L'intérêt dans les métiers de l’industrie : Explorez vos données immédiatement, sans longue période d’apprentissage.

Le machine learning est devenu la base de la grande majorité des systèmes intelligents et un pilier de l'Intelligence Artificielle moderne. Celui-ci permet à un modèle mathématique d'apprendre à faire une ou plusieurs tâche(s). Cet apprentissage peut se faire de plusieurs manières mais ces dernières ont toutes en commun d'avoir besoin de données!

Le slogan devenu populaire "Data is the new gold" montre bien l'importance qu'ont les données de nos jours. Optimiser le traitement de ces données et leur utilisation pour créer des applications et les mettre à votre service doit être l'objectif premier de toute organisation qui en a.

Les 3 méthodes principales d'apprentissage offrent des manières différentes d'utiliser ces données là :

le supervisé,
le non-supervisé,
et l'apprentissage par renforcement.

Nous nous focaliserons sur les 2 premières dans ce blog car celles-ci sont les plus utilisées actuellement, dû à leur rapport efficacité/besoin de ressources.

L’apprentissage supervisé

L'apprentissage supervisé consiste en l'apprentissage d'une tâche par un système ou modèle en se basant sur des données déjà annotées, labellisées ou catégorisées. Pour ce faire, les données brutes ou des descripteurs extraits de celles-ci sont fournies à l'entrée du modèle et la sortie de celui-ci est comparé aux labels qui eux sont aussi fournis. Cette comparaison permet d'ajuster les paramètres du modèle pour que ceux-ci soient mieux adaptés à la tâche. Une certaine quantité de données est nécessaire pour que les valeurs de ces paramètres convergent vers des valeurs optimales.

Bref, pour qu'un modèle apprenne avec cette méthode, le processus a besoin de données déjà annotées ou catégorisées.

Le processus d'apprentissage supervisé est alors relativement simple: il faut un modèle des données d'entrée et des données de sortie, et les paramètres du modèle seront ajustés en fonction de ces données.

Cette annotation demande très souvent beaucoup de temps, d'effort et de ressources. Cette tâche demande aussi parfois une certaine expertise et dépend donc de l'accès à des personnes qualifiées. Par exemple, la détection de cellules cancéreuses ou bénignes sur une radiographie nécessite l'expertise de médecins.

L’apprentissage non-supervisé

L'apprentissage non-supervisé consiste, au contraire, à ce que le modèle apprenne avec des données d'entrée sans avoir ou même connaître les sorties correspondantes.

Le processus est donc plus compliqué à mettre en place que la méthode supervisée car elle demande plus de réflexion en fonction de la tâche.

Par exemple, la méthode K-Nearest Neighbors (KNN) (les K plus proches voisins) est une méthode non-supervisée qui se base sur le "clustering" . Le clustering organise les données en groupes en fonction de leur proximité. Dans chaque groupe les données devraient alors avoir des caractéristiques communes. Il n'y a donc besoin, pour cette technique, que des données d'entrée. Le modèle n'a pas besoin que les données soient pré-catégorisées à la base.

Un autre exemple un peu plus concret est l'estimation de profondeur grâce à une méthode non-supervisée qui peut-être utilisée dans le cadre de la navigation autonome par exemple. Celui-ci prend une image en entrée, estime la sortie en comparant automatiquement des séquences d'images (venant aussi de la base de donnée) et ajuste les poids du modèle en se basant sur cette estimation. Ce modèle n'a donc pas besoin d'annotation manuelle ou de catégorisation préalable des données pour son entraînement.

Contrairement à l'apprentissage supervisé, l'apprentissage non-supervisé n'a donc pas besoin de dépenser du temps, de l'effort ou des ressources pour la catégorisation de données. Mais il demande par contre de passer plus de temps dans la réflexion et la mise en place d'un processus qui permet l'entraînement.

Le non-supervisé offre aussi la possibilité de découvrir de nouvelles catégories dans les données. En effet, le fait de ne pas avoir une catégorisation préalable et de "laisser faire le modèle" permet la découverte de nouvelle catégories, et ce même au fur et à mesure que celles-ci apparaissent au cours du temps. Ceci a moins de chance de se produire en utilisant des méthodes supervisées puisque dans ce cas-la, les catégories sont très souvent prédéfinies et considérées comme fixes.

Si vous voulez aller plus loin : comment utilise-t-on l’apprentissage non supervisé chez Phedone

Chez Phedone, nous faisons exclusivement de l’Intelligence artificielle “moderne” pour profiter pleinement des innovations constantes et ultra-rapides de l’IA.

Nous offrons à nos clients la possibilité de décupler leurs capacités en économisant du temps et des ressources humaines :

Sans annotation ou catégorisation manuelle, sans préparation préalable ni entraînement,
Avec une grande facilité de mise en oeuvre,
Sans biais, l’apprentissage non supervisé permet d’identifier des modèles qu’un être humain n’aurait pas su identifier.

Chez Phedone, nous effaçons cette difficulté de la mise en place en préparant métier par métier. Nous commençons par la Voix du client, celle du patient ou du citoyen. Nous nous intégrons avec les outils de support et de ticketing.

Les experts métiers n’ont donc pas à intervenir. Le résultat est immédiat, il est performant dès la mise en œuvre et il se bonifiera encore avec le temps.

Natural Language ProcessingIntelligence artificielle moderne : Qu’est ce que le non-supervisé ?

Get notified when we’re launching.