Le machine learning, ou apprentissage automatique, est au cœur de l’intelligence artificielle moderne. Plutôt que de suivre des règles écrites à la main, la machine apprend à partir d’exemples.
Le principe
On fournit à un algorithme de grandes quantités de données ; il y repère des régularités et construit un modèle capable de faire des prédictions sur de nouvelles données.
Les grandes familles
- L’apprentissage supervisé : à partir d’exemples étiquetés (des photos identifiées « chat » ou « chien »).
- L’apprentissage non supervisé : l’algorithme regroupe les données sans étiquettes.
- L’apprentissage par renforcement : le modèle apprend par essais et récompenses.
Un exemple concret
Un filtre anti-spam apprend, à partir de milliers d’e-mails classés, à reconnaître les messages indésirables, et s’améliore avec le temps.
Machine learning et deep learning
Le deep learning est une branche du machine learning fondée sur des réseaux de neurones à plusieurs couches, particulièrement efficace sur les images, la voix et le langage.
Les limites
Un modèle ne vaut que par ses données : des données biaisées produisent des résultats biaisés. Il apprend des corrélations, sans comprendre le sens.
À lire aussi : Intelligence artificielle : comprendre l’IA et ses usages.
