Machine Learning, pour aller au-delà de l’apprentissage

Partager

Nous sommes désormais bien loin de la vision embryonnaire du Machine Learning (ML) telle que l’avait évoqué Arthur Samuel en 1959, lorsqu’il mit au point le premier système qui jouait seul aux dames pour IBM. S’il y excellait, il a tout de même fallu attendre le début du 21ème siècle, pour que la discipline s’impose enfin dans notre quotidien.

L’apprentissage ou l’analyse de problèmes complexes

L’apprentissage et l’adaptabilité de la machine a été tout au long du 20ème siècle une réelle préoccupation de l’ingénierie logicielle. Outre les théories mathématiques universitaires ou leurs dérivées open source, le développement technologie n’était pas au rendez-vous pour apporter une puissance de calcul miniaturisée suffisante pour qu’elle s’impose au quotidien. Pour mieux comprendre sa portée, je vous propose tout d’abord de nous pencher sur quelques-unes de ses différentes définitions.

Selon Gartner Group, il s’agit d’une notion visant à l’apprentissage par l’exemple, agrégeant plusieurs autres technologies connexes sous un terme unique : « […] Advanced machine learning algorithms are composed of many technologies (such as deep learning, neural networks and natural-language processing), used in unsupervised and supervised learning, that operate guided by lessons from existing information. »

Le cabinet McKinsey définit quant à lui le Machine Learning sous le chapitre du savoir-faire en automatisation des tâches par : « […] the use of computers to perform tasks that rely on complex analyses, subtle judgments and creative problem solving. ». Si l’on pensait que la créativité était l’apanage de la conscience, nos philosophes n’ont qu’à bien se tenir ! Cette vision quelque peu provocatrice, invite à la réflexion. En se plaçant à un niveau fort différent, elle fait abstraction de la composante technologique, pour aller sur une définition plus conceptuelle, ouvrant résolument à la réflexion.

Enfin, Wikipédia définit le Machine Learning comme un « … champ d'étude de l'intelligence artificielle, [il] concerne la conception, l'analyse, le développement et l'implémentation de méthodes permettant à une machine (au sens large) d'évoluer par un processus systématique et ainsi de remplir des tâches difficiles ou problématiques par des moyens algorithmiques plus classiques. ». Plus consensuelle, cette définition recouvre plusieurs notions dont méthode, processus et gestion de la complexité.

Aller plus loin et… décider

Supervisée ou non, la machine apprend donc vite et bien sur le papier. Lorsque l’on revient à la réalité, les choses sont toutes autres. L’intelligence artificielle (IA) ne se résume pas à une évangélisation marketing simpliste où l’apprentissage, profond ou non vient s’insérer d’un coup de baguette magique au cœur des technologies existantes.
Les mécaniques d’intelligence artificielle et de Machine Learning mises en œuvre sont souvent très compliquées et, l’incertitude due à l’environnement, contribue fort certainement à les faire passer du stade du compliqué au complexe. Pour analyser et résoudre des problèmes d’un autre nombre de dimensions bornées que celui d’une partie de dames, cela nécessite donc à la fois, plus de ressources et d’autres technologies. Par exemple, à l’échelle des objets connectés (IoT – Internet of Things) et du Big Data, de nouvelles méthodes d’analyse révolutionnaires se sont donc développées, telles que le Deep Learning et les Réseaux Neuronaux. De ce nouveau paradigme, on cherchera donc à transcender l’analyse statistique à grande échelle, découvrir des « patterns » et viser à prendre des décisions, encadrées ou non selon leur criticité.

L’homme face à la décision calculée

Voilà donc, l’homme face au besoin de se réinventer, à imaginer de nouveaux horizons adaptés au monde de demain, où le Machine Learning et où plus largement, l’Intelligence Artificielle enrichissent l’expérience du vécu. Nul besoin d’une expertise quelconque pour s’en convaincre, les faits sont là. La machine se nourrit de nos habitudes et décide déjà souvent pour nous. Elle règle le chauffage sans notre intervention, ajuste les volets de nos bureaux en fonction de l’éclairage, nous propose des publicités ciblées par nos cookies, reconnait les visages de nos photos, bref, s’empare de nos habitudes pour nous proposer une expérience utilisateur toujours plus fluide, mais également plus invasive.  La diversité de ces usages nous amène donc fort à propos à nous poser des questions d’éthique et de responsabilité, tout autant que de sécurité. L’homme ferait-il donc face à la décision calculée en tant que simple spectateur ? A courte échéance, il doit donc s’armer des moyens pour reprendre sa juste place de régulateur, arbitre et/ou acteur.

 

Vers un nouveau paradigme de « Déci-dende »

L’espace de la décision humaine est un droit que l’on veut souverain. L’IA et notamment le Machine Learning devront donc reprendre leur juste place d’intelligence à l’assistance pour éviter toute déviance. On l’aura compris, l’expérience utilisateur par le biais du Machine Learning peut s’en retrouver enrichie, fluidifiée et cela bien au-delà d’une simple réflexion autour de l’amélioration des interfaces de communication. Alors, laissons libre court à l’imagination entrepreneuriale et se dessiner un avenir où la décision et l’assistance se déclinent sous la forme d’un nouveau concept régulé de « déci-dence ».

 300x300_thierry-gluzman-portrait.png
Thierry GLUZMAN

Consultant et Senior Manager, je m'intéresse plus particulièrement à la maturité technologique des entreprises. J'accompagne les DSI à l'évolution des plans ou feuilles de route. Pour cela, je propose des missions de challenge et d'audit de maturité technologiques.