3. Quelques sous-disciplines de l'IA
L'intelligence artificielle est en soit une discipline trop
vaste. En effet, elle regorge une multitude de sous-disciplines dont en voici
certaines :
· Le
machine Learning
Le Machine Learning (ML) aussi appelé apprentissage
automatique ou « apprentissage statistique », est un sous-ensemble de
l'IA, parmi d'autres sous-disciplines. Ce terme renvoie à un processus
de développement, d'analyse et d'implémentation conduisant
à la mise en place de procédés systématiques [9].
Pour faire simple, il s'agit d'une sorte de programme permettant à un
ordinateur ou à une machine un apprentissage automatisé, de
façon à pouvoir réaliser un certain nombre
d'opérations très complexes. Tout ML est AI, mais toute IA n'est
pas ML. Dans l'apprentissage automatique, la machine exécute quelque
chose qu'on ne lui a pas commandé, elle a ses propres règles. Ce
système permet donc à la machine d'apprendre de ses erreurs.
Concrètement, on nourrit la machine d'une quantité importante des
données pour l'aider à « devenir
intelligente ».
L'objectif visé est de rendre la machine ou
l'ordinateur capable d'apporter des solutions à des problèmes
compliqués, par le traitement d'une quantité astronomique
d'informations. Cela offre ainsi une possibilité d'analyser et de mettre
en évidence les corrélations qui existent entre deux ou plusieurs
situations données, et de prédire leurs différentes
implications.
1. Fonctionnement du Machine Learning
Le diagramme ci-dessous explique comment l'algorithme de
Machine Learning fonctionne :
L'algorithme du Machine Learning
Conception des modèles logiques
Sorties
Entrées
Training
Apprentissage des données
Nouvelle donnée
Figure
0 : Diagramme de fonctionnement du Machine Learning
2. Classification du Machine Learning
Le Machine Learning implique deux principaux systèmes
d'apprentissage qui définissent ses différents modes de
fonctionnement. Il s'agit de :
i. L'apprentissage supervisé ou analyse
discriminatoire
Ici, la machine s'appuie sur des classes
prédéterminées et sur un certain nombre de paradigmes
connus pour mettre en place un système de classement à partir de
modèles déjà catalogués. Dans ce cas, deux
étapes sont nécessaires pour compléter le processus,
à commencer par le stade d'apprentissage qui consiste à la
modélisation des données cataloguées. Ensuite, il s'agira
au second stade de se baser sur les données ainsi définies pour
attribuer des classes aux nouveaux modèles introduits dans le
système, afin de les cataloguer eux aussi [9].
ii. L'apprentissage non-supervisé ou
clustering
Dans ce mode de fonctionnement du machine Learning, il n'est
pas question de s'appuyer sur des éléments
prédéfinis, et la tâche revient à la machine de
procéder toute seule à la catégorisation des
données. Pour ce faire, le système va croiser les informations
qui lui sont soumises, de manière à pouvoir rassembler dans une
même classe les éléments présentant certaines
similitudes. Ainsi, en fonction du but recherché, il reviendra à
l'opérateur ou au chercheur de les analyser afin d'en déduire les
différentes hypothèses [9].
Figure
0 : Apprentissage non supervisé illustré
En effet, en entrée nous avons une catégorie de
fruits mélangées. Notre collection de données ne contient
pas d'exemple qui indique ce que l'on cherche, alors l'apprentissage
non-supervisé permettra de classifier ces fruits selon leurs
ressemblances. On peut ainsi regrouper ces fruits dans des clusters ;
c'est le Clustering. D'où à la sortie, on aura
les fruits regroupés selon leurs ressemblances. Les pommes dans un
cluster, les bananes dans un autre cluster et les tomates dans un autre
cluster.
Ainsi les algorithmes les plus utilisés en clustering
sont : le K-means Clustering et le hierarchical clustering.
| 
