Apprentissage automatique, expliqué

Les 4 choix essentiels dans un bon système d'emplois

Pourquoi l'IA générative a besoin d'une touche humaine créative

Le PDG de Blue Bottle Coffee sur le lait d'avoine et l'innovation

Crédit : Andrew Onufrienko / Getty Images

Des idées conçues pour compter

Intelligence artificielle

Par

Sara Brun

21 avril 2021

Cette forme omniprésente et puissante d'intelligence artificielle est en train de changer tous les secteurs. Voici ce que vous devez savoir sur le potentiel et les limites de l'apprentissage automatique et sur la manière dont il est utilisé.

L'apprentissage automatique est derrière les chatbots et le texte prédictif, les applications de traduction linguistique, les émissions que Netflix vous suggère et la manière dont vos flux de médias sociaux sont présentés. Il alimente des véhicules et des machines autonomes capables de diagnostiquer des conditions médicales sur la base d'images.

Lorsque les entreprises déploient aujourd'hui des programmes d'intelligence artificielle, elles utilisent très probablement l'apprentissage automatique, à tel point que les termes sont souvent utilisés de manière interchangeable, et parfois de manière ambiguë. L'apprentissage automatique est un sous-domaine de l'intelligence artificielle qui donne aux ordinateurs la capacité d'apprendre sans être explicitement programmés.

"Au cours des cinq ou dix dernières années seulement, l'apprentissage automatique est devenu un moyen essentiel, sans doute le moyen le plus important, la plupart des parties de l'IA sont réalisées", a déclaré Thomas W. Malone, professeur au MIT Sloan, directeur fondateur du MIT Center for Collective Intelligence. "C'est pourquoi certaines personnes utilisent les termes IA et apprentissage automatique presque comme synonymes… la plupart des progrès actuels de l'IA ont impliqué l'apprentissage automatique."

Avec l'omniprésence croissante de l'apprentissage automatique, tout le monde dans les affaires est susceptible de le rencontrer et aura besoin de connaissances pratiques dans ce domaine. Une enquête Deloitte de 2020 a révélé que 67 % des entreprises utilisent l'apprentissage automatique et 97 % l'utilisent ou prévoient de l'utiliser l'année prochaine.

De la fabrication au commerce de détail et de la banque aux boulangeries, même les entreprises traditionnelles utilisent l'apprentissage automatique pour libérer de la valeur ou augmenter l'efficacité. "L'apprentissage automatique change, ou changera, chaque industrie, et les dirigeants doivent comprendre les principes de base, le potentiel et les limites", a déclaré Aleksander Madry, professeur d'informatique au MIT, directeur du MIT Center for Deployable Machine Learning.

Bien que tout le monde n'ait pas besoin de connaître les détails techniques, ils doivent comprendre ce que fait la technologie et ce qu'elle peut et ne peut pas faire, a ajouté Madry. "Je ne pense pas que quiconque puisse se permettre de ne pas être au courant de ce qui se passe."

Cela implique d'être conscient des implications sociales, sociétales et éthiques de l'apprentissage automatique. "Il est important de s'engager et de commencer à comprendre ces outils, puis de réfléchir à la manière dont vous allez bien les utiliser. Nous devons utiliser ces [outils] pour le bien de tous", a déclaré le Dr Joan LaRovere, MBA '16, médecin pédiatrique en soins intensifs cardiaques et co-fondateur de l'association à but non lucratif The Virtue Foundation. "L'IA a tellement de potentiel pour faire le bien, et nous devons vraiment garder cela dans nos objectifs pendant que nous y réfléchissons. Comment l'utilisons-nous pour faire le bien et améliorer le monde ?"

L'apprentissage automatique est un sous-domaine de l'intelligence artificielle, qui est défini au sens large comme la capacité d'une machine à imiter le comportement humain intelligent. Les systèmes d'intelligence artificielle sont utilisés pour effectuer des tâches complexes d'une manière similaire à la façon dont les humains résolvent les problèmes.

L'objectif de l'IA est de créer des modèles informatiques qui présentent des "comportements intelligents" comme les humains, selon Boris Katz, chercheur principal et responsable du groupe InfoLab au CSAIL. Cela signifie des machines capables de reconnaître une scène visuelle, de comprendre un texte écrit en langage naturel ou d'effectuer une action dans le monde physique.

L'apprentissage automatique est une façon d'utiliser l'IA. Il a été défini dans les années 1950 par le pionnier de l'IA Arthur Samuel comme "le domaine d'étude qui donne aux ordinateurs la capacité d'apprendre sans être explicitement programmés".

La définition est vraie, selon Mikey Shulman, maître de conférences au MIT Sloan et responsable de l'apprentissage automatique chez Kensho, qui se spécialise dans l'intelligence artificielle pour les communautés de la finance et du renseignement américain. Il a comparé la manière traditionnelle de programmer les ordinateurs, ou "logiciel 1.0", à la cuisson, où une recette demande des quantités précises d'ingrédients et dit au boulanger de mélanger pendant une durée exacte. La programmation traditionnelle nécessite également la création d'instructions détaillées que l'ordinateur doit suivre.

Mais dans certains cas, écrire un programme à suivre par la machine prend du temps ou est impossible, comme apprendre à un ordinateur à reconnaître des images de différentes personnes. Bien que les humains puissent effectuer cette tâche facilement, il est difficile de dire à un ordinateur comment le faire. L'apprentissage automatique consiste à laisser les ordinateurs apprendre à se programmer par l'expérience.

L'apprentissage automatique commence par des données - des chiffres, des photos ou du texte, comme des transactions bancaires, des photos de personnes ou même des articles de boulangerie, des enregistrements de réparation, des données de séries chronologiques provenant de capteurs ou des rapports de vente. Les données sont collectées et préparées pour être utilisées comme données de formation, ou les informations sur lesquelles le modèle d'apprentissage automatique sera formé. Plus il y a de données, meilleur est le programme.

À partir de là, les programmeurs choisissent un modèle d'apprentissage automatique à utiliser, fournissent les données et laissent le modèle informatique s'entraîner pour trouver des modèles ou faire des prédictions. Au fil du temps, le programmeur humain peut également modifier le modèle, notamment en modifiant ses paramètres, pour l'aider à obtenir des résultats plus précis. (Le site Web AI Weirdness de la chercheuse Janelle Shane est un regard divertissant sur la façon dont les algorithmes d'apprentissage automatique apprennent et comment ils peuvent se tromper - comme cela s'est produit lorsqu'un algorithme a essayé de générer des recettes et a créé Chocolate Chicken Chicken Cake.)

Certaines données sont conservées à partir des données de formation pour être utilisées comme données d'évaluation, qui testent la précision du modèle d'apprentissage automatique lorsqu'il affiche de nouvelles données. Le résultat est un modèle qui peut être utilisé à l'avenir avec différents ensembles de données.

Les algorithmes d'apprentissage automatique réussis peuvent faire différentes choses, a écrit Malone dans un mémoire de recherche récent sur l'IA et l'avenir du travail qui a été co-écrit par Daniela Rus, professeure au MIT et directrice du CSAIL, et Robert Laubacher, directeur associé du MIT Center for Collective Intelligence.

"La fonction d'un système d'apprentissage automatique peut êtredescriptif, ce qui signifie que le système utilise les données pour expliquer ce qui s'est passé ;prédictif , ce qui signifie que le système utilise les données pour prédire ce qui va se passer ; ouprescriptif, ce qui signifie que le système utilisera les données pour faire des suggestions sur les mesures à prendre », ont écrit les chercheurs.

Il existe trois sous-catégories d'apprentissage automatique :

Supervisé les modèles d'apprentissage automatique sont formés avec des ensembles de données étiquetés, ce qui permet aux modèles d'apprendre et de devenir plus précis au fil du temps. Par exemple, un algorithme serait formé avec des images de chiens et d'autres choses, toutes étiquetées par des humains, et la machine apprendrait à identifier des images de chiens par elle-même. L'apprentissage automatique supervisé est le type le plus couramment utilisé aujourd'hui.

Danssans surveillance machine learning, un programme recherche des modèles dans des données non étiquetées. L'apprentissage automatique non supervisé peut trouver des modèles ou des tendances que les gens ne recherchent pas explicitement. Par exemple, un programme d'apprentissage automatique non supervisé pourrait parcourir les données de vente en ligne et identifier différents types de clients effectuant des achats.

Renforcement L'apprentissage automatique entraîne les machines par essais et erreurs à prendre la meilleure action en établissant un système de récompense. L'apprentissage par renforcement peut entraîner des modèles à jouer à des jeux ou entraîner des véhicules autonomes à conduire en indiquant à la machine quand elle a pris les bonnes décisions, ce qui l'aide à apprendre au fil du temps quelles actions elle doit entreprendre.

Source : Thomas Malone | MIT Sloan. Voir : https://bit.ly/3gvRho2, Figure 2.

Dans le dossier Work of the Future, Malone a noté que l'apprentissage automatique est le mieux adapté aux situations avec beaucoup de données - des milliers ou des millions d'exemples, comme des enregistrements de conversations précédentes avec des clients, des journaux de capteurs de machines ou des transactions ATM. Par exemple, Google Translate a été rendu possible parce qu'il s'est « entraîné » sur la grande quantité d'informations sur le Web, dans différentes langues.

Dans certains cas, l'apprentissage automatique peut permettre d'obtenir des informations ou d'automatiser la prise de décision dans les cas où les humains ne le pourraient pas, a déclaré Madry. "Il peut être non seulement plus efficace et moins coûteux d'avoir un algorithme pour le faire, mais parfois, les humains ne sont littéralement pas capables de le faire", a-t-il déclaré.

La recherche Google est un exemple de quelque chose que les humains peuvent faire, mais jamais à l'échelle et à la vitesse auxquelles les modèles Google sont capables de montrer des réponses potentielles chaque fois qu'une personne tape une requête, a déclaré Malone. "Ce n'est pas un exemple d'ordinateurs qui mettent les gens au chômage. C'est un exemple d'ordinateurs qui font des choses qui n'auraient pas été économiquement réalisables si elles avaient dû être faites par des humains."

L'apprentissage automatique est également associé à plusieurs autres sous-domaines de l'intelligence artificielle :

Traitement du langage naturel

Le traitement du langage naturel est un domaine de l'apprentissage automatique dans lequel les machines apprennent à comprendre le langage naturel tel qu'il est parlé et écrit par les humains, au lieu des données et des nombres normalement utilisés pour programmer les ordinateurs. Cela permet aux machines de reconnaître la langue, de la comprendre et d'y répondre, ainsi que de créer un nouveau texte et de traduire entre les langues. Le traitement du langage naturel permet des technologies familières comme les chatbots et les assistants numériques comme Siri ou Alexa.

Les réseaux de neurones

Les réseaux de neurones sont une classe spécifique et couramment utilisée d'algorithmes d'apprentissage automatique. Les réseaux de neurones artificiels sont calqués sur le cerveau humain, dans lequel des milliers ou des millions de nœuds de traitement sont interconnectés et organisés en couches.

Dans un réseau de neurones artificiels, des cellules, ou nœuds, sont connectées, chaque cellule traitant des entrées et produisant une sortie qui est envoyée à d'autres neurones. Les données étiquetées se déplacent à travers les nœuds, ou cellules, chaque cellule remplissant une fonction différente. Dans un réseau de neurones formé pour identifier si une image contient un chat ou non, les différents nœuds évalueraient les informations et arriveraient à une sortie indiquant si une image présente un chat.

L'apprentissage en profondeur

Les réseaux d'apprentissage en profondeur sont des réseaux de neurones à plusieurs couches. Le réseau en couches peut traiter de grandes quantités de données et déterminer le "poids" de chaque lien du réseau - par exemple, dans un système de reconnaissance d'images, certaines couches du réseau neuronal peuvent détecter des caractéristiques individuelles d'un visage, comme les yeux, le nez ou la bouche, tandis qu'une autre couche serait en mesure de dire si ces caractéristiques apparaissent d'une manière qui indique un visage.

Comme les réseaux de neurones, l'apprentissage en profondeur est calqué sur le fonctionnement du cerveau humain et alimente de nombreuses utilisations de l'apprentissage automatique, comme les véhicules autonomes, les chatbots et les diagnostics médicaux.

"Plus vous avez de couches, plus vous avez de potentiel pour bien faire des choses complexes", a déclaré Malone.

L'apprentissage en profondeur nécessite une grande puissance de calcul, ce qui soulève des inquiétudes quant à sa durabilité économique et environnementale.

L'apprentissage automatique est au cœur des modèles commerciaux de certaines entreprises, comme dans le cas de l'algorithme de suggestions de Netflix ou du moteur de recherche de Google. D'autres entreprises s'engagent profondément dans l'apprentissage automatique, bien que ce ne soit pas leur principale proposition commerciale.

67% des entreprises utilisent l'apprentissage automatique, selon un récent sondage.

D'autres essaient encore de déterminer comment utiliser l'apprentissage automatique de manière bénéfique. "À mon avis, l'un des problèmes les plus difficiles de l'apprentissage automatique consiste à déterminer quels problèmes je peux résoudre avec l'apprentissage automatique", a déclaré Shulman. "Il y a encore un écart dans la compréhension."

Dans un article de 2018, des chercheurs de l'Initiative du MIT sur l'économie numérique ont défini une rubrique de 21 questions pour déterminer si une tâche est adaptée à l'apprentissage automatique. Les chercheurs ont découvert qu'aucune profession ne sera épargnée par l'apprentissage automatique, mais aucune profession n'est susceptible d'être complètement prise en charge par celui-ci. Selon les chercheurs, le moyen de libérer le succès de l'apprentissage automatique était de réorganiser les emplois en tâches discrètes, certaines pouvant être effectuées par apprentissage automatique et d'autres nécessitant un humain.

Les entreprises utilisent déjà l'apprentissage automatique de plusieurs manières, notamment :

Algorithmes de recommandation. Les moteurs de recommandation derrière les suggestions Netflix et YouTube, les informations qui apparaissent sur votre flux Facebook et les recommandations de produits sont alimentés par l'apprentissage automatique. "[Les algorithmes] essaient d'apprendre nos préférences", a déclaré Madry. "Ils veulent savoir, comme sur Twitter, quels tweets nous voulons qu'ils nous montrent, sur Facebook, quelles publicités afficher, quels messages ou contenus aimés partager avec nous."

Analyse d'images et détection d'objets. L'apprentissage automatique peut analyser des images pour différentes informations, comme apprendre à identifier les personnes et à les différencier, bien que les algorithmes de reconnaissance faciale soient controversés. Les utilisations commerciales de cela varient. Shulman a noté que les fonds spéculatifs utilisent l'apprentissage automatique pour analyser le nombre de voitures dans les parkings, ce qui les aide à savoir comment les entreprises fonctionnent et à faire de bons paris.

Détection de fraude . Les machines peuvent analyser des modèles, comme la façon dont quelqu'un dépense normalement ou où il fait normalement ses achats, pour identifier les transactions par carte de crédit potentiellement frauduleuses, les tentatives de connexion ou les spams.

Lignes d'assistance automatiques ou chatbots. De nombreuses entreprises déploient des chatbots en ligne, dans lesquels les clients ne parlent pas aux humains, mais interagissent avec une machine. Ces algorithmes utilisent l'apprentissage automatique et le traitement du langage naturel, les robots apprenant à partir des enregistrements de conversations passées pour proposer des réponses appropriées.

Voitures autonomes.Une grande partie de la technologie derrière les voitures autonomes est basée sur l'apprentissage automatique, en particulier l'apprentissage en profondeur.

Imagerie médicale et diagnostic.Les programmes d'apprentissage automatique peuvent être formés pour examiner des images médicales ou d'autres informations et rechercher certains marqueurs de maladie, comme un outil qui peut prédire le risque de cancer sur la base d'une mammographie.

Lire le rapport : L'intelligence artificielle et l'avenir du travail

Alors que l'apprentissage automatique alimente une technologie qui peut aider les travailleurs ou ouvrir de nouvelles possibilités pour les entreprises, il y a plusieurs choses que les chefs d'entreprise doivent savoir sur l'apprentissage automatique et ses limites.

Explicabilité

L'un des sujets de préoccupation est ce que certains experts appellent l'explicabilité, ou la capacité d'être clair sur ce que font les modèles d'apprentissage automatique et sur la façon dont ils prennent des décisions. "Comprendre pourquoi un modèle fait ce qu'il fait est en fait une question très difficile, et vous devez toujours vous poser cette question", a déclaré Madry. "Vous ne devriez jamais traiter cela comme une boîte noire, cela vient juste comme un oracle… oui, vous devriez l'utiliser, mais essayez ensuite d'avoir une idée des règles empiriques qu'il a élaborées ? Et puis validez-les."

Ceci est particulièrement important car les systèmes peuvent être trompés et sapés, ou simplement échouer sur certaines tâches, même celles que les humains peuvent effectuer facilement. Par exemple, l'ajustement des métadonnées dans les images peut perturber les ordinateurs - avec quelques ajustements, une machine identifie une image d'un chien comme une autruche.

Madry a souligné un autre exemple dans lequel un algorithme d'apprentissage automatique examinant les rayons X semblait surpasser les médecins. Mais il s'est avéré que l'algorithme corrélait les résultats avec les machines qui ont pris l'image, pas nécessairement l'image elle-même. La tuberculose est plus fréquente dans les pays en développement, qui ont tendance à avoir des machines plus anciennes. Le programme d'apprentissage automatique a appris que si la radiographie était prise sur une machine plus ancienne, le patient était plus susceptible d'avoir la tuberculose. Il a terminé la tâche, mais pas de la manière que les programmeurs avaient prévue ou trouveraient utile.

L'importance d'expliquer le fonctionnement d'un modèle - et sa précision - peut varier en fonction de la manière dont il est utilisé, a déclaré Shulman. Alors que la plupart des problèmes bien posés peuvent être résolus grâce à l'apprentissage automatique, a-t-il déclaré, les gens devraient supposer dès maintenant que les modèles ne fonctionnent qu'à environ 95% de la précision humaine. Cela pourrait convenir au programmeur et au spectateur si un algorithme recommandant des films est précis à 95%, mais ce niveau de précision ne serait pas suffisant pour un véhicule autonome ou un programme conçu pour trouver de graves défauts dans les machines.

Biais et résultats inattendus

Les machines sont formées par des humains et les préjugés humains peuvent être incorporés dans des algorithmes - si des informations biaisées ou des données reflétant des inégalités existantes sont transmises à un programme d'apprentissage automatique, le programme apprendra à les reproduire et à perpétuer des formes de discrimination. Les chatbots formés sur la façon dont les gens conversent sur Twitter peuvent capter un langage offensant et raciste, par exemple.

Dans certains cas, les modèles d'apprentissage automatique créent ou exacerbent des problèmes sociaux. Par exemple, Facebook a utilisé l'apprentissage automatique comme outil pour montrer aux utilisateurs des publicités et du contenu qui les intéresseront et les engageront - ce qui a conduit à des modèles montrant aux gens un contenu extrême qui conduit à la polarisation et à la propagation des théories du complot lorsque les gens voient un contenu incendiaire, partisan ou inexact.

Des moyens de lutter contre les préjugés dans l'apprentissage automatique, notamment en examinant attentivement les données de formation et en mettant un soutien organisationnel derrière les efforts éthiques d'intelligence artificielle, comme s'assurer que votre organisation adopte l'IA centrée sur l'humain, la pratique consistant à rechercher l'avis de personnes d'horizons, d'expériences et de modes de vie différents lors de la conception de systèmes d'IA. Les initiatives travaillant sur cette question incluent le projet Algorithmic Justice League et The Moral Machine.

Shulman a déclaré que les dirigeants ont tendance à avoir du mal à comprendre où l'apprentissage automatique peut réellement ajouter de la valeur à leur entreprise. Ce qui est fantaisiste pour une entreprise est au cœur d'une autre, et les entreprises doivent éviter les tendances et trouver des cas d'utilisation commerciale qui fonctionnent pour elles.

La façon dont l'apprentissage automatique fonctionne pour Amazon ne se traduira probablement pas dans une entreprise automobile, a déclaré Shulman. Bien qu'Amazon ait connu du succès avec les assistants vocaux et les haut-parleurs à commande vocale, cela ne signifie pas que les constructeurs automobiles devraient donner la priorité à l'ajout de haut-parleurs aux voitures. Plus probablement, a-t-il dit, le constructeur automobile pourrait trouver un moyen d'utiliser l'apprentissage automatique sur la ligne d'usine qui permet d'économiser ou de gagner beaucoup d'argent.

"Le domaine évolue si rapidement, et c'est génial, mais il est difficile pour les dirigeants de prendre des décisions à ce sujet et de décider de la quantité de ressources à y consacrer", a déclaré Shulman.

Il est également préférable d'éviter de considérer l'apprentissage automatique comme une solution à la recherche d'un problème, a déclaré Shulman. Certaines entreprises pourraient finir par essayer de rétroporter l'apprentissage automatique dans une utilisation professionnelle. Au lieu de commencer par se concentrer sur la technologie, les entreprises devraient commencer par se concentrer sur un problème commercial ou un besoin client qui pourrait être satisfait par l'apprentissage automatique.

Une compréhension de base de l'apprentissage automatique est importante, a déclaré LaRovere, mais trouver la bonne utilisation de l'apprentissage automatique repose en fin de compte sur des personnes ayant des compétences différentes travaillant ensemble. "Je ne suis pas une spécialiste des données. Je ne fais pas le vrai travail d'ingénierie des données - toute l'acquisition, le traitement et les querelles de données pour activer les applications d'apprentissage automatique - mais je le comprends assez bien pour pouvoir travailler avec ces équipes pour obtenir les réponses dont nous avons besoin et avoir l'impact dont nous avons besoin", a-t-elle déclaré. "Il faut vraiment travailler en équipe."

Inscrivez-vous à un cours d'apprentissage automatique en entreprise.

Regardez une introduction à l'apprentissage automatique via MIT OpenCourseWare.

Découvrez comment un pionnier de l'IA pense que les entreprises peuvent utiliser l'apprentissage automatique pour se transformer.

Regardez une discussion avec deux experts en IA sur les progrès et les limites de l'apprentissage automatique.

Découvrez les sept étapes de l'apprentissage automatique.

Lire ensuite : 7 leçons pour des projets d'apprentissage automatique réussis