Valoriser ses données avec l’IA

Introduction

Il est devenu impossible de parler des données sans aborder l’IA. Plus qu’un phénomène de société, l’IA se trouve propulsée au cœur des stratégies de communication et de développement de presque tous les spécialistes de la données et éditeurs de logiciels. Pour tout dire, il est difficile aujourd’hui de lire une revue spécialisée ou même d’ouvrir un simple journal sans y voir une mention. On a donc de l’IA à toutes les sauces, à tel point que parfois il devient difficile de comprendre de quoi il retourne exactement tellement le terme devient dénaturé, voire galvaudé. L’intelligence Artificielle (ou l’IA) est donc au cœur de nos vies, qu’on le veuille ou non, mais qu’en est-il vraiment ? Et puis qu’est-ce que le Machine Learning (ou Apprentissage Automatique) ? Est-ce la même chose ? Tout cela devient extrêmement confus. Mettons ici les choses au clair sans pour autant entrer dans des équations mathématiques complexes.

En effet, la première confusion que l’on rencontre couramment est l’amalgame entre IA et ML (Machine Learning). Si ces deux concepts sont fortement liés, ce sont deux notions bien différentes. Pour faire simple, l’intelligence artificielle (en reprenant la définition Larousse) est un ...

L’IA est donc un vaste domaine d’études et d’outils permettant...

L’utilisation de l’IA

Avant tout, il est intéressant de regarder dans quels domaines l’IA (et plus particulièrement le Machine Learning) s’est imposée. Très clairement, il y a trois domaines dans lesquels l’IA a fait ses preuves et c’est d’ailleurs tout particulièrement dans ces domaines que les entreprises et éditeurs de logiciels investissent aujourd’hui :

1. La prise de décision (par rapport à des critères pas ou peu définis) « qui permet de prendre des décisions basées sur un historique plutôt que des règles établies ».

2. La vision par ordinateur (Computer Vision) « qui permet à l’ordinateur de voir ».

3. Le traitement de données textuelles (ou NLP comme Natural Language Processing) « qui permet à l’ordinateur de comprendre et écrire des textes ».

Le Machine Learning

Comme on l’a vu, le Machine Learning est un sous-ensemble de ce domaine vaste qu’est l’IA. Le Deep Learning (apprentissage profond) est lui-même un sous-ensemble du Machine Learning. L’IA comporte beaucoup d’autres sous-domaines en réalité (comme le NLP) qu’il serait totalement illusoire de couvrir dans un seul ouvrage. Mais voyons un peu comment une machine peut apprendre par l’expérience.

Commençons par le début : qu’est-ce que l’apprentissage informatique ?

Les réseaux de neurones

Les réseaux de neurones sont incontournables aujourd’hui dès lors que l’on a besoin d’effectuer des traitements ou prendre des décisions complexes, voire très complexes, basées sur des données. L’apprentissage profond via les réseaux de neurones ou Deep Learning est en effet un sous-ensemble du Machine Learning qui va permettre d’effectuer des tâches qui pouvaient alors paraître presque impossibles jusque là pour une machine. Aujourd’hui, ce type d’algorithme est tout particulièrement utilisé dans le traitement de l’image mais aussi dans celui du langage.

L’eXplainable AI

Le Machine Learning fait sans doute peur aujourd’hui à cause principalement de son côté boîte noire. En effet, les algorithmes ne sont pas basés sur une approche déterministe mais plutôt probabiliste, statistique ou, comme dans le cas de réseaux de neurones, très mathématique. C’est une approche totalement nouvelle, voire déroutante, surtout pour des utilisateurs qui voient toujours leur décision ou la compréhension d’un problème donné avec une logique qui paraît claire et - pas toujours - explicable. Disons-le clairement, on reproche souvent au Machine Learning son manque de transparence.

Son emploi et surtout son adhésion passent par la confiance que doivent lui apporter ses « clients ». Mais pour gagner cette confiance, il est important de pouvoir expliquer comment et pourquoi un modèle a pris telle ou telle décision. Même s’il n’y a pas de parfaite réponse à cela, il y a plusieurs moyens d’expliquer comment un modèle réagit.