L’analyse de cas en intelligence artificielle révèle que la qualité des données d’apprentissage peut transformer les résultats des algorithmes. En explorant les biais inhérents aux bases de données, cet article soulève des questions cruciales sur l’éthique et l’impact sociétal de l’IA, essentielles pour l’avenir de cette technologie.
Techniques de l’apprentissage:
Pour apprendre, un algorithme doit se baser sur un très grand nombre de données préexistantes (apprentissage supervisé) ou acquises à travers son entraînement (apprentissage non supervisé). Le résultat de l’algorithme dépend donc inéluctablement de la qualité des données sur lesquels se fonde l’apprentissage. Ainsi, si une base de données est représentative des biais des personnes qui l’ont créée, le résultat pourrait l’être.
L’apprentissage automatique:
À l’inverse, les techniques d’apprentissage se sont développées en tentant de modéliser les processus cognitifs non à partir d’un ensemble de règles formelles logiques, mais à partir de l’analyse d’expériences passées. Toutes les approches d’apprentissage automatique comportent deux phases : la première est celle de l’apprentissage à proprement parler et consiste à choisir un modèle (ex : réseau de neurones) puis ajuster ses paramètres à partir de données en entrée — par exemple des photos de chat et de chien, pour un modèle de
reconnaissance visuelle. La deuxième phase est celle de l’inférence. À partir des paramètres qui ont été appris, l’algorithme effectue la tâche qui lui a été fixée — par exemple distinguer les photos de chat des photos de chien. Parmi les approches de l’apprentissage automatique, on peut distinguer différentes techniques qui peuvent correspondre à différents problèmes.
Principe:
Les algorithmes utilisés permettent, dans une certaine mesure, à un système piloté par ordinateur (un robot éventuellement), ou assisté par ordinateur, d’adapter ses analyses et ses comportements en réponse, en se fondant sur l’analyse de données empiriques provenant d’une base de données ou de capteurs.
La difficulté réside dans le fait que l’ensemble de tous les comportements possibles compte tenu de toutes les entrées possibles devient rapidement trop complexe à décrire (on parle d’explosion combinatoire). On confie donc à des programmes le soin d’ajuster un modèle pour simplifier cette complexité et de l’utiliser de manière opérationnelle. Idéalement, l’apprentissage visera à être non supervisé, c’est-à-dire que la nature des données d’entrainement n’est pas connue.[2.2]
Ces programmes, selon leur degré de perfectionnement, intègrent éventuellement des capacités de traitement probabiliste des données, d’analyse de données issues de capteurs, de reconnaissance (reconnaissance vocale, de forme, d’écriture…), de fouille de données, d’informatique théorique…
Exemple:
- Un système d’apprentissage automatique peut permettre à un robot ayant la capacité de bouger ses membres mais ne sachant initialement rien de la coordination des mouvements permettant la marche, d’apprendre à marcher. Le robot commencera par effectuer des mouvements aléatoires, puis, en sélectionnant et privilégiant les mouvements lui permettant d’avancer, mettra peu à peu en place une marche de plus en plus efficace.
Types d’apprentissage:
Apprentissage supervise:
Dans l’apprentissage supervisé, le problème est de distinguer des catégories d’objets dont on dispose des données étiquetées suivant ces catégories. Par exemple des millions de photos où les chats et les chiens sont identifiés comme tels. La phase d’apprentissage ajuste progressivement les paramètres du modèle pour que l’erreur soit la plus faible possible sur les exemples connus. Dans la phase d’inférence, la machine catégorise des données inconnues — elle reconnaît par exemple des chiens sur des nouvelles photos.
Figure 2.3 : Apprentissage supervisé : schéma d’une unité logistique
Apprentissage non supervise:
Dans l’apprentissage non supervisé, au contraire, on dispose de données non étiquetées. Lors de la phase d’apprentissage, le but est d’établir des catégories. La phase d’inférence est identique à celle de l’apprentissage supervisé. Par exemple, cette technique est particulièrement utile pour déterminer des profils de comportement sur lesquels on n’a aucun a priori sur les catégories, à partir de multiples traces qu’on laisse quotidiennement sur Internet. Ces approches sont aujourd’hui au centre des travaux de recherche puisqu’elles permettraient de limiter la nécessité de jeux de données annotées.[2.3]
Apprentissage par renforcement:
L’apprentissage par renforcement (RL pour Reinforcement Learning) fait référence à une classe de problèmes d’apprentissage automatique, dont le but est d’apprendre, à partir d’expériences successives, ce qu’il convient de faire de façon à trouver la meilleure solution.
Dans un tel problème, on dit qu’un « agent » (l’algorithme, au sens du code et des variables qu’il utilise) interagit avec « l’environnement » pour trouver la solution optimale. L’apprentissage par renforcement diffère fondamentalement des problèmes supervisés et non supervisés par ce côté interactif et itératif : l’agent essaie plusieurs solutions (on parle « d’exploration »), observe la réaction de l’environnement et adapte son comportement (les variables) pour trouver la meilleure stratégie (il
« exploite » le résultat de ses explorations). Un des concepts clés de ce type de problèmes est l’équilibre entre ces phases d’exploration et d’exploitation. Cette méthode est particulièrement adaptée aux problèmes nécessitant un compromis entre la quête de récompenses à court terme et celle de récompenses à long terme. Parmi les exemples de problèmes traités de cette façon, on peut évoquer : apprendre à un robot à marcher en terrain difficile, à conduire (cas de la voiture autonome) ou à accomplir une tâche spécifique
(comme jouer au jeu de go), piloter un agent à travers un labyrinthe, etc. Les principales familles de problèmes d’apprentissage par renforcement sont les algorithmes de bandits, les problèmes de décisions (partiellement) markovien et les arbres de jeu.[2.4]
Figure 2.4 : Apprentissage par renforcement
L’apprentissage profond:
Le deep learning ou apprentissage profond est un type d’intelligence artificielle dérivé du machine learning (apprentissage automatique) où la machine est capable d’apprendre par elle-même, contrairement à la programmation où elle se contente d’exécuter à la lettre des règles prédéterminées.
Le deep Learning s’appuie sur un réseau de neurones artificiels s’inspirant
du cerveau humain. Ce réseau est composé de dizaines voire de centaines de « couches » de neurones, chacune recevant et interprétant les informations de la couche précédente. Le système apprendra par exemple à reconnaître les lettres avant de s’attaquer aux mots dans un texte, ou détermine s’il y a un visage sur une photo avant de découvrir de quelle personne il s’agit.
Figure 2.5 : Le deep Learning
Algorithme :
On peut dire simplement, qu’un algorithme est une procédure de résolution de problème:
Algorithme du perceptron:
Algorithme inventé en 1957 par Frank Rosenblatt, au sein du Cornell Aeronautical Laboratory. Études inspirées par les théories cognitives de Friedrich Hayek et Donald Hebb.
La première implémentation du perceptron fut effectuée sous la forme d’un logiciel pour l’IBM 704, mais il a ensuite été implémenté dans une machine créée spécialement pour l’occasion baptisée Mark 1.
Conçue pour la reconnaissance d’image, elle regroupait 400 cellules photoélectriques connectées à des neurones. Les poids synaptiques étaient encodés dans des potentiomètres, et les changements de poids pendant l’apprentissage étaient effectués par des moteurs électriques. Cette machine est l’un des tout premiers réseaux de neurones artificiels.
Le perceptron ne comportait qu’une seule couche. Avec les progrès de la technologie, les multicouches permirent de traiter les problèmes complexes [2.5].
Algorithme du gradient:
𝑦 = (1 𝑥1 𝑥2 … 𝑥𝑛) Ω = 𝑓(𝑥) = {+𝑦 𝑠𝑖 𝑦 ∈ 𝐶1
−𝑦 𝑠𝑖 𝑦 ∈ 𝐶
2
La règle de classification est :
Si 𝜔𝑇Ω > 0 alors 𝑦 ∈ 𝐶1 (correcte) Si 𝜔𝑇Ω < 0 alors 𝑦 ∈ 𝐶2 (incorrecte) L’évolution de 𝜔 devient alors :
𝜔(𝑘 + 1) = {𝜔(𝑘) + 𝜌 Ω(k) 𝑠𝑖 𝜔𝑇Ω < 0
𝜔(𝑘) 𝑠𝑖 𝑛𝑜𝑛
𝝆: est le coefficient de correction .
L’algorithme du gradiant est alors :
𝜌 ≥
−𝜔𝑇(𝑘) Ω(𝑘)
∥ Ω(𝑘) ∥2
𝜔(𝑘 + 1) = 𝜔(𝑘) − 𝜆 𝜔𝑇(k) Ω(k) 𝛺(𝑘) 1 < 𝜆 < 2
( ) 2
∥Ω k ∥
Applicable pour les fonctions discriminantes non linéaires
________________________
2 Définition donnée par l’article 62 de la loi sur les nouvelles régulations économiques (NRE) du 15 mai 2001. ↑
3 Auchan Les 4 Temps, La Défense. ↑
Questions Fréquemment Posées
Qu’est-ce que l’apprentissage supervisé en intelligence artificielle?
Dans l’apprentissage supervisé, le problème est de distinguer des catégories d’objets dont on dispose des données étiquetées suivant ces catégories.
Comment fonctionne l’apprentissage non supervisé?
Dans l’apprentissage non supervisé, on dispose de données non étiquetées. Le but est d’établir des catégories à partir de ces données.
Quels sont les principes fondamentaux de l’apprentissage automatique?
Les techniques d’apprentissage automatique modélisent les processus cognitifs à partir de l’analyse d’expériences passées et comportent deux phases : l’apprentissage et l’inférence.