#01 Apprentissage Machine ou Artificiel (débriefing et idées partie 1)
Temps de Lecture: 5 min | 02 October, 2021 | Regis Atemengue
Cet article est le premier d'une série de trois articles sur l'introduction à l'apprentissage artificiel ou Machine (débriefing et idées). Le deuxième chapitre sera « Partie 2 : Qu'entend-on réellement par apprentissage artificiel ou apprentissage Machine ».
Pour commencer, essayons de restituer le contexte pour apprendre à penser de la bonne façon afin de comprendre qu'est ce que l'apprentissage artificiel (machine learning) . Nous parlons de l' apprentissage artificiel ou apprentissage machine et non de l'intelligence artificielle . Ces deux notions sont différentes, on reviendra sur les différences dans une autre partie. Pour le moment, gardons en tête que l’apprentissage artificiel (AA) est une partie de l’intelligence artificielle(AI).
Il est vrai que le jargon du domaine des sciences informatiques est très vaste et il ne cesse de croître avec le temps. Aujourd’hui les termes à la mode sont l'intelligence artificielle (IA), Big Data , Business Intelligence (BI), Data Mining, Deep Learning, Machine Learning etc… Ce sont des termes que nous ne pouvons pas éviter de nos jours. En Effet les techniques ou sciences derrières ces termes sont utilisées au quotidien pour résoudre les problèmes de la société.
Lorsqu'on pense apprentissage artificiel ou l’intelligence artificielle on voit:
- Les voitures autonomes (sans chauffeur )
- La reconnaissance faciale
- Les robots
On peut donc penser que l’apprentissage artificiel est une technique qui s’applique seulement sur les robots du futur, les voitures autonomes, la reconnaissance faciale.
C’est vrai qu'il est possible de faire tout ceci avec l'apprentissage artificiel, mais ces exemples sont trop hypes pour comprendre ce que c’est que l’apprentissage artificiel.
problème classique
Lorsqu’on veut résoudre un problème en informatique conventionnel, on fait une analyse du problème, ensuite on définit une solution (une suite d’instruction, un programme).La solution sera appliquée à chaque fois que l'on rencontre le problème. étudions un exemple.
Approche 1: Calcul du salaire d’un employé dans une entreprise.
Pour calculer le salaire d’un employé on peut se baser sur son nombre d'année d'expérience professionnelle et son domaine de compétence, en informatique classique il s'agit d'écrire un programme qui utilisera ces critères pour déterminer le salaire de l’employé.
Calculer le salaire d’un employé est un problème mais est ce que nous avons besoin de l’ apprentissage artificiel pour résoudre ce type de problème ?La réponse est NON Pourquoi ?
parce que pour calculer le salaire, il faut définir des conditions (règles) sur lesquelles un programme se basera pour effectuer le calcul. Lorsque la solution à un problème est conditionnée par des règles ou des contraintes, on ne doit pas penser à l'apprentissage artificiel mais à la programmation classique.
Dans un sens très fondamental, l’apprentissage artificiel nous permettra de faire des prédictions basées sur ce qui s’est passé dans le passé 😳 . (regarde les événements passés pour prédire le futur) 😀 . On peut utiliser les données pour prédire le futur. les réponses obtenues ne seront pas totalement exactes, mais elles seront basées sur des probabilités.
Quel type de problème pour l’apprentissage artificiel ?
Approche 2: Quel est le salaire que l'employé ATEMENGUE peut accepter si on veut le recruter chez nous?.
Si on reformule notre problème de cette façon, quel est le salaire que l'employé ATEMENGUE peut accepter si on veut le recruter chez nous? , on comprend que pour proposer un salaire à un Monsieur ATEMENGUE il faudra étudier ou analyser ses données ou/et son comportement. Le salaire proposé ici dépendra des informations produites par les données de M. ATEMENGUE. au cas où les données sont volumineuses, il devient très difficile pour un simple programme d'appliquer des contraintes pour proposer le salaire de M ATEMENGUE. Sur ce type de problème on peut penser à l'apprentissage artificiel.
Un exemple très simple est une décision commerciale.
Imaginons que vous êtes responsable du marketing dans une grande entreprise de la place et le DIRECTEUR vous demande: Mr X
- A quelle fréquence devons-nous envoyer des e-mails marketing à nos clients?
- Quelles sont les chances pour que M. ATEMENGUE (notre meillieur client) renouvelle son abonnement,
- Y'a t’il quelque chose que nous puissions faire pour le garder ici ?
- Les clients laissent des avis sur des produits, ces réactions sont-elles bonnes ou mauvaises ?
- Comment pouvons-nous améliorer les recommandations en ligne pour nos produits?
L’entreprise peut prendre des décisions commerciales autour d’une table après analyse des données reçues ou des historiques clients. En général, un responsable des médias sociaux ou un responsable marketing peuvent aider à la prise de décisions.
il devient difficile pour des humains d’analyser ces masse de donnée et d’y extraire des connaissances. Rendant donc la prise de décision intuitive et mediocre.
Mais si l’entreprise possède une grande quantité de données, il est difficile pour des humains d’analyser cette masse de donnée et d’y extraire des connaissances. Rendant donc la prise de décision intuitive et mediocre. Ce n'est pas que le jugement ou l’intuition est mauvaise. Mais il est possible de prendre une meilleure décision en exploitant les données .
Ces exemples simples à décrire, sont des cas où l'apprentissage artificiel peut entrer en jeu car pour ces problème nous pouvons parler de prédiction, de probabilité pour aidant a la prise des décisions.
Qu'entend-on réellement par apprentissage artificiel ou apprentissage Machine?
Découvrez le en partie 2 #02 Qu'entend-on réellement par Apprentissage Machine ou Artificiel? (partie 2)
🙋🏾♂️ Merci pour votre lecture.
Un merci particulier 🙏 pour les correcteurs et leurs suggestions.