automatique continue de croître. Les technologies sont déjà utilisées dans les domaines de la finance, de la santé, de l'industrie, des transports, et continueront de se fondre de plus en plus dans la vie quotidienne des gens.

Méthodes d'apprentissage automatique

Méthode	Description
Apprentissage supervisé (Supervised Learning)	Le modèle est entraîné sur des données déjà préparées (étiquetées) et des réponses prêtes à l'emploi. L'algorithme doit choisir la réponse à l'hypothèse : bonne ou mauvaise, et l'homme doit contrôler le résultat. Il s'agit d'une méthode relativement simple de ML qui convient à la classification des données. Il s'agit d'un apprentissage avec un professeur qui aide à distinguer les objets.
Apprentissage non supervisé (Unsupervised Learning)	Pour la formation, on utilise des informations non balisées. L'algorithme lui-même doit comprendre les modèles et les caractéristiques qui distinguent les objets. Convient à la prédiction et au nettoyage automatisé des données d'entrée, à la reconnaissance et à la compréhension du langage humain.
Apprentissage semi-supervisé (Semi-Supervised Learning)	Dans ce cas, des données marquées et non marquées sont utilisées. Le reste du partitionnement est effectué par l'algorithme lui-même en fonction des paramètres spécifiés. Ce type d'entraînement est utile pour le traitement de longs fichiers (par exemple, les "longreads").
Apprentissage par renforcement (Reinforcement Learning)	La méthode est basée sur un système de points que le modèle reçoit en fonction de ses actions. Ce système est similaire à un système de récompense dans un jeu, où un joueur reçoit un bonus pour une action correcte.

Techniques d'apprentissage automatique

Classification naïve bayésienne

La méthode tire son nom du théorème de Bayes. À la base, il s'agit de déterminer la classe d'un objet en fonction de ses caractéristiques. Considéré comme l'un des plus simples, il est utilisé pour les systèmes de classification, la reconnaissance d'objets sur des images et la détection de courriers indésirables.

Arbres de décision

Dans cette méthode, le modèle identifie les relations entre différents événements et objets, ainsi que les conséquences de leur interaction. Visuellement, ce schéma peut être représenté sous la forme de "branches d'un arbre", présentant différentes options de développement en fonction du choix. Cela ressemble à des algorithmes de test avec des réponses "oui" ou "non" qui conduisent à un résultat. L'avantage de cette méthode réside dans sa systématicité, bien qu'elle ne soit pas applicable partout.

Régression logistique

Une méthode statistique utilisée en apprentissage automatique. La fonction logistique établit une relation entre une ou plusieurs variables. Les objets sont divisés en deux classes en fonction de valeurs spécifiques dans la plage de 0 à 1.

La détermination du potentiel de crédit, la prévision du succès des ventes, des campagnes publicitaires, et d'autres événements probabilistes sont identifiés à travers la méthode de régression logistique.

Machines à vecteurs de support

Elle comprend plusieurs algorithmes qui classifient les objets dans un hyperplan partagé par des vecteurs. La tâche du système est de trouver la position la plus appropriée de la ligne dans le plan pour une meilleure classification. Cette méthode résout des problèmes assez complexes et peut déterminer si une personne est un homme ou une femme sur une photo, quelles publicités afficher à un utilisateur sur un site Web, etc.

Régression linéaire

Le principe de cette méthode est d'associer une variable N à une autre variable ou plusieurs variables. En termes simples, sur un graphique, il existe des points de données pour lesquels il est nécessaire de trouver la ligne la plus appropriée les reliant.

Un tel algorithme prédit facilement les tendances, détermine quelles informations manquent dans des séries linéaires simples. Par exemple, que faut-il ajouter à la séquence 10, 20, 30, 40, 50…

Méthodes d'assemblage

Un ensemble de méthodes où plusieurs classificateurs sont générés et les données sont divisées selon le principe de la moyenne ou du vote. Cette approche réduit la probabilité d'erreurs. Les méthodes d'assemblage comprennent :

Bagging : les modèles de base sont formés en parallèle avec la collecte de classificateurs plus complexes.

Boosting : les modèles forts sont créés à l'aide de modèles faibles. L'apprentissage se fait sur les classificateurs précédents pour améliorer et corriger les erreurs pour les suivants.

Regroupement par K-means

Une des méthodes de regroupement en apprentissage machine. Dans le fonctionnement de l'algorithme, un certain nombre aléatoire de clusters K est utilisé. Chacun a son propre centre (point), à partir duquel la distance est calculée jusqu'à chaque point de données dans les groupes. Ensuite, le centre de chaque cluster est répertorié, les vecteurs subdivisent à nouveau les points de données en clusters. Cela se répète jusqu'à ce qu'il n'y ait plus de changements.

La clustering est utile pour les recherches biologiques, les technologies de l'information et la sociologie.

Apprentissage génératif antagoniste

Cette méthode est basée sur le fonctionnement de réseaux neuronaux qui semblent entrer en compétition les uns avec les autres (c'est ainsi que le nom est apparu). À l'intérieur, il y a les algorithmes du discriminateur et du générateur. Le premier tente de classer les données d'entrée et de les associer à des catégories. Le second, au contraire, s'efforce de choisir des images qui correspondent à ces catégories. Autrement dit, le générateur crée des objets et le discriminateur les vérifie pour leur authenticité. C'est ce type d'algorithme qui est capable de créer des images de personnes fictives ressemblant à de vraies personnes.

Résumé

L'apprentissage machine est une branche de l'intelligence artificielle qui imite l'activité du cerveau humain. Les premiers algorithmes d'apprentissage machine ont émergé dans les années 40-50 du siècle dernier, mais ont connu une croissance significative au XXIe siècle et sont actuellement utilisés dans de nombreux domaines de la vie humaine.

Les méthodes de l'apprentissage machine sont classées en fonction de la participation humaine. Il existe l'apprentissage supervisé, non supervisé, semi-supervisé et par renforcement.

Il existe également des méthodes qui sont catégorisées selon le principe de fonctionnement de l'algorithme. On distingue le classificateur bayésien, les arbres de décision, la régression logistique, les méthodes d'assemblage (bagging, boosting), la classification K-moyennes, l'apprentissage génératif antagoniste, entre autres.

* produit de la société Meta, interdit sur le territoire de la Fédération de Russie.