Seul un humain pourrait concevoir une métaphore d’apprentissage automatique aussi drôle
Une pile bâclée de pièces de puzzle qui gère une ressemblance passagère avec l’image voulue touche une corde sensible.
IBM définit l’apprentissage automatique comme une branche de l’intelligence artificielle et de l’informatique qui se concentre sur l’utilisation de données et d’algorithmes pour imiter la façon dont les humains apprennent, en améliorant progressivement sa précision.
Cependant, nous voyons régulièrement des exemples de machines n’apprenant que les aspects les plus superficiels du sujet et les imitant.
Les médias sociaux, malgré toutes leurs lacunes, sont capables d’identifier des images qui exposent instantanément la vérité sous-jacente d’une situation, et ce tweet nous montre jusqu’où l’apprentissage automatique doit encore aller.
Cette image de pièces de puzzle enfoncées au hasard dans des piles de la même couleur pour créer une imitation reconnaissable du résultat escompté viendra sûrement à l’esprit la prochaine fois qu’une Tesla s’enfoncera dans une voiture de police à l’arrêt sur l’accotement de la route, car son apprentissage automatique est toujours ne peut pas assembler les pièces du puzzle d’une voiture garée sur l’accotement de l’autoroute où il n’y a normalement pas de voitures à l’arrêt.
UC Berkeley identifie trois parties aux algorithmes d’apprentissage automatique :
- Un processus de décision: En général, les algorithmes d’apprentissage automatique sont utilisés pour faire une prédiction ou une classification. Sur la base de certaines données d’entrée, qui peuvent être étiquetées ou non, votre algorithme produira une estimation d’un modèle dans les données.
- Une fonction d’erreur: Une fonction d’erreur sert à évaluer la prédiction du modèle. S’il existe des exemples connus, une fonction d’erreur peut effectuer une comparaison pour évaluer la précision du modèle.
- Un processus d’optimisation de modèle: Si le modèle peut mieux s’adapter aux points de données de l’ensemble d’apprentissage, les poids sont ajustés pour réduire l’écart entre l’exemple connu et l’estimation du modèle. L’algorithme répétera cette évaluation et optimisera le processus, en mettant à jour les poids de manière autonome jusqu’à ce qu’un seuil de précision soit atteint.
Chez Nvidia, ils voient quatre méthodes différentes d’apprentissage automatique, que l’entreprise identifie comme suit :
- Enseignement supervisé: L’ensemble de données utilisé a été pré-étiqueté et classé par les utilisateurs pour permettre à l’algorithme de voir à quel point ses performances sont précises.
- Apprentissage non supervisé : L’ensemble de données brutes utilisé n’est pas étiqueté et un algorithme identifie les modèles et les relations au sein des données sans l’aide des utilisateurs.
- Apprentissage semi-supervisé : L’ensemble de données contient des données structurées et non structurées, qui guident l’algorithme sur son chemin pour tirer des conclusions indépendantes. La combinaison des deux types de données dans un ensemble de données d’apprentissage permet aux algorithmes d’apprentissage automatique d’apprendre à étiqueter des données non étiquetées.
- Apprentissage par renforcement: L’ensemble de données utilise un système de « récompenses/punitions », offrant un retour d’information à l’algorithme pour apprendre de ses propres expériences par essais et erreurs.
