Champ d'étude de l'intelligence artificielle, concerne la conception, l'analyse, le développement et l'implémentation de méthodes permettant à une machine (au sens large) d'évoluer par un processus systématique et ainsi de remplir des tâches difficiles ou problématiques par des moyens algorithmiques plus classiques. Source: Wikipedia

Des exemples que vous pouvez rencontrer dans la vie de tous les jours qui utilisent ce procédé pour améliorer notre mode de vie.

  1. Lorsque vous lisez vos courriels, la détection des "SPAM" (courriers indésirables) est faite automatiquement pour ne pas vous encombrer de contenu dérangeant.

    Un algorithme analyse la composition de vos courriels, son contenu et à l'aide d'un classifieur, calcul le nombre d'occurrences d'un mot (exemple: gagner, gratuit, argent, etc.) dans le contenu pour identifier correctement si le message est à ajouter dans les "SPAM".

  2. Lorsque vous allez chez le médecin et que vous semblez malade, il vous fait un diagnostic médical.

    Celui-ci se base sur vos données médicales (de vos parents et antécédents), un algorithme peut savoir quand vous êtes déjà tombé malade et pourquoi, les différentes données sont croisées pour identifier ce que vous pouvez avoir et prévenir les maladies (exemple: crise cardiaque, diabète, etc.).

  3. Lorsque vous utilisez un outil de messagerie (exemple: Messenger ou Discord), les "chat bots" peuvent être de la partie.

    Un algorithme du traitement naturel des langues est utilisé pour comprendre les phrases qu’on écrit "naturellement" et pour les traduire en "intentions".
    Ces intentions sont utilisées pour répondre au mieux aux requêtes des internautes et le plus rapidement possible pour vous offrir une sensation de proximité avec la page.

blog-customerjourney-allianz

Chatbot Allianz France

Les différences entre :

Deep_Learning_Icons_R5_PNG.jpg

Différence entre intelligence artificielle, apprentissage automatique et apprentissage en profondeur

Qu'est-ce que l'intelligence artificielle ?

L'intelligence artificielle (IA, ou AI en anglais pour Artificial Intelligence) consiste à mettre en œuvre un certain nombre de techniques visant à permettre aux machines d'imiter une forme d'intelligence réelle. L'IA se retrouve implémentée dans un nombre grandissant de domaines d'application. Source: Futura science

l'ensemble de théories et de techniques mises en œuvre en vue de réaliser des ordinateurs capables de simuler l'intelligence. Source: Wikipedia

Qu'est-ce que le deep learning (apprentissage profond) ?

Ensemble de méthodes d'apprentissage automatique tentant de modéliser avec un haut niveau d’abstraction des données grâce à des architectures articulées de différentes transformations non linéaires Source: Wikipedia.

Il s'agit d'un "réseau de neuronnes", une machine virtuelle composée de milliers d'unités (les neurones) qui effectuent chacune de petits calculs simples.
« La particularité, c'est que les résultats de la première couche de neurones vont servir d'entrée au calcul des autres », détaille Yann Ollivier, chercheur en IA au CNRS, spécialiste du sujet. Ce fonctionnement par "couches" est ce qui rend ce type d'apprentissage "profond".

Les réseaux neuronaux sont inspirés par notre compréhension de la biologie de nos cerveaux - toutes ces interconnexions entre les neurones. Mais, contrairement à un cerveau biologique où n'importe quel neurone peut se connecter à un autre neurone à une certaine distance physique. Ces réseaux neuronaux artificiels ont des couches discrètes, des connexions et des directions de propagation de données.

Un réseau de neurones convolutifs (CNN) est une méthode d'apprentissage automatique reposant sur l'apprentissage profond.

images_reseauxneurones

Réseau de neurones

Exemple :
Un système qui détecterait automatiquement l’humeur des gens en fonctions des textes qu’ils publient sur internet.

On réalise un entraînement afin de permettre au réseau de neurones "d’apprendre" à partir d’exemples donnés en entrée du système. Si l’entraînement est correctement réalisé, le réseau est capable de fournir des réponses en sortie très proches des valeurs d’origines du jeu de données d’entraînement.

Tout l’intérêt d'utiliser des réseaux de neurones réside dans la capacité à généraliser à partir du jeu de test. C'est à dire qu'on pourra exécuter notre modèle (de réseau de neurone) sur tous les textes saisis par les gens pour connaître leurs humeur.
Bien sûr il se peut que l'algorithme se trompe occasionnellement, c'est pour cette raison que le Machine Learning existe, sur toute la procédure d'utilisation l'algorithme évolue.

Approche ?

On en entend parler, on souhaite savoir comment ça marche, quels outils utilisés etc.
Pourtant il est difficile d'appréhender la discipline et elle reste très opaque quand on ne la pratique pas, ce qui peut être déroutant voire intimidant.

Si vous souhaitez commencer et en connaître d'avantage, vous pouvez pratiquer avec des tonnes d'algorithmes d'apprentissage automatique en téléchargeant et en installant SciKit-Learn. C'est un framework python qui a des versions "boîte noire" de tous les algorithmes standards.

Comment comprendre l'intelligence artificielle fonctionne et comment entreprendre ce genre de technologie

Type d'algorithme

Un algorithme supervisé fonctionne en deux phases : phase d’apprentissage, traitement des données d'entrée.
Ensuite non supervisés fonctionnent sans phase d’apprentissage et fournissent directement une réponse à partir des données d’entrée. Utilisés en complément des algorithmes supervisés.

Il existe trois manière de faire du machine learning :

  1. Par régression: Ce type d’algorithmes supervisés va trouver une valeur continue (un nombre réel) qui est la prédiction de la valeur d’une nouvelle observation donnée. Par exemple la prédiction de prix de maison en fonction de ses caractéristiques.

  2. Par classification: Ces algorithmes vont classifier une donnée dans une catégorie. Par exemple classifier un courriel en SPAM ou non, décider si une tumeur est maligne ou bénigne. Il s’agit également d’un algorithme supervisé.

  3. Par clustering: Il s’agit d’une famille d’algorithmes non supervisés. Par conséquent, les données n’ont pas d’étiquettes (Non-labeled Data). Il va regrouper les données par similarité. Par exemple, on fournit un ensemble de photos d’animaux (sans qu’on dise de quels animaux il s’agit). Enfin il va regrouper les photos de chats d'un coté et celle des chiens d'un autre etc.

Utilisation

Prevn souhaiterait utiliser le "machine learning" dans le but d'améliorer la demande de leurs clients avec leurs algorithmes.

Exemple :

  • Système catégorisation de campagne (routage intelligent)
  • Réalité augmentée

Conclusion

À mon avis, le plus gros problème avec l'apprentissage automatique est qu'il vit principalement dans le monde universitaire et dans les groupes de recherche commerciaux, il n'est pas encore totalement démocratisé.
Il manque beaucoup d'information concernant les personnes qui aimeraient avoir une compréhension générale sans devenir experts dans ce domaine. Mais ça s'améliore de jour en jour.
Par ailleurs, nous venons de voir les trois grandes familles de catégories du Machine Learning ( Regression, Classification et Clustering).
Désormais, vous saurez plus intuitivement de quelle catégorie il s’agit quand vous serez confronté à un problème d’apprentissage automatique.
Si vous souhaitez débuter un projet correctement vous pouvez suivre ce tutoriel.