Le Machine Learning ou ML ne date pas d’hier
On ne le dit pas, mais c’est du réchauffé. Le Machine Learning ou ML est loin d’être un phénomène récent. Son émergence a eu lieu dans les années 90 avec l’idée de résoudre des problèmes très concrets en lien direct avec des données à disposition.
Plus récemment, l’arrivée du Big Data allié à la puissance de calcul disponible ont mené à de nouvelles avancées dans le ML. Les systèmes développés dans les laboratoires de recherche ont définitivement franchi la frontière vers les applications dans la finance, le marketing, l’industrie, l’Internet des objets – IoT, et la vie de tous les jours.
Les équipes de statisticiens des banques et des assurances ont été parmi les premiers à exploiter leurs données avec le Machine Learning afin d’évaluer les risques financiers, de lutter contre la fraude mais aussi pour des applications marketing par la meilleure connaissance des clients.
Le ML de nos jours
Aujourd’hui, les industriels se penchent à leur tour et très sérieusement sur la valeur de leurs données. Ainsi, ils peuvent déjà générer entre autres, des gains économiques : la maintenance prédictive de leurs parcs machines, l’optimisation de leurs chaînes de production, la construction de véhicules autonomes sont autant d’applications du ML.
Si la reconnaissance d’image avec Facebook, Google, et d’autres a créé des vagues parfois indigestes, (… nous sommes tous concernés quand il s’agit de soi) nombre de domaines notent déjà des bénéfices de l’analyse des données et du Machine Learning :
- la médecine et la recherche pharmaceutique,
- les smart cities (villes intelligentes) et transports,
- la prévision de la demande,
- la gestion de la qualité des fournisseurs et de leur conformité
- la cybersécurité…
Le Machine learning ou Apprentissage automatique en français
Sous domaine de l’Intelligence Artificielle, le Machine Learning permet à une machine de trouver la réponse à une question sans programmation explicite sur ce sujet. En outre, le Machine learning permet d’améliorer la qualité des réponses qu’elle fournit via un apprentissage.
Cette technique se base sur l’analyse de masse importante de données non structurées et de natures diverses. Ces données sont autrement appelées Big Data.
La mise en place de ces technologies demande une phase initiale d’apprentissage avec un volume défini de données connues.
Deux principaux types d’apprentissage du Machine Learning
- L’apprentissage supervisé : la réponse à la tâche demandée à la machine est connue au préalable
- L’apprentissage non supervisé : une réponse initiale est proposée par la machine, puis sa valeur analysée par un humain
4 caractéristiques principales associées au Machine Learning
- Compréhension de données non structurées
- Possibilité d’extraire des idées
- Capacité à affiner l’expertise
- Capacité à interagir avec les humains de façon naturelle