#ffffff

ADOBE REAL-TIME CDP

Qu’est-ce que le machine learning ?

A man writing on a notepad.

Définition rapide : sous-ensemble de l’intelligence artificielle (IA), le machine learning, également appelé apprentissage automatique, est un système qui permet aux ordinateurs d’accomplir les tâches bien mieux et bien plus rapidement qu’un être humain, en utilisant des modèles dont les performances s’améliorent en proportion des quantités de données qui leur sont allouées.

Alors que beaucoup considèrent le machine learning (ML) comme une technologie évoluée hors de portée, cet outil est étonnamment accessible à nombre d’entreprises. En fait, la plupart des gens utilisent le ML au quotidien, souvent sans s’en rendre compte.

Points à retenir :

Les modèles ML se perfectionnent en « apprenant » des résultats de certaines décisions.
Il existe trois types de ML principaux : l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement.
Il est préférable de faire appel au ML lorsque les volumes de données disponibles sont trop importants pour que l’être humain puisse les analyser, faute de matière grise ou de temps suffisant.
Le ML stimule la productivité en s’acquittant des tâches les plus fastidieuses dévolues aux analystes de données.

Consultez ce guide pour découvrir les principes de fonctionnement du machine learning, les différents types de ML, leurs avantages et inconvénients et l’avenir de cette technologie.

Explorez les différentes sections de cette page

Principes de fonctionnement du machine learning

Le machine learning (ML) est un type de technologie qui facilite l’apprentissage des systèmes informatiques et améliore leurs résultats. Pour que ces contributions soient plus efficaces, il fait appel à des algorithmes, autrement dit des règles de résolution des problèmes.

Dans la plupart des cas, l’introduction de données dans un algorithme sert de moteur au modèle ML, lequel recherche ensuite automatiquement les erreurs dans ses prévisions. Il utilise à cet effet des exemples antérieurs pour effectuer des comparaisons et vérifier certains points. À ce stade, une opératrice ou un opérateur intervient pour accepter ou refuser ces résultats. Plus le modèle de machine learning est entraîné, plus il gagne en efficacité et en précision. À mesure que les modèles ML rassemblent des données et cumulent de l’expérience, ils nécessitent moins d’interventions humaines.

Assimilé à l’IA, le ML en est toutefois différent. Le machine learning consiste à rendre un ordinateur plus intelligent par des itérations progressives, tandis qu’avec l’IA, l’ordinateur se sert de ses connaissances pour accomplir des tâches sans intervention humaine. La principale différence entre ces deux technologies tient au fait que l’IA est capable d’imiter l’intelligence humaine, tandis que le ML se contente de réaliser des tâches basées sur la reconnaissance de schémas.

Types de machine learning

Apprentissage supervisé

L’apprentissage supervisé est un domaine de la science des données utilisant des données étiquetées, assorties d’indications précises sur les résultats attendus. Un modèle est ensuite entraîné à apprendre les fonctions ou les variables qui prédisent les résultats correspondant aux données d’entrée ainsi étiquetées. Par la suite, il peut utiliser les informations tirées des données de sortie pour évaluer ses propres performances et prédire des résultats.

L’apprentissage supervisé englobe deux principaux cas d’usage : la classification et la régression linéaire. La classification prédit une étiquette de classe. Vous pouvez, par exemple, prédire qu’un client ou une cliente donnée coupera les ponts avec une marque en fonction d’attributs tels que son comportement d’achat.

La régression linéaire prédit une étiquette numérique, comme le montant des recettes que vous pensez pouvoir tirer d’un client ou d’une cliente en fonction d’attributs spécifiques. Le résultat est une variable numérique, et non une condition.

L’apprentissage supervisé nécessite un solide modèle de machine learning pour générer des résultats de qualité. Découvrez comment les modèles ML influent sur les différents types de sorties qu’un ordinateur peut générer.

Apprentissage non supervisé

L’apprentissage non supervisé débute par un ensemble de données brutes non étiquetées. Sa vocation première consiste à trouver des liens entre ce jeu de données et les autres points de données servant à alimenter le modèle.

Avec cette méthode, vous identifiez plus facilement des groupes de relations au sein des données, ou clusters, pouvant être utilisés pour créer des segments de clientèle.

Apprentissage par renforcement

L’apprentissage par renforcement commence par l’introduction d’un ensemble de données brutes non étiquetées dans un modèle qui réalise ensuite une action. Sur la base de celle-ci, le modèle reçoit en retour des indications lui précisant s’il a agi correctement ou non, ainsi que les résultats de cette action. Il crée ensuite une autre action et poursuit ainsi son apprentissage jusqu’à complète optimisation.

L’algorithme de recommandation intégré à un service de streaming vidéo tel que Netflix constitue un excellent exemple d’apprentissage par renforcement. Ce service vous propose un film et apprend, selon votre évaluation « J’aime » ou « Pas pour moi », s’il doit continuer ou non à en recommander d’autres du même genre.

Histoire du machine learning

Même si le ML a tout d’une nouvelle technologie, il compte plusieurs dizaines d’années d’existence. Les origines du machine learning tel que nous le connaissons aujourd’hui remontent en effet aux années 1940.

Années 1940

En 1943, Warren McCulloch et Walter Pitts créent le premier réseau de neurones artificiels, qui permet à des calculateurs de communiquer entre eux sans interaction humaine.

Années 1950

Alan Turing met au point le test de Turing pour déterminer si une machine peut se comporter comme un être humain. De nos jours, les scientifiques utilisent toujours ce test pour déterminer si l’être humain est capable de discerner une production humaine d’un résultat généré par une machine.

Années 1960

Thomas Cover et Peter Hart publient l’algorithme des K plus proches voisins (KNN), l’un des premiers algorithmes ML capable d’isoler des schémas dans de vastes quantités de données.

Années 1970

En 1974, Paul Werbos rédige une thèse intitulée The Roots of Backpropagation, qui ouvre la voie à la rétropropagation, une technologie permettant à des réseaux de neurones d’identifier des schémas avec davantage de précision.

Années 1980

Avec l’apprentissage par recherche d’explications, les ordinateurs ont la possibilité d’analyser des données et de s’entraîner dessus, mais aussi d’ignorer celles qui n’ont pas d’importance. Le réseau de neurones artificiels NETtalk apprend également à prononcer correctement des phrases vocalisées à partir d’un texte.

Années 1990

En 1997, IBM stupéfie le monde entier avec son superordinateur Deep Blue, qui terrasse le champion du monde d’échecs en titre. Cette défaite historique montre au monde entier que le machine learning peut rivaliser avec les performances humaines, voire les dépasser.

Années 2000

Torch (aujourd’hui rebaptisée PyTorch), une bibliothèque d’applications open source, s’impose comme la première plateforme ML de grande envergure au monde, rendant le machine learning nettement plus accessible. Au cours des années 2000, les ordinateurs apprennent également à « visualiser » du texte et des images avec l’apprentissage profond (deep learning).

Années 2010

Google développe Google Brain, un réseau de neurones profonds qui catégorise automatiquement les objets. Facebook, Amazon et Microsoft mettent également au point des modèles ML.

Années 2020

En novembre 2022, le chatbot ChatGPT d’OpenAI provoque un véritable tsunami. Cette technologie rend le ML et l’IA accessibles à tous et à toutes et se dote d’une multitude d’usages, de la rédaction de lettres de motivation à l’écriture d’e-mails.

A timeline showing important moments in machine learning history.

Avantages liés à l’utilisation de systèmes de machine learning

Le machine learning est une technologie utile aux entreprises à bien des égards :

Productivité accrue. Plus de 80 % des effectifs salariés estiment que l’IA améliore leurs performances au travail. En automatisant des tâches d’ordinaire allouées à des êtres humains, le ML peut accroître leur productivité.
Simplification de l’expérience client. Les entreprises font appel au ML pour optimiser leurs produits et faciliter ainsi la vie de leur clientèle, laquelle est à 62 % disposée à partager ses données en contrepartie d’une meilleure expérience.
Réduction des erreurs humaines. Le ML automatise les tâches manuelles, souvent propices aux erreurs humaines et aux fautes de frappe. Concrètement, votre entreprise dispose ainsi de données plus épurées, avec de meilleurs insights à la clé.
Disponibilité accrue. Les consommateurs et les consommatrices sont 51 % à attendre des entreprises une accessibilité 24 h/24, 7 j/7. En mettant en œuvre des solutions ML, votre entreprise se tient jour et nuit à la disposition de la clientèle.
Élimination des risques. Le fait d’être prise en défaut de conformité peut coûter des millions à votre entreprise en amendes administratives et en manque à gagner. Fort heureusement, le ML suit des règles prédéfinies pour vous aider à préserver votre conformité à grande échelle.
Réduction des tâches répétitives. Le ML automatise les tâches fastidieuses, comme la saisie de données, afin que votre personnel puisse se consacrer à des activités à plus forte valeur ajoutée. Du reste, 68 % des personnes salariées souhaitent davantage de technologies basées sur l’IA pour les aider à exécuter leurs tâches.
Mise au jour d’insights. Le ML permet de mettre au jour des insights qui échappent souvent à l’intelligence humaine.

Inconvénients des algorithmes de machine learning

L’utilisation de systèmes de machine learning présente quelques inconvénients, à savoir :

Volume de données nécessaires. Pour être efficaces, les modèles ML nécessitent souvent de grandes quantités de données.
Taille du jeu de données. La taille et la qualité d’un jeu de données sont deux critères déterminants dans l’efficacité d’un modèle, et plus les données sont nombreuses, plus il faut de temps pour les étiqueter avec précision en vue de les utiliser avec des méthodes d’apprentissage supervisé.
Combinaison de types de données. Vous devez réfléchir aux différents types de données à ajouter à votre jeu de données pour constituer un modèle robuste, car vous apprenez à la machine à prendre des décisions comme le feraient des êtres humains.
Biais potentiels. Un autre inconvénient du ML a trait à l’éthique, en particulier lorsqu’il est question de deep learning. La plupart de ces modèles ne partageant aucune information sur la manière dont ils prennent des décisions, vous ne savez pas vraiment quels facteurs ils utilisent. Si la qualité du modèle dépend de celle des données dont il se nourrit, ce que vous ignorez peut-être, en revanche, ce sont les types de relations que ce modèle remarquera et si ceux-ci sont moralement acceptables.
Inexactitudes potentielles. Il importe de garder à l’esprit que, même s’il donne des résultats parfois supérieurs à ceux obtenus par l’être humain, le ML n’est pas infaillible. Si votre logique ou vos données comportent des inexactitudes, ces dernières seront reprises par le modèle de machine learning.
Coût. Si vous entendez créer une solution de ML sur mesure, le recrutement de data scientists pour développer ces modèles et les tenir à jour engendre des coûts. En moyenne, les entreprises dépensent de 60 000 à 95 000 dollars pendant les cinq premières années d’utilisation d’un modèle. Néanmoins, en optant pour des solutions comme Adobe Sensei, votre entreprise s’épargnera bon nombre de ces coûts.

Le machine learning n’est certes pas parfait, mais les entreprises peuvent éviter quantité d’inconvénients en choisissant le modèle ML adapté à chaque scénario.

Utilisation du machine learning par les entreprises

Les exemples d’implémentation d’algorithmes ML contribuant à simplifier et à optimiser les ressources d’une entreprise sont légion. C’est notamment le cas lorsque les Big Data, en quantités trop importantes pour pouvoir être exploitées par l’homme, contiennent des informations essentielles susceptibles d’éclairer les décisions de l’entreprise.

Cet avantage n’est cependant pas l’apanage du secteur technologique : 68 % des entreprises à travers le monde utilisent le ML, et il est probable que ce taux continue d’augmenter. Le machine learning offre tellement d’intérêt qu’il gagne actuellement tous les secteurs d’activité.

Santé

Les établissements de santé recourent au ML pour traiter quantité de données sur la patientèle tout en se conformant à la législation relative à la protection des données. Certains, par exemple, font appel au machine learning pour améliorer la précision de l’imagerie diagnostique et détecter ainsi certaines pathologies à un stade précoce. Cette technologie se révèle également fort utile pour la détection des fraudes, l’identification des erreurs et la personnalisation des traitements.

Industrie

De plus en plus d’industriels adoptent le ML pour améliorer la maintenance préventive. Au lieu de gaspiller du temps et de l’argent à assurer la maintenance d’équipements qui n’en ont pas besoin à un instant t, ils recourent au machine learning pour analyser les tendances qui se dégagent des données et optimiser l’entretien des machines.

Ce n’est toutefois pas la seule façon dont les industriels utilisent le machine learning. Ils mettent également cette technologie à profit pour gérer leurs flottes de véhicules semi-autonomes et autonomes.

Divertissement

Possédez-vous un compte Netflix ? Si c’est le cas, vous assistez à une démonstration de ML. Le service de streaming utilise le machine learning pour personnaliser ses vignettes, recommander des films et des émissions, et optimiser sa qualité de diffusion.

Netflix interface which highlights machine learning in practice.

Marketing

Imaginons que votre équipe marketing analyse de nouvelles données relatives aux différents segments de clientèle. Il est difficile de trier les différents attributs de cette dernière pour isoler les segments performants ou déterminer en quoi diffèrent les préférences du Segment de clientèle A de celles du Segment de clientèle B.

Compte tenu des quantités de données à traiter, il est peu probable que votre équipe marketing puisse s’atteler à cette tâche, et encore moins recueillir des insights intéressants. C’est typiquement le genre d’opération dont le ML peut s’acquitter rapidement et bien mieux qu’un être humain.

Faire appel à l’automatisation du machine learning, c’est pouvoir accéder à des insights prédictifs que votre équipe n’aurait sans doute pas trouvé d’elle-même.

Finance

Les robots-conseillers ont le vent en poupe dans le monde de la finance. Par exemple, des services comme Wealthfront recourent au ML et à l’IA pour automatiser la gestion de portefeuille de leur clientèle. Ce faisant, ces établissements financiers réduisent le temps consacré à la gestion des placements de leur clientèle, tout en continuant à faire profiter cette dernière d’actifs sous gestion.

Dynamisez de remarquables expériences client avec le machine learning.

Besoin d’améliorer la segmentation et la personnalisation avec le machine learning (ML) ? Adobe Real-Time CDP peut vous aider.

style

grid width 10

Articles recommandés

https://main--bacom--adobecom.hlx.page/fragments/products/cards/rtcdp

#ffffff

Retour au début