Intelligence artificielle est partout de nos jours, mais les fondamentaux du fonctionnement de cette nouvelle technologie influente peuvent être déroutants. Deux des domaines les plus importants dans Le développement de l’IA est « l’apprentissage automatique » et son sous-domaine, l’apprentissage profond. Voici une explication rapide de ce que sont ces deux disciplines importantes. , et comment ils contribuent à l’évolution de l’automatisation.
Tout d’abord, qu’est-ce que l’IA ?
Cela vaut la peine de nous rappeler ce qu’est réellement l’IA. Les partisans de l’intelligence artificielle disent qu’ils espèrent un jour créer une machine qui peut « penser » pour lui-même. Le cerveau humain est un instrument magnifique, capable d’effectuer des calculs qui dépassent de loin la capacité de toute machine actuellement existante. Les ingénieurs en logiciels impliqués dans le développement de l’IA espèrent à terme créer une machine qui peut faire tout un humain peut faire intellectuellement mais peut aussi le surpasser.
Lire la suite: L’IA comporte de nombreux termes. Nous avons un glossaire pour ce que vous devez savoir
Actuellement, les applications de l’IA dans les entreprises et le gouvernement se résument à des algorithmes prédictifs, le genre que suggère votre prochaine chanson sur Spotify $SPOT ou essayez de vous vendre un produit similaire à celui que vous acheté sur Amazon $AMZN la semaine dernière. Cependant, les évangélistes de l’IA croient que la technologie sera à terme capable de raisonner et de prendre des décisions qui sont beaucoup plus compliquées. Ce C’est là que ML et DL interviennent.
L’apprentissage automatique, expliqué
L’apprentissage automatique (ou ML) est une vaste catégorie d’intelligence artificielle qui fait référence au processus par lequel les programmes logiciels sont « appris » comment pour faire des prédictions ou des « décisions ». Un ingénieur IBM $IBM, Jeff Crume, explique l’apprentissage automatique comme « une forme très sophistiquée d’analyse statistique ». Selon Crume, cette analyse permet aux machines de faire des « prédictions ou des décisions ». basé sur des données. » Plus il y a d’informations qui sont introduites « dans le système, plus il est capable de nous donner des prédictions précises », a-t-il dit.
Contrairement à la programmation générale où une machine est conçu pour accomplir une tâche très spécifique, l’apprentissage automatique s’articule autour de la formation d’un algorithme pour identifier des modèles dans les données par lui-même. Comme indiqué précédemment, l’apprentissage automatique englobe une large variété d’activités.
L’apprentissage profond, expliqué
Apprentissage profond est apprentissage machine. C’est l’une des sous-catégories d’apprentissage machine mentionnées précédemment qui, comme d’autres formes de ML, se concentre sur l’enseignement L’IA pour « penser ». Contrairement à certaines autres formes d’apprentissage automatique, le DL cherche à permettre aux algorithmes d’effectuer une grande partie de leur travail. est alimenté par des modèles mathématiques appelés réseaux de neuraux artificiels (ANN). cerveau – des choses comme la prise de décision et l’identification de modèles.
La différence clé entre ML et DL
L’une des plus grandes différences entre le deep learning et les autres formes d’apprentissage automatique est le niveau de « supervision » fourni à une machine. Dans des formes moins compliquées de ML, l’ordinateur est probablement engagé dans apprentissage supervisé— un processus par lequel un humain aide la machine à reconnaître des modèles dans des données étiquetées et structurées et à améliorer ainsi sa capacité à effectuer une analyse prédictive .
L’apprentissage automatique repose sur d’énormes quantités de « données d’entraînement ». Ces données sont souvent compilées par des humains via l’étiquetage des données (beaucoup de ces humains ne sont pas très bien payés). Grâce à ce processus, un ensemble de données de formation est construit, qui peut en suite être introduit dans l’algorithme d’IA et utilisé pour lui apprendre à identifier des modèles. Par exemple, si une entreprise formait un algorithme pour reconnaître une marque spécifique de voiture sur lesphotos, cela alimenterait l’algorithme d’énormes tranches de photos de ce modèle de voiture qui avaient été étiquetées manuellement par le personnel humain. “un ensemble de données” est également créé pour mesurer la précision des pouvoirs prédictifs de la machine, une fois qu’elle a été entraînée.
En ce qui concerne DL, quant à lui, une machine s’engage dans un processus appelé « apprentissage non-supervisé. “L’apprentissage non supervisé implique une machine utilisant son réseau neuronal pour identifier des modèles dans ce qu’on appelle données non structurées ou « brutes »— qui sont des données qui n’ont pas encore été étiquetées ni organisées dans une base de données. Les entreprises peuvent utiliser des algorithmes automatisés pour passer au crible des pans de données. données non organisées et ainsi éviter de grandes quantités de travail humain.
Comment fonctionnent les réseaux neuronaux
Les ANNsont constitués de ce qu’on appelle des « nœuds ». Selon le MIT, un ANN peut avoir « des milliers, voire des millions » de nœuds. Ces nœuds peuvent être un peu compliqués, mais l’explication abrégée est qu’ils, comme les nœuds du cerveau humain, relaient et traitent les informations. Dans un réseau neuronal, les nœuds sont disposés sous une forme organisée. c’est ce qu’on appelle des « couches ». Ainsi, les réseaux d’apprentissage « profond » impliquent plusieurs couches de nœuds. Les informations se déplacent à travers le réseau et interagit avec ses différents environnements, ce qui contribue au processus de prise de décision de la machine lorsqu’elle est soumise à une invite humaine.
Un autre concept clé dans les ANN est le « poids », qui un commentateur compare aux synapses d’un cerveau humain. Les poids, qui ne sont que des valeurs numériques, sont distribués dans le réseau neuronal d’une IA et aident à déterminer le résultat ultime du résultat final de ce système d’IA. Les poids sont des entrées d’information qui aident à calibrer un réseau neuronal afin qu’il puisse prendre des décisions. . Le profond dive du MIT sur les réseaux de neurones l’explique ainsi :
À chacune de ses connexions entrantes, un nœud attribuera un numéro appelé « poids ». Lorsque le réseau est actif, le nœud reçoit un élément de données différent (un nombre différent) sur chacune de ses connexions et le multiplie par le poids associé. ajoute les produits résultants ensemble, ce qui donne un nombre unique. Si ce nombre est inférieur à une valeur seuil, le nœud ne transmet aucune donnée au couche suivante. Si le nombre dépasse la valeur seuil, le nœud « se déclenche », ce qui, dans les réseaux neuronaux d’aujourd’hui, signifie généralement envoyer le nombre. — la somme des entrées pondérées — le long de toutes ses connexions sortantes.
En bref : les réseaux neuronaux sont structurés pour aider un algorithme à tirer ses propres conclusions sur les données qui lui ont été transmises. lors de sa programmation, l’algorithme peut identifier des connexions utiles dans de larges tranches de données, aidant ainsi les humains à tirer leurs propres conclusions basées sur son analyse.
Pourquoi l’apprentissage machine est-il important pour le développement de l’IA ?
L’apprentissage automatique et profond aide à former des machines à réaliser des activités prédictives et interprétatives qui étaient auparavant uniquement le domaine des humains. Il y a beaucoup d’avantages, mais l’inconvénient évident est que ces machines peuvent (et, soyons honnêtes, seront inévitablement utilisées pour des choses néfastes, pas seulement utiles, comme des systèmes de surveillance gouvernementaux et privés, et l’automatisation continue des activités militaires et de défense. Mais, ils Ils sont également, évidemment, utiles pour les suggestions des consommateurs ou le codage et, au mieux, pour la recherche médicale et sur la santé. Comme tout autre outil, que ce soit L’impact de l’intelligence artificielle sur le monde dépend en grande partie de qui l’utilise.