Qu'est-ce que l'apprentissage automatique ?

Pour acquérir une compétence, nous devons acquérir des connaissances, nous entraîner soigneusement et surveiller nos performances. Au final, on devient meilleur dans cette activité. L'apprentissage automatique est une technique qui permet aux ordinateurs de faire exactement cela.

Les ordinateurs peuvent-ils apprendre ?

Déterminer l'intelligence est difficile. Nous savons tous ce que nous entendons par intelligence lorsque nous le disons, mais la décrire est un problème. Indépendamment de l'émotion et de la conscience de soi, une description de travail peut être la capacité d'acquérir de nouvelles compétences, d'absorber des connaissances et de les appliquer à de nouvelles situations pour obtenir le résultat souhaité.

Compte tenu de la difficulté de définir l'intelligence, définir une IA ne serait pas plus facile. Alors, on se leurre un peu. Si un ordinateur est capable de faire quelque chose qui nécessite normalement un raisonnement et une intelligence humains, nous dirions qu'il utilise l'intelligence artificielle.

Par exemple, des gadgets parlants intelligents tels que Amazon Echo Et Google Nest entend nos instructions vocales, interprète les sons comme des mots, extrait le sens des mots, puis tente de répondre à notre demande. On peut lui demander Jouer de la musique Ou répondez à une question ou tamisez les lumières.

Dans toutes les interactions sauf les plus simples, vos commandes vocales sont transmises à des ordinateurs puissants dans les nuages ​​des fabricants, où l'intelligence artificielle est mise en œuvre. La commande est analysée, le sens est extrait, la réponse est préparée et renvoyée au haut-parleur intelligent.

L'apprentissage automatique sous-tend la majorité des systèmes d'IA avec lesquels nous interagissons. Certains de ces articles se trouvent dans votre maison, comme les appareils intelligents, et d'autres font partie des services que nous utilisons en ligne. utilisé Recommandations Vidéo sur YouTube, Netflix, listes de lecture automatiques sur Spotify, apprentissage automatique. Les moteurs de recherche s'appuient sur l'apprentissage automatique et les achats en ligne utilisent l'apprentissage automatique pour vous proposer des suggestions d'achat en fonction de votre historique de navigation et de votre historique d'achat.

Les ordinateurs peuvent accéder à des ensembles de données massifs. Il peut répéter inlassablement des opérations des milliers de fois dans l'espace qu'il faudrait à un humain pour effectuer une itération - si un humain pouvait le faire une fois. Par conséquent, si l'apprentissage nécessite des connaissances, de la pratique et des commentaires sur les performances, un ordinateur devrait être le candidat idéal.

Cela ne signifie pas qu'un ordinateur sera vraiment capable de penser au sens humain, ou de comprendre et de percevoir comme nous le faisons. Mais il apprendra et s'améliorera avec la pratique. Un système d'apprentissage machine habilement programmé peut faire une bonne impression d'une entité consciente.

Nous avions l'habitude de demander : « Les ordinateurs peuvent-ils apprendre ? » Cela s'est finalement transformé en une question plus pratique. Quels défis d'ingénierie doivent être surmontés pour permettre aux ordinateurs d'apprendre ?

Réseaux de neurones et réseaux de neurones profonds

Les cerveaux des animaux contiennent des réseaux de neurones. Les neurones peuvent envoyer des signaux à travers la synapse vers d'autres neurones. Ce petit acte - répété des millions de fois - conduit à nos processus de pensée et à nos souvenirs. Parmi les nombreux éléments constitutifs, la nature a créé des esprits conscients et la capacité de penser et de se souvenir.

Inspirés des réseaux de neurones biologiques, les réseaux de neurones artificiels ont été créés pour imiter certaines propriétés de leurs homologues organiques. Depuis les années XNUMX, du matériel et des logiciels avec des milliers ou des millions de nœuds ont été développés. Les ganglions, comme les neurones, reçoivent des signaux d'autres ganglions. Il peut également générer des signaux pour alimenter d'autres nœuds. Les nœuds peuvent accepter les entrées de nombreux nœuds et leur envoyer des signaux simultanément.

Si un animal conclut que les insectes volants jaunes et noirs lui donnent toujours une mauvaise morsure, il évitera tous les insectes volants jaunes et noirs. L'aéroglisseur en profite. Il est jaune et noir comme une guêpe, mais il n'a pas de dard. Les animaux qui se sont emmêlés avec des guêpes et ont appris une leçon douloureuse donnent également une large place à l'aéroglisseur. Il voit un insecte volant avec une palette de couleurs étonnante et décide qu'il est temps de se retirer. Le fait qu'un insecte puisse planer - et qu'une guêpe ne le puisse pas - n'est pas pris en compte.

L'importance des voies respiratoires, des bourdonnements, des couleurs jaunes et noires va au-delà de tout le reste. L'importance de ces signaux est appelée la pondération de cette information. Les réseaux de neurones artificiels peuvent également utiliser le poids. Un nœud n'a pas besoin de considérer toutes ses entrées comme égales. Il peut préférer certains signes à d'autres.

L'apprentissage automatique utilise des statistiques pour trouver des modèles dans des ensembles de données entraînés. L'ensemble de données peut contenir des mots, des nombres, des images, des interactions utilisateur telles que des clics sur un site Web ou tout autre élément pouvant être capturé et stocké numériquement. Le système doit caractériser les éléments clés de la requête, puis les faire correspondre aux modèles qu'il a détectés dans l'ensemble de données.

Si elle essaie d'identifier une fleur, elle devra connaître la longueur de la tige, la taille et le motif des feuilles, la couleur et le nombre de pétales, etc. En fait, vous aurez besoin de beaucoup plus de faits que ceux-là, mais dans notre exemple simple, nous les utiliserons. Une fois que le système connaît ces détails sur l'échantillon de test, il démarre un processus de prise de décision qui produit une correspondance à partir de son ensemble de données. De manière impressionnante, les systèmes d'apprentissage automatique créent eux-mêmes l'arbre de décision.

Le système d'apprentissage automatique apprend de ses erreurs en mettant à jour ses algorithmes pour corriger les défauts de sa logique. Les réseaux de neurones les plus complexes sont les réseaux de neurones profonds. Conceptuellement, ces réseaux de neurones sont constitués d'un très grand nombre de réseaux de neurones situés en couches les unes au-dessus des autres. Ce système donne la possibilité de détecter et d'utiliser même de petits modèles dans ses processus de prise de décision.

Les couches sont couramment utilisées pour fournir une pondération. Les couches dites cachées peuvent jouer le rôle de couches "spécialisées". Ils fournissent des signaux pondérés sur une seule caractéristique du sujet de test. Notre exemple d'identification de fleurs pourrait utiliser des couches cachées dédiées à la forme des feuilles, à la taille des boutons ou à la longueur des étamines.

Différents types d'apprentissage automatique

Il existe trois grandes techniques utilisées pour former les systèmes d'apprentissage automatique : l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement.

Enseignement supervisé

L'apprentissage supervisé est la forme d'apprentissage la plus répandue. Ce n'est pas parce qu'elle est intrinsèquement supérieure aux autres technologies. Cela a plus à voir avec l'adéquation de ce type d'apprentissage aux ensembles de données utilisés dans les systèmes d'apprentissage automatique en cours d'écriture aujourd'hui.

Dans l'apprentissage supervisé, les données sont classées et organisées de manière à définir les critères utilisés dans le processus de prise de décision du système d'apprentissage automatique. C'est le type d'apprentissage utilisé dans les systèmes d'apprentissage automatique derrière les suggestions de listes de lecture YouTube.

Enseignement non supervisé

L'apprentissage non supervisé ne nécessite pas de préparation des données. Les données ne sont pas classifiées. Le système scanne les données, détecte ses modèles et dérive ses paramètres de fonctionnement.

Des techniques d'apprentissage non supervisé ont été appliquées à la cybersécurité avec des taux de réussite élevés. Les systèmes de détection d'intrus optimisés grâce à l'apprentissage automatique peuvent détecter l'activité réseau non autorisée d'un intrus, car elle ne correspond pas aux modèles de comportement précédemment observés des utilisateurs autorisés.

améliorer l'apprentissage

L'apprentissage par renforcement est la dernière des trois technologies. En termes simples, un algorithme d'apprentissage par renforcement utilise des essais et des erreurs et des commentaires pour arriver à un modèle de comportement optimal pour atteindre un objectif spécifique.

Cela nécessite un retour d'information de la part des humains qui « enregistrent » les efforts du système selon que son comportement a un effet positif ou négatif sur l'atteinte de son objectif.

Le côté pratique de l'intelligence artificielle

Parce qu'il est si répandu et a des succès démontrables dans le monde réel - y compris des succès commerciaux - que l'apprentissage automatique a été surnommé "le côté pratique de l'IA". C'est une entreprise énorme, et il existe de nombreux cadres commerciaux évolutifs qui vous permettent d'intégrer l'apprentissage automatique dans vos processus ou produits de développement.

Si vous n'avez pas un besoin immédiat de ce type de puissance de feu mais que vous souhaitez rechercher un système d'apprentissage automatique dans un langage de programmation convivial comme Python, il existe également d'excellentes ressources gratuites pour cela. En fait, il se développera avec vous s'il développe un intérêt ou un besoin commercial supplémentaire.

• Torche Il s'agit d'un framework d'apprentissage automatique open source connu pour sa vitesse.
• Scikit-Apprendre Il s'agit d'un ensemble d'outils d'apprentissage automatique, notamment à utiliser avec Python.
• Caffe Il s'agit d'un framework d'apprentissage profond, spécifiquement spécialisé dans le traitement d'images.
• Keras Il s'agit d'un framework d'apprentissage en profondeur avec une interface Python.