L’intelligence artificielle (IA) et l’apprentissage automatique sont à l’origine d’un grand nombre des avancées que nous observons aujourd’hui dans l’industrie technologique. Mais comment les machines sont-elles dotées de la capacité d’apprendre ?
Voici un aperçu de la définition de l’apprentissage automatique, ainsi que quelques exemples d’apprentissage automatique et de la façon dont il peut mal tourner.
Définition de l’apprentissage automatique : Qu’est-ce que l’apprentissage automatique ?
L’apprentissage automatique est une branche de l’informatique qui vise à donner à l’IA la capacité d’apprendre des tâches d’une manière qui imite l’apprentissage humain. Il s’agit notamment de développer des capacités, telles que la reconnaissance d’images, sans que les programmeurs ne codent explicitement l’IA pour qu’elle effectue ces tâches. Au lieu de cela, l’IA est capable d’utiliser des données d’entraînement pour identifier des modèles et faire des prédictions.
Les algorithmes, qui sont un ensemble d’instructions fournies par les programmeurs, fonctionnent avec des ensembles de données d’entraînement pour permettre à l’IA d’apprendre.
Un algorithme peut fournir un ensemble d’étapes qu’une IA peut utiliser pour résoudre un problème – par exemple, apprendre à identifier des photos de chats par rapport à des photos de chiens. L’IA applique le modèle défini par l’algorithme à un ensemble de données comprenant des images de chats et de chiens. Au fil du temps, l’IA apprendra à distinguer les chats des chiens avec plus de précision et de facilité en identifiant certains modèles.
Comment fonctionne l’apprentissage automatique ?
Il existe différentes approches de l’apprentissage automatique, qui se distinguent par le degré de supervision de l’IA. L’apprentissage supervisé, par exemple, comprend des données de formation étiquetées. Cette approche est également connue sous le nom d’apprentissage automatique classique – elle s’appuie sur les humains pour aider l’IA à comprendre les caractéristiques de son ensemble de données.
L’apprentissage automatique non supervisé n’inclut pas de données étiquetées, mais opte plutôt pour un ensemble de données non étiquetées. Cette forme de formation de l’IA, courante dans l’apprentissage automatique profond (un sous-ensemble de l’apprentissage automatique), permet à l’IA d’identifier des modèles et des groupes dans les données grâce aux caractéristiques qu’elle est capable de détecter dans les données. Ce type d’apprentissage automatique s’appuie sur des réseaux neuronaux pour permettre l’apprentissage en profondeur.
En fonction des résultats de la formation, les programmeurs peuvent également modifier l’algorithme pour que l’IA produise le résultat souhaité.
L’apprentissage automatique améliore les technologies telles que les moteurs de recherche, les appareils domestiques intelligents, les services en ligne et les machines autonomes. C’est ainsi que Netflix sait quels films vous avez le plus de chances d’apprécier et que les services de streaming musical peuvent recommander des listes de lecture.
Exemples d’apprentissage automatique de l’IA
L’apprentissage automatique est à l’origine d’une grande partie de l’IA que nous voyons dans notre vie quotidienne. Les algorithmes de recommandation sont une forme populaire d’apprentissage automatique que l’on retrouve sur les services de streaming et les sites de médias sociaux. Ces plateformes utilisent l’IA pour prédire ce que vous pourriez aimer voir sur la base des données collectées à partir de votre profil.
L’apprentissage automatique est également utilisé pour créer une IA générative et de grands modèles de langage, l’IA dans des outils tels que Bing Chat reposant sur des quantités massives de données d’entraînement.
Pourquoi l’apprentissage automatique ne fonctionne pas
L’apprentissage automatique a des conséquences inattendues pour plusieurs raisons. Il s’agit notamment de problèmes liés à la collecte de données, aux données fournies et à la manière dont les gens utilisent les outils d’IA.
En ce qui concerne les données, le mantra « junk in, junk out » s’applique. Si les données fournies à l’IA sont limitées, biaisées ou de mauvaise qualité, l’IA aura une portée limitée ou sera biaisée.
Mais même si les programmeurs obtiennent des données correctes, les gens peuvent mettre des bâtons dans les roues. Les créateurs de logiciels ne se rendent souvent pas compte de l’utilisation malveillante ou égoïste qu’ils peuvent faire de leur technologie. Les « deepfakes » sont issus de la technologie utilisée pour améliorer les effets spéciaux au cinéma, mais ils peuvent également être utilisés pour tromper les gens.
Plus récemment, des personnes ont jailbreaké des chatbots pour obtenir des résultats qui vont à l’encontre des conditions de service de la plateforme.
Des personnes s’efforcent d’améliorer les garanties entourant la technologie d’apprentissage automatique afin d’empêcher toute utilisation malveillante. Mais certains craignent que le développement des outils dépasse la capacité de la société à s’y adapter.
Les algorithmes d’apprentissage automatique peuvent nous aider
L’apprentissage automatique est utilisé dans de puissants outils d’IA qui alimentent nos recommandations et nos résultats de recherche en ligne, et constitue l’épine dorsale de l’IA générative et des grands modèles de langage.
Cependant, les résultats des algorithmes d’apprentissage automatique dépendent de la qualité de leurs ensembles de données.