Bien que les deux types d’apprentissages relèvent de l’intelligence artificielle, en matière d’apprentissage automatisé, on oppose très fréquemment apprentissage supervisé et apprentissage non supervisé.

ð Les différences :

- Dans le premier cas  (supervisé) un chercheur est là pour « guider » l’algorithme sur la voie de l’apprentissage en lui fournissant des exemples qu’il estime probants après les avoir préalablement étiquetés des résultats attendus.

L’intelligence artificielle apprend alors de chaque exemple, avec pour but, d’être capable de généraliser son apprentissage à de nouveaux cas.

-         Dans le cas de l’apprentissage non supervisé, l’apprentissage par la machine se fait de façon totalement autonome.

Des données sont alors communiquées à la machine sans lui fournir les exemples de résultats attendus en sortie.

ð Il est important de souligner que ces deux types d’apprentissages ne sont par nature pas adaptés aux mêmes types de situations :

1) L’apprentissage non supervisé est principalement utilisé en matière de clusterisation, un procédé destiné à regrouper un ensemble d’éléments hétérogènes sous forme de sous-groupes homogènes ou liés par des caractéristiques communes.

La machine fait alors elle-même les rapprochements en fonction de ces caractéristiques qu’elle est en mesure de repérer sans nécessiter d’intervention externe.

De là découle également la possibilité de mettre au point un système de recommandation (le système peut par exemple recommander un livre ou un film à un utilisateur en fonction des goûts d’utilisateurs partageant des caractéristiques communes) ainsi que la possibilité de mettre au point un système de détection d’anomalies.

2) L'apprentissage supervisé, dans le contexte de l'intelligence artificielle (IA) et de l'apprentissage automatique, est un système qui fournit à la fois les données en entrée et les données attendues en sortie. Les données en entrée et en sortie sont étiquetées en vue de leur classification, afin d'établir une base d'apprentissage pour le traitement ultérieur des données.

Les systèmes d'apprentissage automatique supervisé alimentent les algorithmes d'apprentissage avec des quantités connues qui étayeront les futures décisions.

ð Les applications : Supervisé ou non supervisé, l'apprentissage automatique est utilisé notamment pour les chatbots, les véhicules autonomes, les programmes de reconnaissance faciale, les systèmes experts et les robots.

Les systèmes d'apprentissage supervisé sont associés pour la plupart à une intelligence artificielle basée sur la récupération, mais ils peuvent aussi reposer sur un modèle d'apprentissage génératif.

Les données utilisées pour l'apprentissage supervisé sont une série d'exemples comprenant des paires composées de sujets en entrée et de sorties attendues (appelées également signaux de supervision).

Les modèles d'apprentissage supervisé présentent certains avantages sur les modèles non supervisés, mais jusqu’à un certain point.

Ainsi, ils sont plus susceptibles de prendre des décisions auxquelles les humains peuvent s'identifier parce qu'elles reposent sur des données fournies par les humains.

Mais dans le cas d'une méthode basée sur la récupération, les systèmes d'apprentissage supervisé ont des difficultés à traiter les nouvelles informations.

ð A noter qu’il existe d’autres types d’apprentissage : l’apprentissage semi-supervisé qui n’est ni plus ni moins qu’un mix entre apprentissage supervisé et apprentissage non supervisé, et l’apprentissage par renforcement.

Pour approfondir :

Voir le Cours de Yann LeCun, directeur scientifique du FAIR (Facebook Artificial Intelligence Research) sur l’apprentissage non supervisé au Collège de France.

Source : notamment : https://www.actuia.com