Machine Learning : définition, fonctionnement et utilisations

L’apprentissage automatique (ou Machine Learning) est désormais partout : presse, industries, organisations, outils… Il semble s’être immiscé dans tous les domaines et être sur toutes les lèvres ! Pourtant, peu sont ceux qui savent donner précisément la définition du machine learning… 

La principale fonctionnalité de cette forme d’intelligence artificielle ? Il permet aux applications de prédire de façon plus précise un résultat donné, sans être explicitement programmé pour cela. Le concept vous paraît encore un peu flou ? Et pourtant, c’est l’un des outils les plus largement utilisés, aussi bien dans la finance que la cybersécurité. Pour y voir plus clair et bien comprendre les enjeux de l’apprentissage automatique, voici  le tour d’horizon de ses nombreuses applications. 

Quelle est la définition du machine learning ? 

La définition la plus simple du machine learning (ML) le qualifie comme un volet de l‘intelligence artificielle (IA). Il fournit aux logiciels ou aux machines (ordinateurs, etc.) la capacité d’apprendre de façon automatique à partir de données et d’expériences passées. Ces derniers peuvent, à partir de la data disponible, identifier des modèles ou faire des prédictions sans intervention humaine. Ou du moins, avec une intervention minime.  

Tout l’enjeu derrière la définition du machine learning, c’est donc de permettre aux ordinateurs de fonctionner de façon autonome. Ils doivent pouvoir marcher sans avoir été explicitement programmés pour telle ou telle tâche. Les différentes applications du machine learning sont donc alimentées non pas par un code, mais par de grands volumes de données. Les algorithmes exploitent ensuite les données, pour apprendre de façon itérative.  

Comment fonctionne l’apprentissage automatique ? 

De la même manière que notre cerveau stocke et apprend des nouvelles connaissances et expériences auxquels il est exposé, le machine learning s’appuie sur de nouvelles entrées. Il peut s’agir de données, de graphiques, etc. Les performances des algorithmes de machine learning s’affinent donc en s‘adaptant à un nombre croissant de données et en tissant des liens entre elles.   

Le processus d’apprentissage automatique commence par des observations ou des données tests (des exemples, une expérience, une instruction, etc.). L’IA recherche ensuite des modèles afin de faire des déductions basées sur les données fournies.  

Dans la définition du machine learning, ce dernier est souvent classé en fonction de la méthode d’apprentissage utilisée par l’algorithme pour affiner ses prédictions. Il existe quatre approches :  

• L’apprentissage supervisé. Les Data Scientists fournissent aux algorithmes des données d’apprentissage étiquetées. Puis, ils définissent les variables à partir desquelles ils souhaitent que l’algorithme identifie des corrélations. L’entrée et la sortie de l’algorithme sont clairement spécifiées en amont ; 
• L’apprentissage non supervisé. Avec cet apprentissage, les algorithmes sont entraînés à partir de données non étiquetées. Il parcourt les données à la recherche de modèles significatifs. Ainsi, l’humain ne prédétermine pas les prédictions ou recommandations ; 
• Le machine learning semi-supervisé. Cette approche de l’apprentissage automatique est tout simplement un entre-deux des deux précédentes. Les Data Scientists peuvent alimenter l’algorithme avec des données d’apprentissage. Mais ce dernier est libre de les explorer par lui-même et de développer ses propres modèles de prédiction ; 
• L’apprentissage par renforcement. Cette méthode est surtout utilisée pour apprendre à une machine à effectuer un processus en plusieurs étapes pour lequel il existe des règles clairement définies. L’algorithme est programmé pour accomplir une tâche à partir d’indices positifs ou négatifs. Il est néanmoins libre de décider par lui-même quelle étape suivre à partir de ces derniers.  

Pourquoi l’apprentissage automatique est-il devenu si prédominant ?  

Un peu d’histoire du machine learning

Si on se penche sur la définition du machine learning, ce n’est en réalité pas un concept nouveau. Il est déjà très présent dans de nombreux domaines, notamment dans l’informatique, mais aussi les jeux vidéo. Le premier modèle d’apprentissage automatique a en effet été inventé par Arthur Samuel pour concevoir un jeu de dames. Plus le programme jouait, plus il affinait ses stratégies et précisait le comportement de son adversaire.   

Aujourd’hui, l’usage du machine learning est beaucoup plus massif et généralisé. Ce dernier s’est notamment imposé grâce à sa capacité à résoudre des problèmes complexes à une vitesse et à une échelle incomparables avec l’intelligence humaine. L’apprentissage automatique s’inscrit également dans une tendance plus globale d’automatisation des tâches et processus routiniers. Il ne vient ainsi pas remplacer l’esprit ou le travail humain. Au contraire, il lui permet plutôt de se concentrer sur des activités à plus forte valeur ajoutée ! 

Le machine learning est aussi, en un sens, le “grand final” de l’accumulation impressionnante de données. Grâce à lui, le Big Data se transforme en outil pour optimiser la résolution de problèmes techniques ou commerciaux, la prise de décision stratégique et plus globalement l’efficacité des processus d’une entreprise.  

Une adoption massive du machine learning dans tous les secteurs d’activité   

Si le machine learning est si important aujourd’hui, c’est aussi en raison de son adaptabilité. Il s’est en effet imposé dans tous les secteurs d’activité, apportant des réponses sur mesure aux défis que chacun d’entre eux rencontre.  

Selon une récente étude menée en 2021, 41 % des entreprises interrogées déclarent avoir accéléré leur déploiement de l’apprentissage automatique suite à la pandémie. Ces nouveaux adoptants rejoignent les 31 % d’entreprises qui utilisent déjà le machine learning pour piloter leurs processus de production ou de commercialisation.  

 Machine learning : quelles applications ?

Les applications possibles du machine learning sont nombreuses :  

• Cybersécurité. Les modèles d’apprentissage automatique sont aujourd’hui utilisés pour identifier les failles de sécurité afin d’éviter une potentielle violation des données. À partir d’attaques passées, les algorithmes peuvent prédire les futurs risques et les prévenir de manière proactive ; 
• Finance : les banques comme les maisons de courtage et les entreprises de la Fintech utilisent l’apprentissage automatique comme outil d’automatisation. La Bank of America se repose même sur le machine learning pour alimenter Erica, le chatbot de son support client ; 
• Santé : le machine learning accélère l’analyse de données sanitaires. Il participe ainsi activement à la découverte de traitements efficaces, à l’automatisation des contrôles de routine et à la prévention des erreurs humaines. Watson d’IBM est par exemple utilisé pour aider les médecins à personnaliser le traitement de leurs patients sur la base de l’analyse de données ;  
• Retail : le machine learning est déjà très présent dans l’e-commerce. C’est par exemple lui qui alimente les applications de recommandations de produits sur la base du comportement des clients ou de ses données personnelles.  

Les principales tendances du machine learning  

La principale tendance à retenir en matière de machine learning, c’est sa croissance exponentielle. D’après le rapport de Fortune Business Insights, la taille du marché mondial de l’apprentissage automatique était de 15,50 milliards de dollars en 2021. Il devrait atteindre 152,24 milliards de dollars d’ici 2028, avec un TCAC de 38,6 %. 

L’adoption du machine learning devrait aussi être plus accrue et plus descendante (il reste encore aujourd’hui limitée aux grandes entreprises). En effet, les signaux forts que nous envoie le secteur du machine learning concernant sa croissance sont nombreux…  

La rencontre entre machine learning et blockchain 

Les applications de la blockchain devraient fusionner de plus en plus avec l’apprentissage automatique, et plus globalement l’IA. Des banques comme Barclays et HSBC sont actuellement en train de travailler sur des algorithmes d’octroi de prêts sans intérêt adossés à la blockchain.  

La multiplication des outils SaaS basés sur l’apprentissage automatique 

Les géants technologiques comme Google, Microsoft ou encore Facebook  intègrent de plus en plus l’IA dans leurs outils en libre-service. C’est le cas par exemple de Google Maps et de son option “Get Direction”. On devrait également voir se multiplier les logiciels à destination des PME afin de démocratiser le machine learning.  

De nombreuses solutions low-code et no-code sont apparues ces dernières années, mais elles sont globalement bien moins performantes. Les startups qui réussiront à améliorer leurs produits (en s’appuyant notamment sur le cloud computing) devraient s’imposer sur le marché de l’IA.   

L’apprentissage automatique intégré (ou TinyML)  

Ce sous-domaine du machine learning permet aux technologies d’apprentissage automatique de s’exécuter sur différents appareils. Le TinyML est par exemple utilisé dans les appareils électroménagers, les smartphones et les ordinateurs portables, les appareils de maison intelligente, etc.  

 Avec la prolifération des technologies IoT et de la robotique, les systèmes embarqués ont pris encore plus d’importance. Le TinyML pose des défis à résoudre en 2023 avant une adoption plus massive. Il nécessite en effet une optimisation de ses performances tout autant qu’une économie de ses ressources. 

Pour aller plus loin : 

• TinyML : tour d’horizon 

Machine learning : un avenir à écrire 

Si le machine learning s’impose comme l’une des applications de l’IA les plus prometteuses, elle n’en est encore qu’à ses balbutiements. Les technologies d’apprentissage automatique s’améliorent et se simplifient avec le temps. Elles deviennent plus performantes dans leurs modèles de prévision, mais aussi plus légères et plus accessibles.   

Néanmoins, pour se développer, il faudra aussi prendre en compte ses nombreux talons d’Achille. À commencer par la fréquence (encore élevée) de ses erreurs (en particulier au niveau du code des algorithmes) et ses implications éthiques. Attention à ne pas déifier l’IA, quitte à oublier qu’elle est et restera d’origine humaine (et donc faillible)… 

La question de son coût (aussi bien financier qu’énergétique) reste également à régler. D’autant plus si l’on veut en faire non pas un outil à usage unique, mais une multitude d’applications hautement spécialisées. La formation de professionnels qualifiés (pour chaque industrie) représente aussi l’un des enjeux majeurs de l’adoption future du machine learning.