Machine learning

Le machine learning (ou Apprentissage machine ou ML) est la forme d’intelligence artificielle la plus en vogue depuis le début des années 2010 et qui s’appuie sur des algorithmes statistiques pour apprendre à une machine tantôt à reconnaître une image, tantôt à interpréter un texte, tantôt à le traduire, tantôt à prévoir les ventes, tantôt à identifier des groupes de consommateurs marketing, tantôt à recommander des produits ou contenus correspondant au goût d’un internaute.

Pour fonctionner, le machine learning a besoin de données exemples (appelées, données d’entraînement ou training data set), d’un framework logiciel, d’un algorithme adapté au résultat qui doit être produit (prévision, qualification du contenu d’une image, d’un texte…) et d’un environnement de déploiement (un serveur d’application, un serveur web, une application, un service de messenging pour les chatbots…).

Pour de nombreux scientifiques, le machine learning est la seule forme d’intelligence artificielle valable dans la mesure où elle active une fonction centrale de l’intelligence humaine : l’apprentissage. Pour d’autres, le machine learning n’est qu’une famille de technologies d’intelligence artificielle appelée à résoudre (souvent très bien), un nombre fini de problèmes.

Scientifiquement, le machine learning est l’étude scientifique des algorithmes et des modèles statistiques que les systèmes informatiques utilisent pour effectuer un spécifique task sans utiliser des instructions explicites, en se fondant sur les modèles et l’inférence à la place.

Il est considéré comme un sous-ensemble de l’intelligence artificielle. Les algorithmes d'apprentissage automatique construisent un modèle mathématique basé sur des données d'échantillon, appelées « données d'apprentissage », afin de faire des prédictions ou des décisions sans être explicitement programmé pour effectuer la tâche.

Les algorithmes d'apprentissage automatique sont utilisés dans une grande variété d'applications, telles que le filtrage du courrier électronique et la vision par ordinateur, où il est difficile ou impossible de développer un algorithme conventionnel pour effectuer efficacement la tâche.

L'apprentissage automatique est étroitement lié aux statistiques informatiques, qui se concentrent sur la prédiction à l'aide de l'ordinateur. L’étude de l’optimisation mathématique permet d’ appliquer des méthodes, de la théorie et des domaines d’application au domaine de l’apprentissage automatique. L'exploration de données est un domaine d’étude de l'apprentissage automatique et se concentre sur l'analyse exploratoire de données par le biais d’un apprentissage non supervisé.  

Dans son application à l'ensemble des problèmes de l’entreprise, l'apprentissage automatique est également appelé analyse prédictive.