Ma­chine Lear­ning

Prin­cipes, ap­pli­ca­tions et ac­teurs

L'Informaticien - - LA UNE -

Ten­tons tout d’abord une dé­fi­ni­tion de ce concept en vogue. Le « Ma­chine Lear­ning », ou « ap­pren­tis­sage au­to­ma­tique » dans la langue de Mo­lière, consiste à don­ner la fa­cul­té aux or­di­na­teurs, au sens très large du terme, d’ap­prendre à par­tir des don­nées qui leurs sont sou­mises, et non plus seule­ment d’exé­cu­ter des al­go­rithmes sé­quen­tiel­le­ment. Cette théo­rie a pris son es­sor grâce aux tra­vaux des ma­thé­ma­ti­ciens Vap­nik et Cher­vo­nen­kis (théo­rie VC) dans les an­nées 60. Ces re­cherches se sont dé­ve­lop­pées en marge de celles des pro­ba­bi­li­tés et des sta­tis­tiques. Le Ma­chine Lear­ning ne se concentre plus sur la fa­çon de re­trou­ver des ob­jets abs­traits, comme en sui­vant « à la lettre » une loi de pro­ba­bi­li­té. Il se concentre avant tout sur le cô­té opé­ra­tion­nel des choses, c’est-à- dire sur la prise de dé­ci­sion à par­tir d’une ana­lyse em­pi­rique des don­nées, en es­sayant en plus de dé­ce­ler les er­reurs po­ten­tielles. Or, la fa­cul­té d’ana­lyse em­pi­rique est une des qua­li­tés qui manquent cruel­le­ment aux ma­chines pour ar­ri­ver à des conclu­sions si­mi­laires à celles du cer­veau hu­main. L’ap­pren­tis­sage au­to­ma­tique est un champ d’étude, par­mi d’autres, de l’In­tel­li­gence ar­ti­fi­cielle. Il concerne à la fois la concep­tion, l’ana­lyse, le dé­ve­lop­pe­ment et l’im­plé­men­ta­tion de mé­thodes per­met­tant à une ma­chine d’évo­luer par un pro­ces­sus sys­té­ma­tique, ce afin de pou­voir réa­li­ser des tâches dif­fi­ciles voire im­pos­sibles via des moyens al­go­rith­miques plus tra­di­tion­nels. Des sys­tèmes com­plexes peuvent être ana­ly­sés, y com­pris pour des don­nées as­so­ciées à des va­leurs sym­bo­liques. L’ana­lyse peut concer­ner des graphes, des arbres ou des courbes. La clas­si­fi­ca­tion est un exemple d’ap­pren­tis­sage au­to­ma­tique. Elle consiste à éti­que­ter chaque don­née en l’as­so­ciant à une classe – un type de don­nées com­plexe. La conduite au­to­nome, sans hu­main, en est un autre, ain­si que le diag­nos­tic. Dif­fé­rents sys­tèmes d’ap­pren­tis­sage existent. Nous les évo­quons un peu plus loin dans cet ar­ticle.

Prin­cipes du ML

Les al­go­rithmes uti­li­sés dans le Ma­chine Lear­ning per­mettent à un sys­tème pi­lo­té par or­di­na­teur – un ro­bot par exemple – ou as­sis­té par or­di­na­teur, d’adap­ter ses ana­lyses et ses com­por­te­ments en se fon­dant sur l’ana­lyse de don­nées em­pi­riques is­sues d’une base de don­nées ou de cap­teurs. La dif­fi­cul­té ré­side dans le fait que l’en­semble de tous les com­por­te­ments pos­sibles, compte te­nu de toutes les en­trées pos­sibles, de­vient ra­pi­de­ment trop vo­lu­mi­neux et de fait trop com­plexe à dé­crire – on parle d’explosion com­bi­na­toire – avec les lan­gages de pro­gram­ma­tion clas­siques. Les dé­ve­lop­peurs du ML uti­lisent prin­ci­pa­le­ment le lan­gage R, sui­vi de près par le lan­gage Py­thon, avec gé­né­ra­le­ment la bi­blio­thèque sci­kit-learn. Grâce à ces lan­gages et bi­blio­thèques open source adap­tés aux prin­cipes du ML, ils codent des pro­grammes ca­pables d’ajus­ter un mo­dèle per­met­tant de sim­pli­fier cette com­plexi­té et de l’uti­li­ser de ma­nière opé­ra­tion­nelle. Ce mo­dèle est adap­ta­tif. Ce­la veut dire qu’il est ca­pable de prendre en compte l’évo­lu­tion des don­nées. Le sys­tème d’ana­lyse ou de ré­ponse peut ain­si s’au­to- amé­lio­rer. C’est une des formes de l’In­tel­li­gence

ar­ti­fi­cielle, et même un de ses prin­cipes élé­men­taires. Les pro­grammes ain­si dé­ve­lop­pés, se­lon bien en­ten­du leur qua­li­té et leur de­gré de per­fec­tion­ne­ment, peuvent in­té­grer des ca­pa­ci­tés de trai­te­ment pro­ba­bi­liste des don­nées, d’ana­lyse de don­nées is­sues de cap­teurs, de re­con­nais­sance – de forme, d’écri­ture, vo­cale, etc. –, d’in­for­ma­tique théo­rique ou de da­ta-mi­ning et autres sciences tour­nant au­tour du big da­ta.

Les ap­pli­ca­tions du Ma­chine Lear­ning

Le Ma­chine Lear­ning est au­jourd’hui en plein es­sor. Il est uti­li­sé pour un spectre d’ap­pli­ca­tions de plus en plus large, tel que les mo­teurs de re­cherche, comme Google, l’aide au diag­nos­tic mé­di­cal, Wat­son d’IBM, et tech­nique de ma­nière gé­né­rale, la dé­tec­tion de don­nées aber­rantes ou man­quantes, celle de fraudes à la carte de cré­dit, l’ana­lyse des mar­chés fi­nan­ciers y com­pris l’ana­lyse du mar­ché bour­sier ( lo­gi­ciels-ro­bots « tra­ders »), la re­con­nais­sance vo­cale, d’écri­ture ma­nus­crite ou autre, l’ana­lyse et in­dexa­tion d’images et de vi­déos, par­ti­cu­liè­re­ment pour la re­cherche d’image par le conte­nu, et la ro­bo­tique – la lo­co­mo­tion par­ti­cu­liè­re­ment. L’ap­pren­tis­sage au­to­ma­tique est uti­li­sé par exemple pour do­ter des or­di­na­teurs ou des ma­chines de sys­tèmes de per­cep­tion de leur en­vi­ron­ne­ment : vi­sion, re­con­nais­sance d’ob­jets – vi­sages, sché­mas, lan­gages na­tu­rels, écri­ture, formes syn­taxiques… La bio-in­for­ma­tique, la ché­mo­in­for­ma­tique (sec­teur de la chi­mie), les in­ter­faces cer­veau- ma­chine, la clas­si­fi­ca­tion des sé­quences d’ADN, le jeu, le gé­nie lo­gi­ciel, la concep­tion de sites web adap­ta­tifs et bien d’autres do­maines y ont éga­le­ment re­cours. Des al­go­rithmes de Ma­chine Lear­ning ont aus­si été dé­ployés à grande échelle pour le fil­trage an­ti­spam des mes­sa­ge­ries élec­tro­niques, l’op­ti­mi­sa­tion des stocks, la seg­men­ta­tion et le ci­blage des clients ain­si que dans la main­te­nance in­dus­trielle. Il est em­ployé no­tam­ment pour la main­te­nance pré­dic­tive des ma­té­riels ins­tal­lés sur les plates-formes pé­tro­lières ou les avions (mo­teurs). Le dé­ve­lop­pe­ment des ob­jets connec­tés ne peut cer­tai­ne­ment pas se faire sans lui, et là en­core le champ ap­pli­ca­tif est presque in­fi­ni.

Lo­co­mo­tion

Un sys­tème d’ap­pren­tis­sage au­to­ma­tique peut per­mettre à un ro­bot ayant la ca­pa­ci­té de bou­ger ses membres mais ne sa­chant ini­tia­le­ment rien de la co­or­di­na­tion des mou­ve­ments per­met­tant la marche, d’ap­prendre tout seul à mar­cher ou à avan­cer sur un ter­rain in­con­nu (ro­bots d’ex­plo­ra­tion spa­tiale). Le ro­bot com­men­ce­ra par ef­fec­tuer des mou­ve­ments aléa­toires, puis, en sé­lec­tion­nant et pri­vi­lé­giant les mou­ve­ments lui per­met­tant d’avan­cer, met­tra peu à peu en place une marche de plus en plus ef­fi­cace. Il pour­ra aus­si ana­ly­ser le ter­rain grâce à ses dif­fé­rents cap­teurs et aux al­go­rithmes de re­con­nais­sance de forme, de vo­lume et autres fac­teurs.

Re­con­nais­sance ma­nus­crite et vo­cale

La re­con­nais­sance de ca­rac­tères ma­nus­crits est une tâche com­plexe car deux ca­rac­tères si­mi­laires ne sont ja­mais exac­te­ment égaux. Il est plus ai­sé de conce­voir un sys­tème d’ap­pren­tis­sage au­to­ma­tique qui ap­prend à re­con­naître des ca­rac­tères en ob­ser­vant des exemples, c’est-à- dire des ca­rac­tères dé­jà iden­ti­fiés. Un pro­cé­dé si­mi­laire est uti­li­sé pour les dic­tées vo­cales.

La ges­tion des risques fi­nan­ciers

Autre sec­teur, lui aus­si avide de nou­veaux al­go­rithmes et fort de ca­pi­taux à in­ves­tir, le do­maine de la ges­tion des risques fi­nan­ciers s’in­té­resse au Ma­chine Lear­ning de­puis dé­jà quelques an­nées. Des mo­dèles se ba­sant sur le Ma­chine Lear­ning sont ca­pables de four­nir une pré­dic­tion des risques pris par des éta­blis­se­ments fi­nan­ciers dans le cadre de la dé­li­vrance de prêts ou de sous­crip­tions de contrats d’as­su­rance.

La lutte contre la cri­mi­na­li­té

Le Ma­chine Lear­ning a aus­si trou­vé sa voie dans la lutte contre la cri­mi­na­li­té. Plu­sieurs villes amé­ri­caines font dé­jà ap­pel à IBM et à son sys­tème Wat­son afin de pré­dire les zones d’une ville où sont sus­cep­tibles de sur­ve­nir les pro­chaines agres­sions, d’éven­tuels cam­brio­lages ou crimes di­vers. Ils peuvent ain­si mieux ci­bler la ré­par­ti­tion et l’en­voi d’ef­fec­tifs

Sci­kit-learn, la bi­blio­thèque open source écrite en Py­thon par des cher­cheurs de l’In­ria.

L’édu­ca­tion des ro­bots risque de vite de­ve­nir un su­jet de pré­oc­cu­pa­tion aus­si dé­li­cat que celle des en­fants.

Newspapers in French

Newspapers from France

© PressReader. All rights reserved.