Comme pour la plupart des termes utilisés dans le domaine de l’intelligence artificielle, il n’existe pas de définition unique du "Machine Learning" (apprentissage automatique).

En termes simples, le Machine Learning consiste à utiliser des données pour répondre à des questions. Plus formellement, il s’agit de l’utilisation d’algorithmes qui apprennent des modèles à partir de données et sont capables d’exécuter des tâches sans être explicitement programmés pour le faire. 

En outre, une caractéristique déterminante des systèmes d’apprentissage automatique sous-tend qu’ils améliorent leurs performances grâce à l’expérience et aux données. En d’autres termes : ils apprennent.

L’apprentissage automatique s’inscrit dans un ensemble de technologies regroupées sous le terme générique d’« intelligence artificielle » (IA).

Les concepts d’IA et d’apprentissage automatique semblent souvent être utilisés de manière interchangeable, mais en fait il conviendrait de considérer l’apprentissage automatique comme un sous-domaine de l’IA - elle-même un sous-domaine de l’informatique.

L’IA revêt différentes significations selon les utilisateurs, mais nous pouvons affirmer qu’elle fait référence au concept plus étendu de machines capables d’exécuter des tâches qui requièrent normalement de l’intelligence humaine.

Dans ce contexte, l’apprentissage automatique fait référence à des applications spécifiques qui utilisent des données pour former un modèle visant à exécuter une tâche donnée de manière indépendante et à apprendre de l’expérience. 

L’IA et l’apprentissage automatique sont devenus des mots à la mode ces dernières années. Mais ces sujets ne datent pas d’hier. Les scientifiques travaillent sur l’IA et l’apprentissage automatique (ML) depuis un certain temps déjà. 

L’intelligence artificielle a été évoquée pour la première fois dans les années 1950. Le terme a été inventé par l’informaticien américain John McCarthy dans un atelier du Dartmouth College, New Hampshire, en 1956.

Depuis lors, l’IA a bien évolué, connaissant des moments de gloire, mais également des heures sombres. L’apprentissage automatique a fait son apparition dans les années 1980. Cependant, les développements dans ce domaine ont commencé à s’accélérer de façon exponentielle seulement dans les années 2010. Qu’est-ce qui explique ce changement de vitesse?

Au cours de la dernière décennie, deux facteurs clés ont contribué à des avancées majeures dans le domaine de l’IA :

Premièrement, d’énormes quantités de données sont créées chaque minute. Les machines ont besoin de données pour « apprendre » et grâce à leur disponibilité croissante, des ensembles de données plus importants peuvent être utilisés pour améliorer la formation des modèles existants, lesquels peuvent également être testés et appliqués à de nouveaux domaines.

Le deuxième facteur est lié aux récentes avancées en matière de vitesse de traitement qui permettent aux ordinateurs de donner un sens à toutes ces informations beaucoup plus rapidement. Les entreprises technologiques et aux autres acteurs du domaine peuvent ainsi justifier des investissements sans cesse grandissants dans la recherche et le développement.

Au rythme actuel, l’IA deviendra bientôt un peu moins artificielle, et beaucoup plus intelligente.

Il y a un malentendu fondamental sur ce que la recherche sur l’IA tente de réaliser. Nous sommes loin des machines qui pensent par elles-mêmes comme HAL 9000, l’ordinateur de 2001 Space Odyssey (2001 Odyssée de l’espace). Vous ne devriez pas non plus avoir peur qu’un robot prenne votre place dans un avenir prévisible.

Cela ne pourrait se produire que si nous parvenions un jour à l’intelligence générale artificielle (AGI) : des machines hypothétiques capables de traiter toute tâche intellectuelle de manière humaine sans supervision. Mais à ce jour, un tel concept relève encore du domaine de la science-fiction.

À l’exception de quelques entreprises et laboratoires de recherche, notamment DeepMind et OpenAI, la recherche actuelle en IA se concentre sur l’intelligence étroite, avec de grands progrès dans l’apprentissage automatique capable de traiter des tâches spécifiques de manière indépendante.

La popularité de l’apprentissage automatique complexifie parfois la distinction entre la réalité et la rumeur. L’absence de définition officielle, l’héritage de la science-fiction et un faible niveau général d’instruction sur les sujets liés à l’IA sont autant de facteurs qui y contribuent.

Nous espérons que cette leçon vous a permis de mieux comprendre ce qu’est l’apprentissage automatique ainsi que son lien à l’intelligence artificielle. Mais même dans le domaine de l’apprentissage automatique, il existe différents types de modèles et d’approches qu’il est essentiel de reconnaître.

C’est le sujet de notre prochaine leçon.