Que peut faire l’apprentissage automatique ?
À l’instar des êtres biologiquement intelligents, l’apprentissage machine permet aux ordinateurs d’apprendre à partir d’observations passées (contextuellement appelées « données historiques ») afin d’identifier automatiquement les règles à appliquer pour la résolution d’un problème donné.
La démocratisation des techniques d’apprentissage machine et la disponibilité des données nécessaires permettent d’identifier de nombreux cas d’applications.
La reconnaissance d’images
L’apprentissage machine appliqué à la reconnaissance d’images : grâce à la disponibilité croissante des données visuelles (images et vidéos), il existe de plus en plus d’algorithmes d’apprentissage machine permettant d’en extraire automatiquement de la connaissance en partant de bases de données historiques. Les cas d’usage sont multiples et variés :
- La reconnaissance d’objets : reconnaître les objets à partir d’une image ou d’une vidéo.
- La reconnaissance faciale : identifier une personne grâce aux traits du visage.
- La reconnaissance d’actions : reconnaître une action spécifique (type d’activité, cas de violence, etc.) à partir d’une séquence vidéo.
- Etc.
Le traitement du langage naturel
L’apprentissage machine appliqué au traitement du langage naturel : la démocratisation de l’Internet et la prolifération des réseaux sociaux ont rendu disponible un volume inédit d’informations textuelles (blogues, interactions sociales, etc.). Grâce à ces données volumineuses, les ordinateurs peuvent aujourd’hui appliquer des analyseurs sémantiques leur permettant ainsi un vaste champ d’applications :
- L’analyse des sentiments : en s’appuyant sur des données historiques, les ordinateurs ont la capacité d’identifier les sentiments exprimés dans un texte donné, p. ex. classer un contenu textuel dans une classe de sentiments prédéfinie (neutre, joie, tristesse, frustration, etc.).
- L’identification des entités : l’extraction des entités dans un texte donné, p. ex. reconnaître des noms de villes, de personnalités publiques ou d’organisations dans un texte brut.
La détection d’anomalies
L’apprentissage machine appliqué à la détection d’anomalies : au moyen des données historiques, les ordinateurs peuvent apprendre à reconnaître automatiquement des formes (patterns) et à en déceler les exceptions ou les anomalies telles que des transactions frauduleuses, des activités anormales dans un cours boursier, etc.
Les séries temporelles
L’apprentissage machine appliqué aux séries temporelles : en se basant sur des fenêtres de données temporelles p. ex. l’ensemble des transactions effectuées entre le 1er juin et le 30 juillet), il est possible d’apprendre aux ordinateurs à reconnaître des tendances et à prédire leur continuité. En associant les caractéristiques d’une tendance et leurs résultats historiques, un algorithme d’apprentissage machine peut effectivement prévoir l’évolution d’une tendance dans le temps (p. ex. l’évolution des prix de l’immobilier dans un secteur spécifique).