Tout connaître de l’apprentissage machine (AM)

Qu’est-ce que l’AM ?

Il n’est pas facile d’établir une définition claire de l’apprentissage machine. Également désigné par son acronyme, AM, il s’agit d’un type d’intelligence artificielle qui permet aux machines d’apprendre à partir de données, sans que cet apprentissage soit explicitement programmé. Cela est rendu possible par l’optimisation des paramètres du modèle (des variables internes) au moyen de calculs, de sorte que les comportements modélisés reflètent les données ou l’expérience acquise. Ensuite, l’algorithme d’apprentissage met continuellement à jour les valeurs paramétrées au fil de l’apprentissage, ce qui permet au modèle d’AM d’apprendre et de formuler des prédictions ou de prendre des décisions fondées sur la science des données.

Les applications d’apprentissage machine sont très diverses et concernent un grand nombre d’industries, comme la santé, la finance, le marketing ou encore le transport. Dans la pratique, les modèles d’apprentissage machine sont déjà employés dans plusieurs domaines, comme la reconnaissance d’image, le traitement du langage naturel, la détection de la fraude, les systèmes de recommandation, les véhicules autonomes et la médecine personnalisée.

D’une manière générale, l’apprentissage machine joue un rôle primordial en ce qu’il permet aux ordinateurs d’apprendre à partir de l’expérience et de données afin d’améliorer la performance de certaines tâches spécifiques sans devoir programmer cet apprentissage. Cette technologie a le potentiel de révolutionner de nombreuses industries en permettant l’automatisation de processus complexes, la formulation de prédictions et la prise de décisions intelligentes par l’analyse de gigantesques volumes d’informations.

Comment différencier l’apprentissage machine de l’apprentissage profond et des réseaux de neurones ?

L’apprentissage profond est un sous-domaine de l’apprentissage machine et consiste à entraîner des réseaux de neurones artificiels. Constitués de plusieurs couches, les réseaux de neurones s’inspirent de la structure et du fonctionnement du cerveau humain. À l’instar de notre cerveau, ils s’articulent autour de nœuds interconnectés (neurones) qui transmettent des signaux.

Ces algorithmes complexes excellent dans la reconnaissance d’image et vocale, le traitement du langage naturel et bien d’autres domaines, grâce à leur capacité à extraire automatiquement des caractéristiques à partir de données brutes en passant par plusieurs couches d’abstraction. L’apprentissage profond peut traiter des ensembles de données à une très grande échelle, à partir d’entrées à haute dimensionnalité. Pour y parvenir, il doit être associé à une grande puissance de calcul et un entraînement intensif.

Comment fonctionne l’apprentissage machine ?

La première étape de l’apprentissage machine consiste à collecter des données pertinentes pouvant provenir de sources telles que des bases de données, des capteurs ou encore de l’Internet.

• Retraitement des données : une fois les données collectées, elles doivent être retraitées pour en garantir la qualité et en permettre l’analyse.
• Entraînement du modèle : l’étape suivante consiste à entraîner un modèle d’apprentissage machine, c’est-à-dire un algorithme ou une représentation mathématique qui apprend à formuler des prédictions ou à prendre des décisions à partir de données d’entrée.
• Sélection des caractéristiques et technique : le modèle d’apprentissage machine sélectionne ensuite les caractéristiques les plus pertinentes à partir des données d’entrée qui produiront le plus d’impact sur la performance du modèle.
• Évaluation et optimisation du modèle : une fois le modèle entraîné, il doit être évalué pour en mesurer la performance et déterminer s’il répond aux critères fixés.
• Déploiement et suivi : au terme des processus réussis d’entraînement et d’évaluation, le modèle peut être déployé dans des applications d’apprentissage machine du monde réel.

Modèles d’apprentissage machine

L’apprentissage machine repose sur des sciences informatiques existantes, et s’appuie largement sur la statistique, la théorie de probabilité et des techniques d’optimisation. Il existe trois principaux types de modèles d’apprentissage machine :

L’apprentissage supervisé

Utilisé pour prédire des résultats ou classer des données, l’apprentissage machine supervisé s’appuie sur des jeux de données d’entraînement étiquetés. Au fur et à mesure que les données d’entrée alimentent le modèle AM, il est procédé à une pondération jusqu’à ce que le modèle soit correctement ajusté dans le cadre du processus de validation croisée. Ce modèle est utilisé dans des domaines tels que la reconnaissance faciale, la détection d’objets ou le contrôle de la qualité.

L’apprentissage non supervisé

Contrairement à l’apprentissage supervisé, l’apprentissage non supervisé utilise des jeux de données non étiquetés. Son objectif est d’apprendre aux modèles d’AM à détecter des modèles ou des structures cachés sans intervention humaine. L’apprentissage non supervisé est ainsi utilisé par les entreprises pour la segmentation de la clientèle, les stratégies de vente croisée ou l’analyse des données.

L’apprentissage par renforcement

Bien que similaire à l’apprentissage supervisé, l’apprentissage par renforcement repose sur l’expérimentation et les enseignements tirés des erreurs. Sans données d’entraînement étiquetées, l’apprentissage par renforcement entraîne les modèles d’AM à formuler les meilleures recommandations sur la base d’une série de résultats positifs.

Différences entre un modèle d’apprentissage machine et un algorithme d’apprentissage machine

Un modèle d’apprentissage machine est, par essence, un produit final. Il est défini comme une représentation du processus d’un algorithme d’apprentissage machine lorsque celui-ci est appliqué à un jeu de données. Son objectif est de généraliser le traitement à n’importe quel ensemble de données d’apprentissage plutôt que de simplement mémoriser les exemples sur lesquels il a été entraîné. En d’autres termes, le modèle est un outil qui peut être utilisé pour prédire des résultats et identifier des modèles.

L’algorithme d’apprentissage machine est, en revanche, la technique utilisée pour entraîner un modèle d’apprentissage machine. Il existe un certain nombre d’algorithmes (régression linéaire, machines à vecteurs de support, réseaux neuronaux profonds) et chacun possède ses propres formulations et complexités. Pour autant, l’objectif final de toutes ces méthodes est identique : réduire la marge d’erreur entre les prédictions du modèle et le résultat cible des jeux de données d’apprentissage.

Dans un système de classification d’images, par exemple, le modèle d’apprentissage machine est la fonction mathématique qui identifie si une image contient un chat ou un chien, après avoir assimilé des modèles à partir des données d’apprentissage. L’algorithme d’apprentissage machine est la méthode utilisée pour entraîner ce modèle, en optimisant ses paramètres afin d’améliorer la précision de la classification. Une fois entraîné, le modèle peut être utilisé pour classer de nouvelles images inédites selon qu’il s’agit d’un chat ou d’un chien.

Comment évaluer les modèles d’AM ?

L’entraînement d’un modèle d’AM n’est que la première étape du processus. La vraie question est de savoir s’il peut fonctionner de manière fiable lorsqu’il se retrouve confronté à de nouvelles données inédites. Pour tester cette capacité, on divise généralement les données en deux ensembles : l’un pour l’apprentissage (utilisé pour entraîner le modèle) et l’autre pour le test (utilisé pour évaluer ses performances sur des données qu’il n’a jamais vues auparavant). Cela permet ainsi de déterminer si le système a suffisamment appris de modèles ou s’il se contente de reproduire ce qu’on lui a déjà montré.

Pour mesurer la performance, on utilise une série de paramètres en fonction de la tâche. Pour la classification, on peut notamment citer l’exactitude, la précision, la mémoire et le score F1. Pour la régression, on mesurera par exemple l’erreur quadratique moyenne. D’autres techniques comme la validation croisée, qui consiste à diviser plusieurs fois les données afin de les tester de différentes manières, permettent de se faire une meilleure idée du comportement réel du modèle d’AM.

Mais l’évaluation n’est pas qu’une question de chiffres. Pour vraiment comprendre les performances d’un modèle, il convient d’examiner sa méthode d’apprentissage, et de savoir s’il restera pertinent au-delà des données d’entraînement. Ce qui nous amène à deux concepts fondamentaux de l’apprentissage machine : le surapprentissage et la généralisation.

Qu’est-ce que le surapprentissage ?
On parle de surapprentissage lorsqu’un modèle d’AM apprend trop bien les données d’entraînement qu’on lui a fournies, y compris les coquilles et irrégularités, plutôt que d’identifier les modèles sous-jacents. En pratique, le modèle « mémorise » les données d’entraînement au lieu d’apprendre à généraliser à partir de celles-ci. Ce genre de situation peut conduire à des résultats impressionnants pendant l’entraînement, mais mener à des performances médiocres lorsqu’on expose le modèle à de nouvelles données. Ainsi, le surapprentissage est un signal qui indique clairement que le modèle a peu de chances de se montrer fiable en conditions réelles.

Pourquoi la généralisation est-elle si importante ?
La généralisation est la capacité d’un modèle d’apprentissage machine à appliquer ce qu’il a appris à des données nouvelles et inédites. C’est ce qui permet à un modèle de passer de la théorie à la pratique. Un modèle d’AM qui sait bien généraliser fournit des prédictions cohérentes et précises en dehors de son environnement d’entraînement. La recherche de cet équilibre (apprendre suffisamment pour saisir des modèles significatifs, mais pas trop pour que le modèle devienne trop spécifique) constitue un concept essentiel de l’efficacité de l’apprentissage machine.

En fin de compte, l’évaluation ne se limite pas à la mesure des performances. Il s’agit de s’assurer que le modèle peut fonctionner dans le monde réel.

Applications pratiques de l’apprentissage machine

C’est cette capacité à obtenir des résultats fiables au-delà des données d’entraînement qui permet à l’apprentissage machine de passer de la théorie à un véritable impact dans le monde réel. Aujourd’hui, il est intégré dans de nombreuses technologies et services que l’on utilise au quotidien, souvent sans même s’en rendre compte.

Grâce à l’entraînement pas les données, l’identification des modèles et l’accélération de la prise de décisions, l’apprentissage machine remodèle le mode de fonctionnement des organisations et la fourniture de leurs services. Ses applications sont très variées et se développent rapidement dans tous les secteurs.

Parmi les applications les plus courantes de l’apprentissage machine, on peut citer celles-ci :

• Soins de santé : l’apprentissage machine facilite l’analyse des images médicales, comme les radiographies et les IRM, ce qui permet de détecter les maladies à un stade plus précoce et d’améliorer la précision du diagnostic.
• Finances : les banques et institutions financières utilisent l’apprentissage machine pour détecter les transactions frauduleuses, évaluer les risques de crédit et automatiser la prise de décision.
• Commerce de détail et commerce électronique : les plateformes en ligne utilisent des algorithmes d’apprentissage machine pour recommander des produits, personnaliser l’expérience des utilisateurs et optimiser les stocks en fonction des modèles de demande.
• Transport : l’apprentissage machine aide à prévoir la demande, à optimiser les itinéraires et à permettre une tarification dynamique des services de mobilité et de logistique.
• Fabrication : la maintenance prédictive alimentée par l’apprentissage machine aide à anticiper les défaillances des équipements, ce qui réduit les temps d’arrêt et les coûts opérationnels.
• Divertissement : les services de streaming comme Netflix et Spotify utilisent des modèles d’apprentissage machine pour adapter les recommandations de contenu aux préférences de chacun.
• Service client : les assistants virtuels et les chatbots s’appuient sur l’apprentissage machine pour fournir des réponses rapides et personnalisées afin d’améliorer l’expérience des utilisateurs.

Quels sont les avantages de l’apprentissage machine ?

Ces exemples illustrent un changement plus large : l’apprentissage machine n’est plus une technologie émergente, mais une réalité opérationnelle, qui façonne le fonctionnement des systèmes et le processus de prise de décisions à grande échelle. Il offre un large éventail d’avantages dans tous les secteurs, ce qui aide les organisations à passer des données à la connaissance, puis de la connaissance à l’action.

Les avantages de l’apprentissage machine se divisent en trois principaux domaines :

Amélioration de l’efficacité et de l’automatisation

L’un des avantages les plus immédiats de l’apprentissage machine est sa capacité d’automatisation des tâches répétitives et fastidieuses. Les algorithmes d’apprentissage machine peuvent traiter les données à grande échelle, identifier les inefficacités et optimiser les flux de travail avec une intervention humaine minimale.

Cela permet une allocation plus efficace des ressources, une réduction des coûts opérationnels et l’attribution d’activités à plus forte valeur ajoutée aux équipes humaines. Dans des domaines tels que la fabrication, la logistique ou les RH, l’apprentissage machine contribue à rationaliser les processus, de la maintenance prédictive au recrutement, en passant par la planification.

Amélioration de la compréhension et de la prise de décision

L’apprentissage machine excelle dans l’analyse d’ensembles de données complexes et l’identification de modèles qui seraient difficiles à détecter avec des méthodes traditionnelles. En transformant les données en informations exploitables, l’apprentissage machine favorise une prise de décision plus éclairée et tournée vers l’avenir.

Les capacités prédictives en sont un élément essentiel. Les algorithmes d’apprentissage machine peuvent anticiper les tendances, les comportements et les risques sur la base de données historiques, ce qui permet aux organisations d’agir de manière proactive, que ce soit en matière de prévisions financières, de planification de la demande ou de gestion des risques.

Transformation de l’expérience utilisateur et des services

L’apprentissage machine joue également un rôle central dans l’interaction des utilisateurs avec les produits et services. Grâce à l’analyse des préférences et des comportements, il permet des expériences hautement personnalisées : recommandations de produits, contenu sur mesure, interactions en temps réel, etc.

En parallèle, il améliore la prestation de services grâce à des applications telles que les chatbots, les systèmes de détection des fraudes et les diagnostics médicaux. Dans chaque cas, l’apprentissage machine permet d’améliorer la rapidité, la précision et la réactivité des services aux besoins individuels.

L’apprentissage machine sous surveillance : risques, impacts et contrôles

Les avantages de l’apprentissage machine deviennent de plus en plus évidents, tout comme les responsabilités qui en accompagnent l’utilisation. Le rôle croissant des modèles d’AM dans la prise de décision implique que leur impact s’étend désormais non seulement à la performance technique, mais aussi à des considérations sociétales et organisationnelles plus larges. Si l’apprentissage machine a le pouvoir de favoriser l’efficacité et l’innovation, un développement et un déploiement irréfléchis peuvent aussi favoriser les risques. Il est donc essentiel de relever ces défis afin que ces systèmes restent fiables, équitables et dignes de confiance.

Dans la pratique, les risques tendent à émerger à deux niveaux : dans l’impact de l’apprentissage machine sur les individus, et dans son impact plus large sur les systèmes et la société.

Impacts sur les personnes

Au niveau individuel, certaines des préoccupations les plus pressantes concernent les méthodes de prise de décision des systèmes d’AM et leur impact sur les personnes.

• Partialité et équité : Les modèles d’AM peuvent apprendre et renforcer involontairement des préjugés présents dans leurs données d’entraînement. Il peut en résulter des résultats qui manquent d’impartialité : systèmes de reconnaissance faciale peu performants pour certains groupes démographiques, ou algorithmes d’embauche favorisant les candidats issus de milieux spécifiques. Pour remédier à ces préjugés, il faut sélectionner les données avec soin, procéder à des audits réguliers et assurer un contrôle continu.
• Transparence et explicabilité : De nombreux modèles d’AM avancés, en particulier ceux à réseaux de neurones profonds, fonctionnent comme des « boîtes noires », ce qui rend leurs processus de prise de décision difficiles à comprendre ou à remettre en question. Cela peut miner la confiance, en particulier dans des domaines où les enjeux sont importants, comme les soins de santé ou la justice pénale.
• Respect de la vie privée : Les systèmes d’apprentissage machine s’appuient souvent sur de grands ensembles de données qui peuvent contenir des informations personnelles sensibles. En l’absence des garanties adéquates, il existe un risque d’utilisation abusive ou d’exposition involontaire.

Impacts sur les systèmes et la société

Au-delà du niveau individuel, l’apprentissage machine soulève également des risques systémiques plus larges.

• Sécurité et attaques : Les modèles d’AM peuvent être vulnérables à une manipulation ciblée, où de petites modifications des données d’entrée conduisent à des prédictions incorrectes. Cet aspect est particulièrement important pour les applications sensibles à la sécurité (par ex. les véhicules autonomes ou les services financiers).
• Impact social et économique : L’utilisation croissante de l’apprentissage machine pourrait bien transformer les marchés du travail. S’il crée de nouvelles opportunités, il peut aussi entraîner des déplacements d’emplois dans certains secteurs et, s’il n’est pas géré avec soin, contribuer à l’aggravation des inégalités.

Conscientes de ces défis, les organisations doivent accorder une importance toute particulière au contrôle et à la gouvernance des systèmes d’apprentissage machine. Il convient notamment d’améliorer la transparence, d’atténuer les préjugés et de renforcer la protection des données dans le cadre d’une approche plus structurée. Les Normes internationales soutiennent cet effort, car elles fournissent un cadre d’élaboration et de gestion de systèmes d’apprentissage machine d’une manière cohérente, fiable et adaptée à une utilisation dans le monde réel.

Maintenir l’apprentissage machine sur la bonne voie : le rôle des normes

Maintenant que leur application dans le monde réel est devenue une réalité, le défi de l’apprentissage machine consiste non seulement à élaborer des modèles, mais aussi à s’assurer de leur fonctionnement fiable au fil du temps. Les données peuvent évoluer, les modèles changer et les performances se dégrader, ce qui signifie que même de petites erreurs peuvent avoir des conséquences importantes. Sans structure claire, il est difficile de maintenir la confiance.

Les Normes internationales peuvent fournir cette structure. Elles définissent une approche commune de conception, de déploiement et de suivi des systèmes d’apprentissage machine, ce qui permet de garantir non seulement d’atteindre les performances désirées, mais aussi de les maintenir dans le temps. En apportant plus de clarté à la gouvernance des données, au développement de modèles et à la supervision du système, elles contribuent à renforcer la fiabilité et permettent de généraliser le déploiement de l’apprentissage machine en toute confiance.

En collaboration avec la Commission électrotechnique internationale (IEC), l’ISO a publié un certain nombre de normes relatives à l’apprentissage machine grâce au travail de son groupe d’experts dédié à l’intelligence artificielle (ISO/IEC JTC 1/SC 42). La plus récente sur le sujet est la norme ISO/IEC 23053, qui fournit un cadre applicable aux systèmes d’IA utilisant l’apprentissage machine.

• ISO/IEC 23053:2022Cadre pour les systèmes d'IA qui utilisent l'apprentissage machine
• ISO/IEC 42001:2023Intelligence artificielle – Système de management
• ISO/IEC 23894:2023Intelligence artificielle – Recommandations relatives au management du risque

Brève histoire de l’apprentissage machine

Pour répondre pleinement à la question « qu’est-ce que l’apprentissage machine ? », nous devons en retracer brièvement les étapes. Les origines de l’AM remontent aux années 1950. Depuis ses premières itérations jusqu’à l’émergence de la technologie actuelle en constante évolution, l’AM a été façonné – et continue de l’être – par des décennies d’avancées et d’échecs.

Des débuts modestes (années 1950-1960)

Arthur Samuel, pionnier dans le secteur de l’intelligence artificielle, crée le premier programme d’apprentissage machine en 1950. En écrivant le premier programme informatique pouvant jouer aux dames, il a démontré que les ordinateurs étaient capables d’apprendre. Toutefois, il ne s’agissait pas d’un programme explicitement conçu pour exécuter des commandes spécifiques. Ce programme pouvait tirer des leçons des erreurs commises et des coups gagnants pour améliorer ses performances. C’est lui qui inventera plus tard le terme « apprentissage machine » et le définira comme « le champ d’étude qui donne aux ordinateurs la capacité d’apprendre sans être explicitement programmés à apprendre. »

Huit ans plus tard seulement, en 1958, Frank Rosenblatt présente le Perceptron, un modèle simplifié de neurone artificiel. Cet algorithme, en capacité d’apprendre à détecter des modèles dans les données, constitue la première itération d’un réseau neuronal artificiel. Evgenii Lionudov et Aleksey Lyapunov vont enrichir ces innovations dans les années 1960 grâce à leurs travaux sur les algorithmes de rétropropagation et la théorie de l’apprentissage machine. Dans les années 1980 fut créé un algorithme capable de former efficacement des réseaux neuronaux multicouches.

Les années perdues (années 1960-1970)

L’ouvrage Perceptrons de Marvin Minskey et Seymour Papert, publié en 1969, a mis en lumière les limites des réseaux neuronaux. Combiné à une puissance de calcul limitée, au manque de données disponibles et à d’autres facteurs, ce livre important a involontairement contribué au premier « hiver de l’IA », marqué par un assèchement des financements et un faible intérêt pour la recherche dans ce domaine.

La renaissance (années 1980-1990)

John Hopfield va mettre fin à cette période de disette de l’IA avec l’introduction de son réseau neuronal récurrent – le réseau Hopfield – en 1982. Dans le sillage de cette découverte, David Rumelhart, Geoffrey Hinton, Ronald Williams et bien d’autres relancent l’étude de la rétropropagation et des réseaux neuronaux multicouches. L’année 1989 voit la première véritable percée dans le domaine de la vision par ordinateur grâce aux travaux de Yann LeCun sur les réseaux neuronaux convolutifs (CNN).

L’introduction des machines à vecteurs de support (SVM) par Vladimir Vapnik en 1995 et le développement des réseaux à mémoire long terme (LSTM) par Sepp Hochreiter et Jürgen Schmidhuber en 1997 impulsent alors un nouvel élan à ce domaine en plein essor.

Les percées (années 2010)

L’apprentissage machine marque une victoire décisive sur les ordinateurs traditionnels en 2012 lorsque AlexNet, un réseau neuronal convolutif, remporte le concours de vision par ordinateur ImageNet 2012, damant le pion aux méthodes traditionnelles.

À partir de ce moment-là, les avancées décisives se succèdent. En 2014, les réseaux adversaires génératifs (GAN) de Ian Goodfellow permettent aux chercheurs de générer des données synthétiques réalistes. En 2016, le système AlphaGo de DeepMind parvient à battre le champion du monde de go, jeu traditionnel japonais. Et en 2017, les modèles de transformateurs révolutionnent les capacités de traitement du langage naturel.

Les derniers développements (depuis 2010)

Depuis, le développement des architectures d’apprentissage profond s’est poursuivi et les applications d’apprentissage machine ont été étendues à des secteurs tels que les soins de santé, la finance et même le divertissement. L’apprentissage machine est également utilisé dans les appareils de l’Internet des objets (IoT) et dans d’autres domaines tels que l’informatique quantique, les neurosciences et la physique.

Face à ces progrès effrénés, l’accent est aujourd’hui mis sur les considérations entourant l’utilisation responsable des systèmes d’apprentissage machine. En outre, les progrès des techniques non supervisées et d’auto-apprentissage ont renforcé l’importance de la gestion des données et de l’application des modèles d’AM dans des scénarios réels.

Principaux enseignements sur l’apprentissage machine

L’apprentissage machine révolutionne le fonctionnement des organisations, la prise de décisions et la création de valeur. Des soins de santé à la finance, en passant par les transports et les services numériques, il permet aux systèmes d’apprendre à partir des données, de générer des connaissances et d’automatiser des tâches de plus en plus complexes.

Au fur et à mesure de son adoption, il devient essentiel de comprendre le fonctionnement pratique de l’apprentissage machine, du développement et de l’évaluation des modèles jusqu’à leur déploiement dans le monde réel. Il est tout aussi important de reconnaître les risques associés à leur utilisation, notamment en ce qui concerne l’équité, la transparence et la protection de la vie privée.

C’est là que la confiance devient le véritable facteur de différenciation.

Les normes internationales constituent la base de cette confiance, car elles apportent cohérence, responsabilité et clarté dans le développement et le déploiement des modèles d’AM. Car l’avenir de l’apprentissage machine ne sera pas défini par ses capacités, mais par la confiance dans son utilisation. Et ce n’est qu’avec les bons cadres en place que cette confiance peut se généraliser.