Apprentissage automatique (ML)

L'apprentissage automatique (AA) est un sous-domaine de l'intelligence artificielle (IA) qui donne aux ordinateurs la capacité d'apprendre sans être explicitement programmés. Définis initialement par des pionniers comme Arthur Samuel, les algorithmes d'AA utilisent des données historiques pour identifier des modèles, faire des prédictions et améliorer leurs performances au fil du temps à mesure qu'ils sont exposés à davantage d'informations. Au lieu de s'appuyer sur un développeur pour écrire du code statique pour une tâche, un modèle d'AA apprend sa propre logique directement à partir des données sur lesquelles il est entraîné. Cette capacité d'adaptation fait de l'AA le moteur de nombreuses technologies de pointe actuelles.

Distinguer le ML des termes connexes

Comprendre le ML signifie également savoir comment il se rapporte à d'autres concepts clés dans le domaine :

• Intelligence artificielle (IA) : L'IA est le concept général de création de machines capables d'un comportement intelligent. L'apprentissage automatique (ML) est l'approche la plus importante et la plus réussie pour réaliser l'IA. Alors que l'IA est l'objectif primordial, le ML est la méthodologie pratique qui permet aux systèmes d'apprendre et de s'adapter.
• Apprentissage profond (DL) : L'apprentissage profond est un sous-domaine spécialisé du ML qui utilise des réseaux neuronaux (NN) complexes et multicouches, souvent appelés réseaux neuronaux profonds. Le DL est à l'origine de percées majeures dans le traitement de données complexes telles que les images, le son et le texte, et alimente la plupart des modèles de vision de pointe.
• Exploration de données : Bien que les deux domaines analysent les données, leurs objectifs diffèrent. L'exploration de données, telle que définie par les leaders de l'industrie comme SAS, se concentre sur la découverte de schémas inconnus auparavant dans de grands ensembles de données afin de générer des informations pour l'utilisation humaine. En revanche, l'apprentissage automatique utilise des schémas pour construire des modèles prédictifs capables de prendre des décisions autonomes sur des données nouvelles et invisibles.

Types d'apprentissage automatique

Les modèles ML sont généralement classés en fonction de la façon dont ils apprennent des données :

• Apprentissage supervisé : Le type le plus courant, où le modèle apprend à partir de données étiquetées composées de paires entrée-sortie. L'objectif est d'apprendre une fonction de mappage qui peut prédire la sortie pour de nouvelles entrées. La classification d'images et la détection de spam sont des exemples classiques.
• Apprentissage non supervisé : Le modèle reçoit des données non étiquetées et doit trouver des motifs ou des structures intrinsèques par lui-même, comme le regroupement de points de données en clusters. La détection d'anomalies et la segmentation de la clientèle sont des cas d'utilisation courants.
• Apprentissage par renforcement : Un agent apprend en interagissant avec un environnement. Il reçoit des récompenses pour les actions souhaitables et des pénalités pour celles qui ne le sont pas, dans le but de maximiser sa récompense cumulative. Cette approche est largement utilisée dans la robotique et les jeux stratégiques.

Pertinence dans l'IA et la vision par ordinateur

L'apprentissage automatique est un pilier fondamental de l'IA moderne et est particulièrement transformationnel dans le domaine de la vision par ordinateur (VC). Des tâches telles que la détection d'objets, la segmentation d'images et l'estimation de pose reposent fortement sur des modèles d'AA pour interpréter et comprendre les informations visuelles. Les modèles de pointe comme Ultralytics YOLO exploitent les techniques d'AA, en particulier l'apprentissage profond, pour atteindre une précision et une vitesse élevées dans les applications en temps réel.

Voici deux exemples d'apprentissage automatique en action :

1. Analyse d'images médicales : Dans l'IA pour la santé, les modèles de ML entraînés sur des ensembles de données comme l'ensemble de données sur les tumeurs cérébrales peuvent analyser les IRM ou les tomodensitométries pour détecter et délimiter les anomalies potentielles. Cela aide les radiologues en mettant en évidence les zones préoccupantes, conduisant à des diagnostics plus rapides et plus précis. Des organisations comme le National Institute of Biomedical Imaging and Bioengineering (NIBIB) explorent activement ces applications.
2. Véhicules autonomes : Les voitures autonomes utilisent une suite de modèles de ML pour traiter les données des caméras, du LiDAR et du radar en temps réel. Dans l'IA pour l'automobile, ces modèles sont utilisés pour détecter et classifier des objets tels que d'autres véhicules, des piétons et des panneaux de signalisation, permettant à la voiture de naviguer dans son environnement en toute sécurité. Les plateformes technologiques comme DRIVE de NVIDIA sont construites autour de puissantes capacités de ML.

Outils et frameworks

Le développement et le déploiement de modèles de ML sont pris en charge par un riche écosystème d'outils. Les frameworks comme PyTorch (visitez le site officiel de PyTorch) et TensorFlow (visitez la page d'accueil de TensorFlow) fournissent les éléments de base essentiels pour la création de réseaux neuronaux.

Des plateformes telles que Ultralytics HUB offrent des environnements intégrés qui rationalisent l'ensemble du flux de travail, de la gestion des ensembles de données et de l'entraînement de modèles personnalisés au déploiement de modèles et à la surveillance via MLOps. La création d'un modèle efficace implique souvent un réglage minutieux des hyperparamètres et une compréhension approfondie des métriques de performance.