Comprendre le machine learning
L’apprentissage automatique est la base de la plupart des solutions d’IA. Depuis les années 1950, les chercheurs, souvent connus sous le nom de scientifiques des données, ont travaillé sur différentes approches de l'IA. La plupart des applications modernes de l'IA ont leurs origines dans le Machine Learning, une branche de l'IA qui combine la science informatique et les mathématiques.
Commençons par examiner un exemple concret de la façon dont le machine learning peut être utilisé pour résoudre un problème difficile.
Les techniques agricoles durables sont essentielles pour maximiser la production alimentaire tout en protégeant un environnement fragile. The Yield est une société spécialisée en technologies agricoles située en Australie. Elle utilise des capteurs, des données et le machine learning pour aider les agriculteurs à prendre des décisions éclairées concernant la météo, le sol et les conditions des plantes.
Pour en savoir plus, regardez la vidéo suivante.
Fonctionnement du machine learning
Comment les machines apprennent-elles ?
La réponse est : à partir de données. Aujourd’hui, nous créons d’énormes volumes de données lors de nos activités quotidiennes. Qu’il s’agisse des messages texte, des e-mails et des publications que nous envoyons sur les réseaux sociaux, ou qu’il s’agisse des photos et des vidéos que nous prenons sur nos téléphones, la quantité d’informations que nous générons est énorme. Il y a aussi les données qui sont générées par les millions de capteurs situés dans nos maisons, nos voitures, nos villes, nos infrastructures de transport public et nos usines.
Les scientifiques des données peuvent utiliser toutes ces données pour entraîner des modèles Machine Learning capables de faire des prédictions et des inférences en fonction des relations qu’ils découvrent dans les données.
Les modèles Machine Learning tentent de capturer la relation entre les données. Par exemple, supposons qu’une organisation de conservation de l’environnement souhaite que des volontaires identifient et cataloguent différentes espèces de fleurs sauvages à l’aide d’une application sur leur téléphone portable. L’animation suivante montre comment le machine learning peut être utilisé pour permettre ce scénario.
- Une équipe de botanistes et de scientifiques collecte des données sur des échantillons de fleurs sauvages.
- L’équipe étiquette les échantillons avec le nom correct de l’espèce.
- Les données étiquetées sont traitées à l’aide d’un algorithme qui trouve des relations entre les caractéristiques des échantillons et les espèces données sur les étiquettes.
- Les résultats de l’algorithme sont encapsulés dans un modèle.
- Lorsque de nouveaux échantillons sont trouvés par des bénévoles, le modèle peut identifier l’étiquette d’espèce correcte.
Les approches de l'IA ont progressé pour accomplir des tâches d'une complexité accrue. Ces modèles complexes constituent la base des fonctionnalités d'IA.
Machine learning dans Microsoft Azure
Microsoft Azure fournit le service Azure Machine Learning, qui est une plateforme cloud permettant de créer, gérer et publier des modèles Machine Learning. Azure Machine Learning Studio offre plusieurs expériences de création comme :
- Machine Learning automatisé : cette caractéristique permet aux non-experts de créer rapidement un modèle Machine Learning efficace à partir de données.
- Concepteur Azure Machine Learning : interface graphique permettant le développement sans code de solutions Machine Learning.
- Visualisation des métriques de données : analysez et optimisez vos expériences avec la visualisation.
- Notebooks : écrivez et exécutez votre propre code dans les serveurs Jupyter Notebook managés directement intégrés au studio.