L'intelligence artificielle (IA) et ses sous-ensembles, l'apprentissage machine (ML) et l'apprentissage profond (DL), jouent un rôle majeur dans la science des données. La science des données est un processus complet qui implique le prétraitement, l'analyse, la visualisation et la prédiction. Plongeons en profondeur dans l'IA et ses sous-ensembles.
L'intelligence artificielle (IA) est une branche de l'informatique qui vise à construire des machines intelligentes capables d'effectuer des tâches qui requièrent généralement l'intelligence humaine. L'IA est principalement divisée en trois catégories, comme ci-dessous
Intelligence étroite artificielle (ANI)
Intelligence Générale Artificielle (AGI)
Super-intelligence artificielle (ASI).
L'IA étroite, parfois appelée "IA faible", exécute au mieux une seule tâche d'une manière particulière. Par exemple, une machine à café automatique vole qui effectue une séquence d'actions bien définie pour faire du café. Alors que l'IAG, également appelée "IA forte", exécute un large éventail de tâches qui impliquent de penser et de raisonner comme un être humain. Un exemple est Google Assist, Alexa, Chatbots qui utilise le traitement du langage naturel (NPL). L'intelligence artificielle (ASI) est la version avancée qui surpasse les capacités humaines. Elle peut effectuer des activités créatives comme l'art, la prise de décision et les relations émotionnelles.
Examinons maintenant l'apprentissage automatique (ML). Il s'agit d'un sous-ensemble de l'IA qui implique la modélisation d'algorithmes permettant de faire des prédictions basées sur la reconnaissance de modèles et d'ensembles de données complexes. L'apprentissage automatique vise à permettre aux algorithmes d'apprendre à partir des données fournies, de recueillir des informations et de faire des prédictions sur des données non analysées auparavant en utilisant les informations recueillies. Les différentes méthodes d'apprentissage automatique sont les suivantes
l'apprentissage supervisé (IA faible - axé sur les tâches)
l'apprentissage non supervisé (IA forte - Data Driven)
l'apprentissage semi-supervisé (forte IA - rentable)
renforcement de l'apprentissage machine. (IA forte - apprendre des erreurs)
L'apprentissage machine supervisé utilise des données historiques pour comprendre le comportement et formuler des prévisions pour l'avenir. Dans ce cas, le système est constitué d'un ensemble de données désignées. Il est étiqueté avec des paramètres pour l'entrée et la sortie. Au fur et à mesure que les nouvelles données arrivent, l'algorithme ML analyse les nouvelles données et donne la sortie exacte sur la base des paramètres fixés. L'apprentissage supervisé peut effectuer des tâches de classification ou de régression. Des exemples de tâches de classification sont la classification des images, la reconnaissance des visages, la classification des spams, la détection des fraudes d'identification, etc. et pour les tâches de régression, les prévisions météorologiques, la prévision de la croissance démographique, etc.
L'apprentissage machine non supervisé n'utilise aucun paramètre classifié ou étiqueté. Il se concentre sur la découverte de structures cachées à partir de données non étiquetées afin d'aider les systèmes à déduire une fonction correctement. Il utilise des techniques telles que le regroupement ou la réduction de la dimension. La mise en grappe consiste à regrouper des points de données ayant une métrique similaire. Elle est basée sur les données et certains exemples de regroupement sont la recommandation de films pour les utilisateurs de Netflix, la segmentation de la clientèle, les habitudes d'achat, etc. Parmi les exemples de réduction de la dimensionnalité, citons l'obtention de caractéristiques, la visualisation de données volumineuses.
L'apprentissage machine semi-supervisé fonctionne en utilisant à la fois des données marquées et non marquées pour améliorer la précision de l'apprentissage. L'apprentissage semi-supervisé peut être une solution rentable lorsque l'étiquetage des données s'avère coûteux.
L'apprentissage par renforcement est assez différent de l'apprentissage supervisé et non supervisé. Il peut être défini comme un processus d'essais et d'erreurs qui donne finalement des résultats. t est réalisé par le principe du cycle d'amélioration itératif (pour apprendre par les erreurs passées). L'apprentissage par renforcement a également été utilisé pour enseigner aux agents la conduite autonome dans des environnements simulés. Le Q-learning est un exemple d'algorithmes d'apprentissage par renforcement.
Passant à l'apprentissage profond (DL), il s'agit d'un sous-ensemble de l'apprentissage machine où l'on construit des algorithmes qui suivent une architecture en couches. Le DL utilise plusieurs couches pour extraire progressivement des caractéristiques de niveau supérieur à partir de l'entrée brute. Par exemple, en traitement d'images, les couches inférieures peuvent identifier les bords, tandis que les couches supérieures peuvent identifier les concepts pertinents pour un humain tels que les chiffres, les lettres ou les visages. DL se réfère généralement à un réseau neuronal artificiel profond et ce sont les ensembles d'algorithmes qui sont extrêmement précis pour les problèmes tels que la reconnaissance du son, la reconnaissance d'images, le traitement du langage naturel, etc.
Pour résumer, la science des données couvre l'IA, qui comprend l'apprentissage machine. Cependant, l'apprentissage machine lui-même couvre une autre sous-technologie, à savoir l'apprentissage profond. Grâce à l'IA, elle est capable de résoudre des problèmes de plus en plus difficiles (comme la détection du cancer mieux que les oncologues) mieux que les humains ne le peuvent.
Cinoy M R est un architecte d'entreprise basé à Dubaï, qui possède une riche expérience dans le domaine des solutions technologiques et des résultats commerciaux. Il est titulaire d'une licence en technologie (informatique) de l'université Thompson Rivers (TRU), au Canada, d'un diplôme de gestion d'entreprise et d'un master en gestion d'entreprise (SAP).
Post a Comment