Avec l’avènement du Big Data, on entend aussi beaucoup parler de « Machine Learning ». Toutefois, c’est un concept qui est loin d’être facile à comprendre, en tout cas pour les personnes qui ne sont pas familières avec le langage de la data. Cependant, le Machine Learning possède un grand impact sur le monde professionnel qu’on est amené à se poser de nombreuses questions à ce sujet. Que signifie alors réellement ce terme anglo-saxon ?
Définition du Machine Learning
Si on traduit ces termes, on obtient littéralement « apprentissage automatique », ce qui est vrai ! En effet, le Machine Learning est un domaine d’étude de l’intelligence artificielle (une précision importante car beaucoup de gens ont tendance à confondre les deux). Les algorithmes de cette technologie apprennent par elles-mêmes des modèles à partir des données qu’on lui fournit. L’apprentissage se fait donc automatiquement et non plus manuellement.
Le Machine Learning se différencie des autres programmes informatiques classiques, car ses algorithmes s’ajustent au fur et à mesure. En effet, elles se modifient à chaque interaction ou chaque requête.
La Data Science et le Machine Learning
Quand on parle de Machine Learning, on entend aussi souvent parler de Data Science. Les deux notions ont des similitudes, mais ce ne sont pas les mêmes choses. D’ailleurs, la définition du Data Science reste encore très abstrait jusqu’à maintenant. Pour faire simple, il s’agit d’une discipline qui permet d’acquérir des connaissances grâce à l’analyse de base de données.
Pour mieux en saisir la différence, le Machine Learning concerne le développement et l’utilisation d’algorithmes d’apprentissage. Quant au Data Science, il s’agit d’une extraction de la connaissance sur la base de données pour résoudre des problèmes particuliers ou pour répondre à des questions spécifiques. En réalité, le Machine Learning fait partie d’un projet de Data Science. Ces subtilités amènent souvent les gens à poser la question qu’est-ce que le machine learning en réalité ?
Quelles sont les capacités des machines ?
Il serait difficile de déterminer à quel point une machine peut apprendre car après tout, ça reste une machine. L’ambition de cette technologie est de doter les machines d’une intelligence qui s’assimilerait à celle d’un humain. En vrai, c’est ce qui se passe déjà lorsqu’on voit des machines capables de reconnaître une image ou de comprendre la signification d’un texte sur une photo.
Il faut toutefois noter que le Machine Learning n’est possible que si on injecte des quantités de données importantes dans la machine. En effet, cette dernière devient de plus en plus intelligente lorsqu’elle est amenée à traiter un grand volume de données, donc le Big Data. Voilà pourquoi ces deux notions sont souvent indissociables.
Quelles sont ses limites ?
Certes, une machine qui est capable de s’ajuster et de s’autoprogrammer, c’est déjà une grande avancée technologique. Toutefois, il faut savoir que l’autonomie adaptative est très relative car la plupart des capacités d’apprentissage dépendent encore de l’Homme. C’est pourquoi le terme « automatique » n’est pas unanimement admis dans le domaine. On parle plutôt d’apprentissage supervisé ou semi-supervisé.
On n’en est pas encore là où on peut parler d’apprentissage totalement autonome et indépendant. Certes, les technologies liées à l’intelligence artificielle et le Big Data sont en pleine croissance, mais il faudra attendre encore longtemps avant de pouvoir être témoin de l’apprentissage automatique.
Si beaucoup de gens, notamment les entreprises, sont excitées à la seule idée que le Machine Learning pourra les aider à faire des grandes avancées, il faut aussi savoir garder les pieds sur terre et écouter les discours des scientifiques qui sont plus réalistes à ce sujet. L’attente risque encore d’être longue, d’environ quelques décennies. L’apprentissage automatique fonctionne en fait exactement de la même manière qu’un enfant qui apprend le monde, donc petit à petit.
Poster un commentaire