Apprentissage automatique
Méthode qui consiste à régler un programme à partir d’exemples, plutôt qu’en lui écrivant ses règles une à une, pour qu’il accomplisse une tâche de mieux en mieux.
Un exemple
Pour apprendre à repérer les courriers indésirables, un filtre reçoit des milliers de messages déjà triés par des personnes. Il retient les indices qui reviennent, comme certains mots ou certaines adresses, puis les applique aux nouveaux messages.
Ce qu’il faut comprendre
Essayez d’écrire les règles qui permettent de reconnaître un chat sur une photo. Quatre pattes ? Les chiens aussi. Des oreilles pointues ? Pas toujours, et parfois on ne les voit pas. Après quelques minutes, on renonce : il y a trop de cas.
L’apprentissage automatique contourne le problème. On rassemble des milliers de photos étiquetées « chat » ou « pas chat », et on laisse un programme ajuster des millions de petits réglages internes jusqu’à ce qu’il retrouve les bonnes étiquettes. Personne n’écrit la règle ; elle se dépose dans les réglages.
Cette méthode a un prix. Le programme obtenu est difficile à expliquer, même pour ceux qui l’ont conçu, et il reproduit fidèlement les défauts de ses exemples.
Démonstration : Apprendre par l’exemple
Apprendre par l’exemple
Cette machine a vu 8 ronds et 8 croix dessinés à la main. Dessinez une forme dans le cadre : elle cherche, parmi ses exemples, les trois qui ressemblent le plus à votre dessin.
Votre dessin
Ce que voit la machine
Une grille de 16 × 16 cases plus ou moins noircies. Elle ne voit ni lignes ni formes.
Sa réponse
Dessinez une forme : sa réponse s’affiche ici.
Tout ce qu’elle a vu : 16 exemples
Les idées fausses
-
On entendLa machine comprend ce qu’elle apprend.
En réalitéElle repère des régularités dans les exemples. Si les exemples contiennent une coïncidence, par exemple toutes les photos de vaches prises dans un pré, elle peut apprendre la coïncidence à la place de la vache.
-
On entendPlus il y a de données, meilleur est le résultat.
En réalitéLa quantité aide, mais la qualité compte autant. Des exemples mal triés ou déséquilibrés produisent un programme qui se trompe de façon systématique.
-
On entendUne fois entraînée, la machine continue d’apprendre toute seule.
En réalitéLa plupart des systèmes sont figés après leur entraînement. Ils n’apprennent pas de vos conversations, sauf si l’éditeur les réentraîne plus tard avec ces données.