Intelligence artificielle : les bénéfices réels du machine learning et du deep learning

Le terme IA évoque encore des films de science-fiction pour certains. Pourtant, cette forme d’intelligence fait désormais partie de la vie quotidienne, qu’elle prenne la forme d’une enceinte connectée, d’un assistant vocal ou d’un chatbot.

L’intelligence artificielle est une science informatique qui s’attache à recréer dans le cadre de "machines intelligentes" des facultés cognitives caractéristiques de l’intelligence humaine, telles que l’apprentissage, la résolution de problèmes et la reconnaissance de modèles. D’ailleurs, l’IA devient chaque jour plus intelligente et plus rapide en analysant d’énormes quantités de données fournies par des entreprises, des utilisateurs et des milliards de capteurs IoT.  

Etant donné que les plus grandes avancées de l’intelligence artificielle sont pour l’heure réalisées dans le machine learning et le deep learning, nous vous présentons ici ces deux formes d'IA et leurs principaux cas d’application.

Le machine learning : apprendre des données existantes

Le machine learning ou apprentissage automatique est une technologie qui détecte automatiquement les modèles formés par les données et les utilise pour établir des prévisions, par exemple sur le futur comportement des consommateurs. Le machine learning repose essentiellement sur un ensemble d'algorithmes capables d'apprendre et de prédire à partir de données enregistrées, d'optimiser une fonction d'utilité donnée malgré des incertitudes, de mettre en évidence des structures de données et de classer les données selon de brèves descriptions.

Le machine learning est souvent déployé dans des cas où une programmation explicite s’avérerait trop rigide ou irréalisable, pour permettre aux ordinateurs d’agir même sans avoir été explicitement programmés pour une tâche. Le machine learning utilise ainsi des données pour générer un code statistique appelé modèle ML. Ce modèle ML générera le « bon résultat » sur la base d’un modèle reconnu parmi des exemples existants de données entrantes ou sortantes, dans le cas des techniques supervisées. La précision d’un modèle ML repose principalement sur la qualité et la quantité de données historiques.

En s’appuyant sur des données pertinentes, un modèle ML peut analyser des problèmes multidimensionnels à partir de milliards d’exemples pour trouver la fonction optimale qui permettra de prévoir un résultat à partir de données entrantes. Cela donne confiance tant dans la fiabilité statistique de leurs prévisions que dans les performances globales des modèles ML. Ces niveaux d’évaluation sont importants pour décider s’il convient ou non d’utiliser un modèle ML ou une prévision individuelle.

Les applications du machine learning

Le machine learning est souvent utilisé pour prédire de futurs résultats sur la base de données historiques. Ainsi, certaines entreprises ont recours au machine learning pour prévoir le nombre de produits qui seront vendus au cours des prochains trimestres auprès de segments démographiques spécifiques ou pour estimer quel profil client sera le plus susceptible d’être mécontent ou d’être le plus fidèle à leur marque. Vous avez déjà pu utiliser du machine learning sans le savoir, en consultant, par exemple, les recommandations personnalisées de Netflix qui sont établies à partir des contenus déjà visionnés.

Les prévisions anticipant le comportement des consommateurs permettent de prendre de meilleures décisions opérationnelles, d’améliorer la personnalisation de l’expérience utilisateur et donc de réduire potentiellement les coûts de fidélisation des clients. Complémentaire de la business intelligence (BI) qui se concentre sur l’analyse de données commerciales antérieures, un modèle ML prévoit les résultats futurs à partir de tendances et de transactions passées.

Le deep learning : superposer des algorithmes

Le deep learning ou apprentissage profond est une technologie du machine learning qui implique la superposition des algorithmes pour permettre une compréhension plus approfondie des données. Les algorithmes ne sont plus limités à créer un ensemble défini de relations, comme le ferait une analyse par régression plus simple. Au contraire, le deep learning se base sur des couches d’algorithmes non linéaires pour créer des représentations distribuées qui interagissent selon une série de facteurs.

Etant donné les grands ensembles de données d’apprentissage existantes, les algorithmes de deep learning commencent à pouvoir identifier des relations entre des éléments, ces relations pouvant être des formes, des couleurs ou des mots par exemple. À partir de là, le système peut être utilisé pour établir des prédictions.

Au sein du machine learning et de l’intelligence artificielle, la puissance du deep learning réside dans la capacité du système à identifier plus de relations que l’être humain ne pourrait en coder dans un logiciel, voire d’identifier des relations que même des êtres humains ne pourraient pas percevoir.

Les applications du deep learning

Le deep learning est généralement utilisé pour des tâches complexes qui jusqu’à récemment ne pouvaient être exécutées que par des humains. Cela vaut pour la reconnaissance vocale, le traitement automatique du langage naturel, les fonctionnalités de recommandation du e-commerce ou encore la classification automatique d’images et de vidéos. De nombreux services de stockage de photos utilisent la reconnaissance faciale et la reconnaissance des objets pour identifier le sujet des photos.

Le développeur de logiciels marketing Bynder utilise par exemple la technologie de reconnaissance d’images fondée sur le deep learning pour analyser et catégoriser automatiquement les photographies afin de faciliter la gestion de la marque. Des assistants virtuels tels qu’Alexa utilisent également la reconnaissance vocale pour interagir avec l’utilisateur, chose que les ordinateurs ont appris à faire récemment grâce à des algorithmes de deep learning.

Le traitement du langage naturel va encore plus loin : nous voulons que les algorithmes comprennent non seulement le langage humain, mais aussi des éléments comme le ton et le contexte. Cela permettrait aux ordinateurs de comprendre des concepts complexes tels que l’émotion et le sarcasme. Bien que cette forme de deep learning soit encore en développement, elle permet d’ores et déjà à des entreprises d’automatiser pleinement leur service client en utilisant des « voice bots » et des « text bots ».

Le chatbot Kelley Blue Book, par exemple, permet aux utilisateurs de connaître la valeur de reprise de leur véhicule en temps réel grâce à une conversation en langage naturel, aussi à l’oral qu’à l’écrit, que le chatbot mène tout en analysant l’intention, les questions et les réponses de l’utilisateur jusqu’à obtenir toutes les informations nécessaires sur le véhicule pour pouvoir en estimer la valeur.

Artfinder : le machine learning et le deep learning au service des amateurs d’art

Artfinder est une e-galerie d’art où des milliers d’artistes du monde entier vendent près d’un demi-million d’œuvres d’art directement aux clients. Pour présenter aux acheteurs potentiels des œuvres qui correspondent à leurs goûts, Artfinder a dû trouver un moyen intelligent d’associer les acheteurs aux œuvres qu’ils apprécient. À l’instar de nombreux autres sites actuels, Artfinder recommande des œuvres sur la base des achats précédemment effectués par les clients.

Compte tenu du caractère singulier de chaque œuvre d’art, Artfinder a recours à de nombreuses technologies d’intelligence artificielle, dont le machine learning et le deep learning. Le machine learning permet d’affiner les algorithmes qui déterminent les critères comportementaux à prendre en compte pour faire des recommandations aux clients. Grâce aux algorithmes de deep learning, Artfinder peut analyser les œuvres et identifier les objets, les personnes, le texte, les scènes et les activités pour affiner ses recommandations.

Des milliers d’autres exemples d’organisations tirant parti de l’intelligence artificielle existent et de nouvelles applications viennent s’ajouter à la liste chaque jour.