Les termes d’intelligence artificielle et de Machine Learning sont fréquemment employés sans clairvoyance, avec des  confusions qui  empêchent  les clients de se faire une juste idée des technologies réellement utilisées.

Une certaine confusion est plus ou moins entretenue entre l’intelligence artificielle et le Machine Learning, ceci sans par ailleurs mentionner le Deep Learning.

Alors, comment utiliser ces termes à bon escient ?

L’intelligence artificielle (IA) est le concept le plus large.

Selon Andrew Moore, ancien responsable d’éducation à l’école d’informatique de Carnegie Mellon University, « l’IA désigne la capacité à concevoir et à fabriquer des ordinateurs avec des comportements qui jusqu’à récemment, semblaient être l’apanage de l’intelligence humaine».

Ainsi, des technologies comme l’analyse prédictive, la modélisation et la simulation, ainsi que le Machine Learning doivent être englobées dans l’IA.

Mais, ce que l’on qualifie d’IA est sans doute amené à évoluer au fur et à mesure que les technologies progressent.

Pour Zachary Lipton, Professeur et chercheur à Carnegie Mellon University, « l’IA est par essence  une cible mouvante, où l’on cherche à reproduire des capacités que les humaines possèdent, mais que les machines ne possèdent pas encore».  

Ainsi, les applications comme de l’IA, comme les assistants vocaux ou les algorithmes prédictifs, seront peut-être dans quelques années considérées comme des technologies de base.

Le Machine Learning : une sous-branche de l’IA

Il consiste à créer des algorithmes capables de s’améliore automatiquement avec l’expérience. On parle également alors de «systèmes auto-apprenants ».

Le Machine Learning suppose d’utiliser des jeux de données de différentes tailles, afin d’identifier des similitudes, corrélations et différences.

Il existe trois grands types de Machine Learning :

-         Dans l’apprentissage supervisé, les algorithmes s’appuient sur des jeux de données déjà catégorisés, afin de comprendre les critères utilisés pour la classification et de les reproduire.

-         Dans l’apprentissage non-supervisé, les algorithmes s’entraînent à partir de données brutes, pour essayer essaient d’en extraire des «patterns ».

-         Dans l’apprentissage par renforcement, l’algorithme fonctionne comme un agent autonome, qui observe son environnement et apprend au fur et à mesure des interactions avec celui-ci.

Le Deep Learning,  un sous-domaine du Machine Learning.

Dans le Deep Learning, on développe des algorithmes capables de reconnaître des concepts abstraits, de la même manière que l’on apprend à un enfant distinguer un âne d’un cheval, par exemple.

L’analyse d’images ou de sons forment aujourd’hui l’essentiel des applications du Deep Learning.

Pour la reconnaissance d’image, les algorithmes vont par exemple se focaliser sur l’analyse des contours, des formes et des couleurs.