Machine Learning (ML)

Le Machine Learning (ML) est un sous-ensemble 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 et codées en dur, les algorithmes de machine learning identifient des schémas au sein de vastes quantités de Big Data pour prendre des décisions ou faire des prédictions. Cette capacité est le moteur de nombreuses technologies modernes, permettant aux ordinateurs de s'adapter à de nouveaux scénarios en traitant des données d'entraînement et en affinant leur logique interne au fil du temps grâce à l'expérience.

Concepts et techniques fondamentaux#

À sa base, le ML s'appuie sur des techniques statistiques pour construire des systèmes intelligents. Le domaine est généralement divisé en trois méthodologies principales selon la manière dont le système apprend. L'apprentissage supervisé consiste à entraîner un modèle sur des ensembles de données étiquetés où la sortie souhaitée est connue, une technique couramment utilisée dans les tâches de classification d'images. Inversement, l'apprentissage non supervisé traite des données non étiquetées, exigeant que l'algorithme trouve de lui-même des structures ou des clusters cachés. Enfin, l'apprentissage par renforcement permet aux agents d'apprendre par essais et erreurs dans un environnement interactif pour maximiser une récompense. Les avancées modernes utilisent souvent le deep learning, une branche spécialisée du ML basée sur les réseaux de neurones qui imite la structure multicouche du cerveau humain.

Applications concrètes#

L'apprentissage automatique a transformé de nombreuses industries en automatisant des tâches complexes. Voici deux exemples concrets de son impact :

• Systèmes autonomes : Dans le domaine de la computer vision, les modèles de ML comme Ultralytics YOLO26 sont utilisés pour la détection d'objets en temps réel. Ces systèmes agissent comme les « yeux » des véhicules autonomes, identifiant instantanément les piétons, les autres voitures et les panneaux de signalisation pour prendre des décisions de sécurité en une fraction de seconde.
• Diagnostics médicaux : Dans le domaine de la santé, les algorithmes de ML analysent des imageries médicales complexes pour détecter des anomalies telles que des tumeurs plus tôt que les méthodes traditionnelles. En traitant les dossiers de patients historiques et en utilisant l'analyse d'images médicales, ces outils aident les médecins à poser des diagnostics précis et à créer des plans de traitement personnalisés.

Mise en œuvre de l'apprentissage automatique#

Le développement d'une solution de ML implique un cycle de vie connu sous le nom de Machine Learning Operations (MLOps). Ce processus commence par la collecte de données de haute qualité et l'exécution d'annotation de données pour préparer les entrées du modèle. Les développeurs doivent ensuite entraîner le modèle tout en surveillant les problèmes tels que le surapprentissage, où 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 pré-entraîné à l'aide du paquet 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()

Distinguer les termes clés#

Il est important de différencier le « Machine Learning » des concepts connexes. Bien que l'AI soit la science globale de la création de machines intelligentes, le ML est le sous-ensemble spécifique de méthodes utilisé pour atteindre cette intelligence via les données. De plus, la science des données est un domaine plus large qui intègre le ML mais se concentre également sur le nettoyage des données, la visualisation et l'analyse statistique pour extraire des informations commerciales. Des frameworks tels que PyTorch et TensorFlow fournissent les outils sous-jacents pour construire ces systèmes.

Pour simplifier la complexité de l'entraînement et du déploiement de ces modèles, des solutions cloud-native telles que Ultralytics Platform permettent aux équipes de gérer des jeux de données, d'entraîner des modèles évolutifs et de gérer efficacement le déploiement de modèles sur des appareils de périphérie (edge devices).