Machine Learning (ML)

L'apprentissage automatique (ML) est un sous-ensemble dynamique de l'intelligence artificielle (IA) 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 d'apprentissage automatique identifient des modèles au sein de vastes quantités de big data pour prendre des décisions ou effectuer des prédictions. Cette capacité est le moteur derrière 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.

Link to this sectionConcepts et techniques fondamentaux#

À la base, le ML s'appuie sur des techniques statistiques pour construire des systèmes intelligents. Le domaine est généralement classé en trois méthodologies principales basées sur la façon dont le système apprend. L'apprentissage supervisé implique l'entraînement d'un modèle sur des jeux de données étiquetés où le résultat souhaité est connu, une technique couramment utilisée dans les tâches de classification d'images. À l'inverse, l'apprentissage non supervisé traite des données non étiquetées, exigeant que l'algorithme trouve 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 l'apprentissage profond, une branche spécialisée du ML basée sur des réseaux de neurones qui imite la structure en couches du cerveau humain.

Link to this sectionApplications 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 vision par ordinateur, 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 la santé, les algorithmes de ML analysent l'imagerie médicale complexe pour détecter des anomalies comme des tumeurs plus tôt que 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 créer des plans de traitement personnalisés.

Link to this sectionMise 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 la réalisation de l'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 démontre comment charger un modèle de ML pré-entraîné en utilisant le 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()

Link to this sectionDistinguer les termes clés#

Il est important de différencier le « Machine Learning » des concepts connexes. Alors que l'IA est la science globale de la création de machines intelligentes, le ML est le sous-ensemble spécifique de méthodes utilisées pour atteindre cette intelligence via les données. De plus, la science des données est un domaine plus vaste 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 comme 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 natives comme la plateforme Ultralytics permettent aux équipes de gérer des jeux de données, d'entraîner des modèles évolutifs et de gérer le déploiement de modèles vers des appareils de périphérie (edge devices) de manière efficace.