Apprentissage statistique

Domaine des mathématiques et de l’informatique théorique

L’apprentissage automatique (anglais machine learning), aussi appelé apprentissage statistique, est une branche de l’intelligence artificielle qui s’intéresse au développement d’algorithmes et de techniques visant à résoudre un problème à partir de données d’expérience, à travers la modélisation statistique et l’optimisation mathématique.

L’objectif de l’apprentissage statistique est dans un premier temps de construire un modèle de prédiction à partir de données (phase d’apprentissage) et, dans un second temps, de généraliser ce modèle à de nouvelles données (phase d’application du modèle). Un bon modèle est un modèle qui minimise les erreurs commises lors de sa prédiction et qui parvient à trouver un équilibre entre la quantité de données d’apprentissage fournies et la qualité attendue de la classification lorsque de nouvelles données inconnues sont proposées.

La minimisation de l’erreur correspond au domaine qui est appelé en mathématiques problème d’optimisation.

Prédiction et disponibilité de données : des modèles de plus en plus complexes

La prédiction effectuée par le modèle peut concerner une valeur numérique (par exemple, tenter de prédire la taille d’un individu à partir de son poids, ou le prix d’un appartement à partir de sa surface) ou bien une catégorie (attribuer une étiquette à une image, par exemple « chien » ou « chat »).

L’apprentissage automatique s’applique aujourd’hui à des domaines de plus en plus complexes, principalement grâce à la percée d’une architecture appelée « réseau de neurones artificiels », et au des capacités de calculs des ordinateurs, et surtout à la disponibilité d’ensembles de données de plus en plus vastes pouvant servir à l’apprentissage des modèles. C’est en particulier la naissance de l’internet qui a le plus fortement accéléré la production de données à l’échelle mondiale. Ainsi, les réseaux sociaux recueillent et analysent un corpus gigantesque de « traces numériques », correspondant à toutes les interactions des utilisateurs, et peuvent à partir d’elles prédire les goûts, les usages et la propension à l’engagement d’une personne ou d’un groupe de personnes, le plus souvent dans un but de ciblage publicitaire.

L’accroissement exponentiel de la production de données à partir de la fin du xx^e siècle a donné lieu au phénomène des « mégadonnées », ou données massives (big data), qui offrent des opportunités de compréhension de phénomènes divers, mais aussi des défis éthiques variés et de plus en plus brûlants (protection des données personnelles, stockage et « empreinte environnementale » des nouvelles technologies).

Raphaël Deuff

Ressources complémentaires

Ressource : Yann LeCun. Informatique et sciences numériques (college-de-france.fr)

Ressource : Yann Le Cun. Quand la machine apprend (odilejacob.fr)

Ressource : Apprentissage - Recherche Zéthès (sambuc.fr)