IA et machine learning

L'intelligence artificielle (IA) et le machine learning (ML) sont deux types de solutions logicielles intelligentes qui influencent la façon dont les technologies passées, actuelles et futures sont conçues pour imiter des qualités plus humaines.

À la base, l'intelligence artificielle est une solution technologique, un système ou une machine qui vise à imiter l'intelligence humaine pour effectuer des tâches tout en s'améliorant de manière itérative en fonction des informations qu'elle recueille.

Le machine learning est un sous-ensemble de l'IA qui vise à construire un système logiciel capable d'apprendre ou d'améliorer ses performances en fonction des données qu'il consomme. Cela signifie que toute solution de machine learning est une solution d'IA, mais que toutes les solutions d'IA ne sont pas des solutions de machine learning.

Intelligence artificielle, apprentissage automatique ou apprentissage en profondeur

Intelligence artificielle. Machine learning. Deep learning. Bien que ces termes deviennent de plus en plus courants, pour beaucoup de gens ils se sentent toujours comme le sujet d'un film de science-fiction. Nous allons simplifier les choses et essayer la définition d'une ligne de chaque terme :

• Intelligence artificielle (IA) : actions informatiques qui imitent la prise de décision humaine en fonction des expériences et des données apprises.
• Apprentissage automatique (ML) : processus permettant aux ordinateurs de tirer des conclusions sur les données. Le machine learning est un sous-ensemble de l'IA qui permet aux ordinateurs d'apprendre en dehors de leur programmation.
• Apprentissage en profondeur : processus qui permettent aux ordinateurs de résoudre des problèmes très complexes. Le deep learning est un sous-ensemble du ML qui rend les calculs dans les réseaux neuronaux multicouches réalisables.

Histoire de l'IA

L'idée même de l'intelligence artificielle remonte aux années 1950 avec l'avènement des techniques et des capacités de calcul dans les machines. L'objectif était simple : aller au-delà de l'utilisation d'un ordinateur comme moyen de calcul et en fait stimuler la prise de décision.

Cela signifiait que les ordinateurs devaient aller au-delà du calcul des décisions en fonction des données existantes ; ils devaient aller de l'avant avec un examen plus approfondi de diverses options pour un raisonnement déductif plus calculé. Cependant, la façon dont cela est pratiquement accompli a nécessité des décennies de recherche et d'innovation. Une forme simple d'intelligence artificielle consiste à construire des systèmes basés sur des règles ou des systèmes d'experts. Cependant, l'avènement d'une puissance informatique accrue à partir des années 1980 signifiait que le machine learning changerait les possibilités de l'IA.

L'évolution du machine learning

Les décisions fondées sur des règles ont fonctionné pour des situations plus simples avec des variables claires. Même les échecs simulés par ordinateur reposent sur une série de décisions basées sur des règles qui intègrent des variables telles que les pièces qui se trouvent sur le tableau, les positions dans lesquelles elles se trouvent et leur tour. Le problème est que toutes ces situations nécessitaient un certain niveau de contrôle. À un certain moment, la possibilité de prendre des décisions basées simplement sur des variables et si/ou alors les règles ne fonctionnaient pas.

Le truc, alors, était de imiter les humains appris.

Le machine learning a été introduit dans les années 1980 avec l'idée qu'un algorithme pouvait traiter de grands volumes de données, puis commencer à déterminer des conclusions en fonction des résultats obtenus. Par exemple, si un algorithme de machine learning a alimenté un grand volume de transactions par carte de crédit avec des règles if/then pour signaler les fraudes, il peut alors commencer à identifier les facteurs secondaires qui ont créé un modèle, par exemple lorsqu'un compte achète quelque chose à des heures inhabituelles ou dans des magasins dans un emplacement géographique différent.

Un tel processus nécessitait des ensembles de données volumineux pour commencer à identifier des modèles. Cependant, même si les jeux de données impliquant des caractères alphanumériques clairs, des formats de données et une syntaxe peuvent aider l'algorithme concerné, d'autres tâches moins tangibles telles que l'identification de faces sur une image ont créé des problèmes.

Dans les années 2000, la technologie a fait un autre pas en avant et la solution à cela était de créer une méthodologie d'apprentissage qui simulait le cerveau humain.

Deep learning ou machine learning

Le deep learning fonctionne en divisant les informations en relations interconnectées, en effectuant essentiellement des déductions basées sur une série d'observations. En gérant les données et les modèles déduits par le machine learning, le deep learning crée un certain nombre de références à utiliser pour la prise de décision. Comme pour l'apprentissage automatique standard, plus le jeu de données est grand pour l'apprentissage, plus les résultats de l'apprentissage en profondeur sont affinés.

Un moyen simple d'expliquer le deep learning est qu'il permet de prendre des indices contextuels inattendus dans le processus de prise de décision. Réfléchissez à la façon dont un jeune enfant apprend à lire. S'ils voient une phrase qui dit "Les barres vont vite", ils peuvent reconnaître les mots "voitures" et "aller" mais pas "rapide". Cependant, avec une certaine pensée, ils peuvent déduire toute la phrase en raison d'indices contextuels. "Fast" est un mot qu'ils auront probablement entendu par rapport aux voitures auparavant, l'illustration peut montrer des lignes pour indiquer la vitesse, et ils peuvent savoir comment les lettres F et A fonctionnent ensemble. Il s'agit de chaque élément individuel, par exemple " Est-ce que je reconnais cette lettre et que je sais comment elle sonne ? " Mais lorsqu'il est assemblé, le cerveau de l'enfant est en mesure de prendre une décision sur son fonctionnement et de lire la phrase. Et à son tour, cela renforcera la façon de dire le mot "rapide" la prochaine fois qu'ils le verront.

C'est ainsi que le deep learning fonctionne en réduisant divers éléments pour prendre des décisions en matière d'apprentissage automatique, puis en examinant comment ils sont interconnectés pour en déduire un résultat final.

Logiciel d'intelligence artificielle

Les logiciels d'intelligence artificielle peuvent utiliser la prise de décision et l'automatisation optimisées par le machine learning et le deep learning pour augmenter l'efficacité d'une entreprise. De la modélisation prédictive à la génération de rapports en passant par l'automatisation des processus, l'intelligence artificielle peut transformer le fonctionnement d'une entreprise en apportant des améliorations en termes d'efficacité et de précision. Oracle Cloud Infrastructure (OCI) constitue la base de la gestion des données dans le cloud optimisée par l'IA et l'apprentissage automatique.