Lorsque la plupart des gens pensent à l'apprentissage machine ou à l'IA, ils ont une vision négative de ce terme. Ils pensent soit à des robots qui enlèvent des emplois aux humains, soit à Skynet ou HAL 9000, de sinistres êtres sentinelles qui sont sur le point de prendre le contrôle du monde. En réalité, nous utilisons l'apprentissage machine tous les jours avec nos téléphones et leurs assistants intelligents Siri et Cortana, ou des voitures intelligentes qui analysent l'environnement. Même lorsque nous naviguons sur le web, nous sommes frappés par la publicité basée sur nos habitudes d'achat. L'apprentissage machine est tout autour de nous et constitue la force motrice de l'IA. Mais pour comprendre pleinement l'impact de l'apprentissage machine sur la société, nous devons nous pencher sur le passé, le présent et l'avenir.
Qu'est-ce que l'apprentissage machine ?
L'apprentissage machine est l'étude scientifique des algorithmes et des modèles statistiques que les systèmes informatiques utilisent pour effectuer une certaine tâche sans se fonder sur des instructions spécifiques, mais plutôt sur des modèles et des inférences. Le terme "apprentissage machine" a été inventé pour la première fois par Arthur Samuel en 1959 alors qu'il travaillait chez IBM. Son but ultime était de créer l'intelligence artificielle (IA) et l'apprentissage machine est devenu un sous-ensemble de sa quête. Après sa découverte, il y a eu un fossé entre les théories et ce n'est que dans les années 1990 que l'apprentissage machine a vraiment pris son envol. Cette période a été connue sous le nom de AI Hiver. Le domaine a changé son orientation, passant de la réalisation de l'IA à la résolution de problèmes de nature plus pratique en empruntant des modèles aux statistiques et à la théorie des probabilités. L'apprentissage machine a également bénéficié massivement de l'invention du web mondial, car il a permis d'accéder à une masse de données.
Les différents types d'apprentissage machine
Pour que l'apprentissage machine fonctionne, de nombreuses données sont nécessaires pour prédire les résultats futurs ou pour former une machine à effectuer des tâches. Alors que l'apprentissage machine a commencé avec une quantité massive de données statiques inchangées, il s'est déplacé vers des modèles d'apprentissage qui traitent les données en temps réel.
Il existe quatre approches principales de l'apprentissage machine :
- Apprentissage supervisé : données de formation pour réaliser un certain résultat
- Apprentissage non supervisé : données sur la formation sans résultat clair
- L'apprentissage semi-supervisé : des données de formation avec peu de résultats souhaités
- Apprentissage du renforcement : récompenser l'agent artificiel en fonction de son action
Qui utilise l'apprentissage machine ?
Vous ne remarquez probablement même pas l'apprentissage machine qui se déroule dans votre vie quotidienne. Ce filtre anti-spam dans votre boîte de réception ? C'est l'apprentissage machine. L'apprentissage machine est également déjà présent dans la plupart de nos foyers sous la forme de haut-parleurs intelligents, de prises intelligentes et de thermostats intelligents. Rien qu'aux États-Unis, il y a 47,3 millions d'adultes qui ont accès à un haut-parleur intelligent. Cependant, l'apprentissage machine a un impact important sur certaines industries de notre monde.
Financier
L'apprentissage machine peut très facilement rationaliser les processus internes au sein du secteur financier en raison de la grande quantité de données que ce secteur collecte. Les banques et les institutions financières utilisent l'apprentissage automatique pour détecter les fraudes grâce à l'exploration de données (un type d'apprentissage non supervisé utilisé pour découvrir des modèles de données). A rapport récent a indiqué que dans les 15 prochaines années, les robots seront capables d'effectuer 75 % des emplois dans les services financiers grâce à l'apprentissage machine.
Gouvernement
Un article récent de Deloitte déclare, "Les gouvernements collectent de vastes quantités de données sur tout, des soins de santé, du logement et de l'éducation à la sécurité nationale et intérieure, à la fois directement et par l'intermédiaire des organisations à but non lucratif qu'ils soutiennent. Les gouvernements produisent également des données, telles que des données de recensement, des informations sur le travail, des informations sur les marchés financiers, des données météorologiques et des données du système de positionnement mondial (GPS)". Avec ces données, ges organismes gouvernementaux dans des domaines tels que les services publics, l'armée et les infrastructures utilisent l'apprentissage automatique pour accroître leur efficacité, détecter les fraudes et réaliser des économies. Certaines agences d'infrastructure utilisent ces données pour prévoir quand nids de poule se formeront dans les rues des villes, tandis que les militaires utilisent l'apprentissage machine pour prédire les défaillances mécaniques sur les chars.
Santé
Les appareils et les capteurs portables font de l'apprentissage machine une tendance en plein essor dans le secteur de la santé. Ces dispositifs aident les professionnels de la santé à identifier toute tendance susceptible d'aider à diagnostiquer un patient, ce qui se traduit par de meilleures options de traitement. Grâce aux grandes bases de données d'images en radiologie, l'apprentissage machine peut évaluer rapidement des images qui seraient plus longues à traiter par les experts médicaux. Par exemple, grâce à l'apprentissage automatique, Google a formé des ordinateurs pour détecter le cancer chez les patients avec une précision de 89 %. Stanford utilise une méthode d'apprentissage approfondie un algorithme pour prédire le cancer de la peau et quand les patients vont mourir pour améliorer les soins palliatifs.
Transport
Non seulement l'apprentissage machine est utilisé pour les véhicules autonomes, mais il a également un impact énorme sur la manière dont vos colis sont livrés. L'apprentissage automatique analyse le GPS du conducteur, l'endroit où le colis est livré lorsque le client reçoit le colis, sa vitesse et la météo pour trouver l'itinéraire le plus efficace possible pour le livreur.
Critiques de l'apprentissage machine
Avec toutes les réalisations exceptionnelles de l'apprentissage machine, il faut bien que l'application fasse l'objet de critiques. Selon Dr. Allen de l'université du rizL'apprentissage machine crée une crise dans le domaine scientifique. L'argument de Mme Rice est qu'un nombre croissant de recherches scientifiques utilisent l'apprentissage automatique sur des données déjà collectées. Elle affirme que les solutions proposées par ces scientifiques sont erronées car elles ne sont applicables que dans cet ensemble de données, et non dans le monde réel. Le Dr Allen déclare : "Il est généralement reconnu qu'il existe actuellement une crise de la reproductibilité dans la science. Je me risquerais à dire qu'une grande partie de cette crise provient de l'utilisation de techniques d'apprentissage automatique dans la science". Elle appelle cela une crise de reproductibilité.
Le Dr Rice n'est pas le seul à critiquer l'apprentissage machine. Gary Marcus, professeur de psychologie à l'université de New York, a longue liste de griefs contre l'apprentissage approfondi. Elles comprennent une forte dépendance à de grands ensembles de données en raison de leur sensibilité aux biais machine et de leur incapacité à traiter le raisonnement abstrait. Marcus a déclaré que sa plus grande crainte est que l'IA soit cataloguée comme un "minimum local, trop axé sur l'exploration détaillée d'une classe particulière de modèles accessibles mais limités", concluant en outre que "l'un des plus grands risques de l'actuel surpassement de l'IA est un autre hiver de l'IA".
Quelle est la prochaine étape de l'apprentissage machine ?
Plus nous créons de données et plus nous étudions l'apprentissage machine et son impact sur la technologie, il devient évident qu'il existe également des responsabilités éthiques que nous devons assumer en tant que société. À l'heure actuelle, seules quelques entreprises technologiques sont pleinement investies dans l'apprentissage machine et la collecte de données. Que se passera-t-il si cette technologie devient un monopole ? Cette technologie ne sera-t-elle accessible qu'à ceux qui sont riches ? Que se passera-t-il si les critiques de l'apprentissage machine ont raison et qu'un autre hiver de l'IA se concrétise ? Il sera difficile de prévoir ce que l'avenir nous réserve.
