Le Machine Learning quésaco ?
L’apprentissage automatique plus communément appelé Machine Learning est enfaite une forme d’Intelligence Artificielle apparu dans les années 50 grâce au pionnier informaticien américain Arthur Samuel. Il inventa le terme « Machine Learning » en concevant un algorithme capable d’apprendre à jouer aux Dames mais surtout capable d’auto-apprentissage.
Le Machine Learning peut être défini comme étant une technologie d’Intelligence Artificielle permettant aux machines d’apprendre sans avoir été au préalablement programmées spécifiquement à cet effet. Cela renvoie directement à un processus d’analyse et d’implémentation qui permettent à un ordinateur de réaliser des problèmes complexes suite à une multitude de procédés systématiques. Il y a cependant deux principales façons pour « éduquer » un algorithme avec la technique du Machine Learning.
Nous avons tout d’abord l’apprentissage supervisé : c’est le mode d’apprentissage le plus utilisé. Il consiste à apprendre une tâche à une Intelligence Artificielle en reproduisant cette tâche à de nombreuses reprises. À force de rencontrer cette tâche plusieurs centaines, voire milliers de fois, la machine s’adaptera et comprendra toute seule la réponse attendue par l’exécutant du programme sans qu’il ait besoin de l’accompagner.
Viens ensuite le clustering où apprentissage non supervisé : dans ce cas d’apprentissage, le programme ne s’appuie sur aucun élément extérieur. Il apprend par lui-même en croisant des informations et en classant des données par similitudes. Ce mode d’apprentissage est plus complexe que le précédent. Son principal avantage réside dans la quasi-non-participation de l’homme et donc une meilleure fiabilité avec des résultats moins biaisés.
Ce sont les deux modes d’apprentissage du Machine Learning les plus courants, mais ils en existe bien sûr de nombreux autres systèmes.
Apprentissage de la machine : de la théorie à la pratique
De nos jours, le machine Learning est présent dans de plus en plus de secteurs. Avec le développement des nouvelles technologies et le besoin grandissant en Intelligence Artificielle, il apparaît comme indispensable pour notre société. En voici quelques cas concrets :
Domaine Médical : ce procédé d’apprentissage tient une place très importante dans le domaine de la médecine. Les algorithmes mis en place ont pour but d’assister les médecins face aux flux de données et d’en faciliter l’interprétation. Des chercheurs du MIT ont notamment mis un point un système qui permet d’analyser des images médicales et d’en faciliter les diagnostics.
JIRAROJ PRADITCHAROENKUL/Alamy Stock Photo.
L’utilisation de robots dans la chirurgie est de plus en plus courant notamment et le Machine Learning permet d’améliorer leur utilisation au fur et à mesure des opérations effectuées… Le Machine Learning s’invite même dans le procédé de recherche et développement des laboratoires généralement pour aider à trouver les profils de testeur correspondant aux analyses souhaitées et ainsi facilitées les découvertes.
Automobile : Nous devons l’autonomie des voitures autonomes au procédé d’apprentissage automatique. Ce dernier permet repérer les obstacles et de faire de la maintenance prédictive. Tout cela couplé à la puissance des calculs informatiques permet d’analyser les informations en temps réel !
Sécurité financière : Avec l’analyse prédictive les fraudes financières seront plus facilement décelables et la sécurité en est renforcée. Grâce aux données récoltées par le Machine Learning, des instruments financiers ultras personnalisés adaptés à chaque agent économique seront proposés dans un avenir proche. Le Machine Learning touche déjà de nombreux domaines et son développement atteint désormais de nombreux marchés.
Le Machine Learning jusqu’au bout du nez
Ce procédé d’apprentissage automatique s’invite dans nos lunettes connectées Serenity Eyewear by Ellcie Healthy. Afin d’éviter au maximum la sur détection (ou sous détection) de l’endormissement, nos lunettes utilisent l’Intelligence Artificielle et plus précisément le Deep Learning. Ce système permet l’autoapprentissage des lunettes au moyen d’un réseau de neurones.
Les réseaux de neurones artificiels fonctionnent comme les neurones d’un cerveau biologique :
1- Les premièrs neurones appelés « input neurone » reçoivent une information,
2- de multiples algorithmes travaillent ensemble dans ces réseaux pour traiter l’information.
3- Les données de sorties, « outputs neurones » fournissent le résultat du traitement au logiciel embarqué dans les lunettes.
Dans notre cas, les données qui sont administrées à ce réseau de neurones sont les clignements et les non-clignements caractérisés chacuns par des courbes qui leur sont propres.
C’est ce que l’on appelle les données brutes (voir photo ci-dessus).
Le réseau de neurones doit ensuite apprendre de ces données brutes pour en extraire une valeur en sortie. À terme, une fois le réseau de neurones bien entrainé ce dernier prédit s’il y a un clignement ou non suivant les données qu’il perçoit.
Cette technologie embarquée dans les montures de nos lunettes connectées permet de limiter les risques et de prévoir un meilleur suivi du risque d’endormissement utilisateurs. L’avantage réside aussi dans la capacité à la lunette de s’ajuster à chaque personne et d’apprendre d’elle-même au cas par cas. La technologie n’a pas fini de nous surprendre
Sources :
https://blog.clevy.io/nlp-et-ia/introduction-machine-learning-1-3-histoire/
https://digitalinsiders.feelandclic.com/construire/definition-quest-machine-learning
https://www.futura-sciences.com/tech/definitions/intelligence-artificielle-deep-learning-17262/
https://moncoachdata.com/blog/comprendre-les-reseaux-de-neurones/
https://machinelearnia.com/apprentissage-supervise-4-etapes/
https://techtomed.com/le-machine-learning-au-service-de-la-sante/