Apprentissage machine (ML)

L'apprentissage automatique est un sous-domaine de l'intelligence artificielle (IA) qui donne aux ordinateurs la capacité d'apprendre sans être explicitement programmés. Définis pour la première fois par des pionniers comme Arthur Samuel, les algorithmes d'apprentissage automatique 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 dépendre d'un développeur pour écrire un code statique pour une tâche, un modèle de ML apprend sa propre logique directement à partir des données sur lesquelles il est formé. Cette capacité d'adaptation fait du ML le moteur de bon nombre des technologies les plus sophistiquées d'aujourd'hui.

Distinguer le ML des termes apparentés

Comprendre le ML, c'est aussi savoir comment il s'articule avec 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. La ML est l'approche la plus importante et la plus réussie pour parvenir à l'IA. Si l'IA est l'objectif global, la ML est la méthodologie pratique qui permet aux systèmes d'apprendre et de s'adapter.
• Apprentissage en profondeur (DL): L'apprentissage profond est un sous-domaine spécialisé de l'intelligence artificielle qui utilise des réseaux neuronaux complexes et multicouches, souvent appelés réseaux neuronaux profonds. L'apprentissage profond est à l'origine d'avancées majeures dans le traitement de données complexes telles que les images, les sons et les textes, et il est à la base de la plupart des modèles de vision de pointe.
• l'exploration de données (Data Mining): Bien que les deux domaines analysent des données, leurs objectifs diffèrent. L'exploration de données, telle que définie par des leaders du secteur comme SAS, se concentre sur la découverte de modèles précédemment inconnus dans de grands ensembles de données afin de générer des informations utilisables par l'homme. En revanche, le ML utilise des schémas pour construire des modèles prédictifs capables de prendre des décisions autonomes sur de nouvelles données inédites.

Types d'apprentissage automatique

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

• Apprentissage supervisé: Le type le plus courant, où le modèle apprend à partir de données étiquetées constituées de paires entrée-sortie. L'objectif est d'apprendre une fonction de correspondance qui peut prédire la sortie pour de nouvelles entrées. La classification d'images et la détection de spam en sont des exemples classiques.
• Apprentissage non supervisé: Le modèle reçoit des données non étiquetées et doit trouver des modèles ou des structures intrinsèques par lui-même, par exemple en regroupant les points de données en grappes. La détection des 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 les actions indésirables, dans le but de maximiser sa récompense cumulée. Cette approche est largement utilisée en robotique et dans 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 transformateur dans le domaine de la vision par ordinateur (VA). Des tâches telles que la détection d'objets, la segmentation d'images et l'estimation de la pose s'appuient fortement sur des modèles d'apprentissage automatique pour interpréter et comprendre les informations visuelles. Des modèles de pointe comme Ultralytics YOLO s'appuient sur des techniques de ML, en particulier l'apprentissage profond, pour atteindre une précision et une vitesse élevées dans les applications en temps réel.

Voici deux exemples de ML en action :

1. Analyse d'images médicales: Dans le domaine de l'IA pour les soins de santé, les modèles ML formés sur des ensembles de données tels que l'ensemble de données sur les tumeurs cérébrales peuvent analyser les IRM ou les tomodensitogrammes afin de détecter et de décrire les anomalies potentielles. Les radiologues peuvent ainsi mettre en évidence les zones préoccupantes, ce qui permet d'établir 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 ML pour traiter en temps réel les données provenant des caméras, du LiDAR et des radars. Dans l'IA pour l'automobile, ces modèles sont utilisés pour détecter et classer des objets tels que les autres véhicules, les piétons et les panneaux de signalisation, ce qui permet à la voiture de naviguer dans son environnement en toute sécurité. Les plates-formes technologiques telles que DRIVE de NVIDIA s'appuient sur de puissantes capacités de ML.

Outils et cadres

Le développement et le déploiement de modèles de ML s'appuient sur un riche écosystème d'outils. Des frameworks comme PyTorch (visitez le site officiel de PyTorch) et TensorFlow (visitez la page d'accueil de TensorFlow) fournissent les éléments essentiels à la création de réseaux neuronaux.

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