Machine Learning (ML)

L’apprentissage automatique (ML) est un sous-domaine dynamique de l’intelligence artificielle (AI) qui permet aux systèmes informatiques d’apprendre à partir de données et d’améliorer leurs performances sans être explicitement programmés pour chaque règle. Au lieu de suivre des instructions statiques codées en dur, les algorithmes d’apprentissage automatique identifient des tendances dans de grandes quantités de mégadonnées afin de prendre des décisions ou de faire des prédictions. Cette capacité est au cœur de nombreuses technologies modernes et permet aux ordinateurs de s’adapter à de nouveaux scénarios en traitant des données d’entraînement et en affinant progressivement leur logique interne grâce à l’expérience.

Concepts et techniques fondamentaux#

À la base, le ML s’appuie sur des techniques statistiques pour construire des systèmes intelligents. Le domaine est généralement divisé en trois grandes méthodologies selon la manière dont le système apprend. L’apprentissage supervisé consiste à entraîner un modèle sur des jeux de données annotés dont la sortie attendue est connue, une technique couramment utilisée pour les tâches de classification d’images. À l’inverse, l’apprentissage non supervisé traite des données non annotées et demande à l’algorithme de découvrir lui-même des structures ou des regroupements cachés. Enfin, l’apprentissage par renforcement permet à des agents d’apprendre par essais et erreurs dans un environnement interactif afin de maximiser une récompense. Les avancées modernes utilisent souvent l’apprentissage profond, une branche spécialisée du ML fondée sur les réseaux neuronaux qui imitent la structure en couches du cerveau humain.

Applications concrètes#

L’apprentissage automatique a transformé de nombreux secteurs en automatisant des tâches complexes. Voici deux exemples concrets de son impact :

• Systèmes autonomes : Dans le domaine de la vision par ordinateur, des modèles de ML comme Ultralytics YOLO26 sont utilisés pour la détection d’objets en temps réel. Ces systèmes servent d’« yeux » aux véhicules autonomes en identifiant instantanément les piétons, les autres voitures et les panneaux de signalisation afin de prendre des décisions de sécurité en une fraction de seconde.
• Diagnostic médical : Dans le domaine des soins de santé, les algorithmes de ML analysent des images médicales complexes afin de détecter des anomalies, comme des tumeurs, plus tôt qu’avec les méthodes traditionnelles. En traitant les dossiers historiques des patients et en utilisant l’analyse d’images médicales, ces outils aident les médecins à établir des diagnostics précis et à élaborer des plans de traitement personnalisés.

Mise en œuvre de l’apprentissage automatique#

Le développement d’une solution de ML implique un cycle de vie appelé opérations d’apprentissage automatique (MLOps). Ce processus commence par la collecte de données de haute qualité et la réalisation de l’annotation des données afin de préparer les entrées du modèle. Les développeurs doivent ensuite entraîner le modèle tout en surveillant les problèmes tels que le surapprentissage, dans lequel un système mémorise les données d’entraînement mais ne parvient pas à généraliser à de nouvelles informations.

L’extrait Python suivant montre comment charger un modèle de ML préentraîné à l’aide du package ultralytics pour effectuer une inférence sur une image :

from ultralytics import YOLO

# Load the advanced YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Perform object detection on an image source
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results to see the identified objects
results[0].show()

Distinction entre les principaux termes#

Il est important de distinguer l’« apprentissage automatique » des concepts associés. Alors que l’AI est la science générale qui vise à créer des machines intelligentes, le ML est le sous-ensemble spécifique de méthodes utilisées pour atteindre cette intelligence grâce aux données. En outre, la science des données est un domaine plus vaste qui englobe le ML, mais qui se concentre également sur le nettoyage des données, leur visualisation et l’analyse statistique afin d’en extraire des informations utiles pour l’entreprise. Des frameworks comme PyTorch et TensorFlow fournissent les outils sous-jacents nécessaires à la construction de ces systèmes.

Pour simplifier la complexité de l’entraînement et du déploiement de ces modèles, des solutions cloud natives comme l’Ultralytics Platform permettent aux équipes de gérer des jeux de données, d’entraîner des modèles évolutifs et de prendre en charge efficacement le déploiement de modèles sur des appareils edge.