Apprentissage automatique

Qu'on le veuille ou non, notre vie quotidienne est imprégnée de technologie. Comme la plupart des gens, vous avez probablement commencé votre journée en consultant votre téléphone ou en allumant une liste de lecture Spotify pour démarrer votre journée. Après vous être levé, vous avez peut-être consulté Google Maps pour voir si le trajet jusqu'à votre lieu de travail allait être chargé. Pendant votre pause déjeuner, vous avez peut-être vu une publicité pour une chemise étrangement parfaite sur les médias sociaux. Après être rentré chez vous, vous avez regardé votre nouvelle série Netflix préférée pour vous détendre ?

Cela vous semble familier ? Ces habitudes technologiques sont courantes et omniprésentes dans la plupart de nos vies quotidiennes. Cependant, aucune de ces petites merveilles technologiques ne serait possible sans un outil puissant : l'apprentissage automatique.

L'apprentissage automatique est le processus par lequel un ordinateur tente d'apprendre à partir d'expériences passées. Le processus général de l'apprentissage automatique se déroule comme suit : des données sont introduites dans une machine, qui les soumet à un algorithme. Si l'algorithme renvoie un résultat correct, nous l'utilisons comme exemple pour la suite de l'apprentissage. S'il est erroné, nous fournissons un retour d'information et la machine apprend de ses erreurs. Plus elle procède ainsi, plus elle parvient à résoudre le problème en question.

Pour simplifier la compréhension de ce processus, nous pouvons le comparer à l'étude d'une série de problèmes dans le cadre d'un examen de mathématiques. Si vous le résolvez correctement, c'est que vous avez probablement suivi les bonnes étapes pour résoudre le problème. Si vous vous trompez, votre professeur vous donnera un feedback et vous montrera où vous vous êtes trompé. Si vous tenez compte de ces remarques et continuez à vous entraîner, le nombre d'erreurs diminuera et vous aurez plus de chances d'obtenir une bonne note. Il est important de noter que l'augmentation de la réussite ne vient pas du fait de répéter exactement la même question, mais de l'exécution d'un algorithme (ensemble d'étapes) qui peut être appliqué à un grand nombre de problèmes différents et difficiles. Alors que l'étude peut créer un génie des mathématiques, l'apprentissage automatique peut rendre un ordinateur extrêmement précis, efficace et rapide dans la résolution de problèmes.

Réseaux neuronaux : Un modèle artificiel interconnecté conçu pour imiter la façon dont les neurones interagissent les uns avec les autres.

Apprentissage supervisé : Apprentissage par association de caractéristiques. Il s'agit essentiellement d'apprendre à une machine à apprendre en lui fournissant un exemple clair et concret.

Apprentissage non supervisé : Le processus qui consiste à fournir à une machine un ensemble de données non étiquetées et à demander à l'ordinateur de tirer des conclusions à partir de paramètres donnés.

Il est intéressant de noter que les premiers travaux sur l'apprentissage automatique ne proviennent pas des mathématiques ou de l'informatique, mais de la psychologie. En 1949, le psychologue canadien Donald Webb a écrit que lorsque nous apprenons quelque chose de nouveau, les neurones de notre cerveau se connectent et construisent un réseau neuronal. Plus la nouvelle information ou compétence est répétée, plus les connexions entre les neurones se renforcent. Cette théorie a jeté les bases de l'apprentissage automatique moderne.

Dix ans plus tard, un informaticien du nom d'Arthur Samuel a inventé le terme "apprentissage automatique". Il l'a fait après avoir construit un système intelligent capable de jouer aux dames, qu'il a conçu pour qu'il ait la capacité d'apprendre grâce à un système de notation complexe. À chaque coup, le programme évaluait la probabilité de gagner en fonction de la position des pièces. Plus le jeu se déroulait, plus il parvenait à prédire ces permutations.

Au cours des dix années suivantes, les développements de Hebb et Samuel ont été appliqués à la reconnaissance d'images. Le Perceptron, intégré en 1957, est l'une des inventions qui en a résulté. Premier logiciel conçu pour reconnaître des objets, le Perceptron constituait un début prometteur sur la voie de l'apprentissage automatique. Cependant, il n'était que semi-fonctionnel, car il ne pouvait apprendre que des objets simples et se débattait avec les détails d'objets plus complexes, tels que les visages.

Malgré ces débuts, plusieurs algorithmes efficaces ont été découverts peu après le Perceptron, transformant rapidement notre capacité à reconnaître des objets. À la même époque, les chercheurs ont commencé à superposer les réseaux neuronaux, ce qui a jeté les bases de l'apprentissage en profondeur. Ils ont également appris à faire de la rétropropagation, c'est-à-dire à adapter les neurones à des situations nouvelles.

Jusque dans les années 1970, l'intelligence artificielle était synonyme d'apprentissage automatique. Tout comme l'apprentissage automatique, l'histoire de l'intelligence artificielle remonte à Hebb, Samuels et d'autres pionniers de l'apprentissage automatique. Dans le passé, les deux domaines utilisaient largement les réseaux neuronaux et une logique mathématique complexe pour construire leurs modèles. Cependant, les deux domaines ont commencé à diverger dans les années 1970, lorsque l'apprentissage automatique a commencé à utiliser des algorithmes et que l'intelligence artificielle a abandonné les réseaux neuronaux pour se concentrer davantage sur les mathématiques. C'est ainsi que les deux domaines sont devenus distincts, tout en restant étroitement liés à ce jour.

Après cette scission, l'apprentissage automatique a commencé à prendre une nouvelle direction. Plus axé sur les probabilités et les statistiques, le secteur a donné la priorité à la résolution de problèmes pratiques et commerciaux, tout en se concentrant sur la construction de modèles de réseaux neuronaux efficaces. Avec l'essor de l'internet dans les années 1990, la grande quantité de données et de services en ligne disponibles a fait exploser la popularité des applications d'apprentissage automatique.

L'apprentissage automatique a fini par transformer presque tous les aspects de nos vies numériques. Nous avons remplacé nos vieux appareils à faible technologie par des réfrigérateurs intelligents, des assistants automatiques et, à terme, des voitures autonomes. Au fil du temps, cette évolution vers une technologie plus "intelligente" ne fera que s'accélérer. Bientôt, il n'y aura plus guère d'industries qui ne seront pas touchées par l'apprentissage automatique. Ces innovations ne se limitent pas aux commodités personnelles : les soins de santé, l'environnement, les personnes âgées, la sécurité et la politique sont tous façonnés par les puissantes applications de l'apprentissage automatique. Il semble que pour être compétitif et prospérer dans la société moderne, il soit indispensable de s'attaquer aux implications futures des technologies d'apprentissage automatique.

L'aspect le plus important de l'apprentissage automatique est sa capacité à évoluer rapidement. Alors que notre monde est de plus en plus submergé de données, la capacité à trier ces données avec précision sera essentielle pour développer des connaissances dans des domaines émergents et mieux comprendre les problèmes auxquels nous sommes confrontés. L'apprentissage automatique, dans sa forme actuelle, est notre meilleur outil pour y parvenir. Il est essentiel pour toute entreprise, tout gouvernement ou toute institution qui tente de projeter dans l'avenir des connaissances fondées sur des données de tirer parti de la puissance de l'apprentissage automatique. Dans l'idéal, cette capacité qu'offre l'apprentissage automatique nous aidera à prévoir les risques et à faire des percées plus rapides qui nous propulseront vers l'avant.

L'apprentissage automatique a également transformé la façon dont nous nous comprenons nous-mêmes. En simulant le processus d'apprentissage humain dans des machines, nous avons acquis des connaissances importantes sur le fonctionnement de notre cerveau. Par exemple, les récents développements en matière d'apprentissage automatique nous ont aidés à mieux comprendre le diagnostic et le traitement potentiel de la dyslexie. La dyslexie, qui est un trouble de l'apprentissage affectant la capacité des individus à lire et à écrire, est un mystère pour les scientifiques depuis un certain temps. À l'heure actuelle, les chercheurs ne disposent pas d'une méthode de test unique permettant de diagnostiquer avec précision la dyslexie, et les méthodes actuelles se résument à un raisonnement inductif à partir de différents facteurs.

Les enfants atteints de dyslexie ont du mal à associer des lettres spécifiques à leurs sons, ce qui entraîne des confusions dans l'orthographe et la lecture. Étant donné que la dyslexie se résume essentiellement à l'incapacité du cerveau à apprendre ces associations, l'apprentissage automatique, qui est conçu pour apprendre par association, peut fournir un modèle efficace du cerveau dyslexique. En outre, les méthodes de classification de l'apprentissage automatique peuvent nous permettre de diagnostiquer avec précision la dyslexie à un stade précoce grâce à des méthodes d'apprentissage non supervisées. À cette fin, l'utilisatioⁿ de l'apprentissage automatique et des réseaux neuronaux peut fournir un modèle clair sur la manière d'aborder le diagnostic des troubles de l'apprentissage à l'avenir.2

Comme indiqué ci-dessus, l'apprentissage automatique est le processus qui consiste à enseigner aux machines comment apprendre comme les humains. Malheureusement, les humains ne sont pas parfaits. Nous sommes pleins de partis pris et de préjugés, et parce que nous apprenons aux machines à penser comme des humains, nous programmons souvent ces partis pris humains en elles. Les algorithmes d'apprentissage automatique ont régulièrement fait l'objet d'un examen minutieux pour leur caractère discriminatoire, non inclusif ou inexact à l'égard des minorités raciales ou de genre.

Les exemples de partialité dans l'apprentissage automatique sont nombreux, même au plus haut niveau de l'industrie. En 2014, Amazon a cherché à automatiser son processus d'embauche et a donc construit un système d'IA qui utilisait l'apprentissage automatique pour examiner les CV des candidats à l'emploi. Après un an de tests, Amazon a dû se débarrasser de l'ensemble du système, car il avait intériorisé les préférences patriarcales qui existent dans la société d'aujourd'hui et était discriminatoire à l'égard des femmes. Les CV qui comportaient des noms féminins ou des associations avec le mot "femme" étaient automatiquement pénalisés.

En 2016, Microsoft a également tenté d'utiliser l'apprentissage automatique pour construire un chatbot, qui s'approvisionnait en données sur Twitter pour apprendre à communiquer plus efficacement. En moins d'une journée, l'écosystème en ligne a transformé l'IA en un bigot, proférant constamment des insultes à l'encontre des groupes marginalisés et crachant de la bile fasciste.

En 2019, Facebook a également connu son propre scandale lié à l'apprentissage automatique. À l'époque, leur plateforme publicitaire, Facebook Ads, utilisait un ciblage intentionnel basé sur le sexe, la race et la religion. En ce qui concerne le marché du travail, ils ont constaté que leur système ciblait les femmes avec des emplois traditionnellement féminins, comme le travail de secrétaire ou d'infirmière. En revanche, il ciblait les hommes issus de minorités dans des secteurs tels que la conciergerie ou la conduite de taxis.

Il est clair que l'apprentissage automatique et l'intelligence artificielle ont un problème de partialité. Mais pourquoi en est-il ainsi ? Tout d'abord, l'apprentissage automatique fonctionne sur la base de grandes quantités de données, qui peuvent souvent être biaisées en faveur de la population blanche et masculine. Par exemple, l'ensemble de données de référence pour la reconnaissance faciale est composé à 70 % d'hommes et à 80 % de Blancs. Avec un tel ensemble de données utilisé pour l'apprentissage automatique qui est ensuite utilisé sur la population générale, les technologies de reconnaissance faciale vont être ignorantes. Souvent, ces algorithmes ne sont pas nécessairement conçus avec malice, mais dans l'ignorance de la diversité ou des expériences des autres. Pour lutter contre ces problèmes, il est important d'inclure des ensembles de données plus équitables, d'améliorer la diversité dans la communauté technologique et de mettre en place des stratégies de débiaisage efficaces.

Apprentissage automatique et interventions personnalisées : David Halpern

Vous souhaitez savoir comment l'apprentissage automatique peut s'intégrer plus concrètement dans les sciences du comportement ? Dans ce podcast, Jakob Rusinek, de la Banque mondiale, s'entretient avec David Halpern, directeur général de l'équipe Behavioural Insights, sur l'avenir des sciences du comportement et sur la manière dont l'apprentissage automatique, l'intelligence artificielle et la personnalisation façonnent l'avenir des sciences du comportement.

Apprentissage hébbien :

Vous souhaitez en savoir plus sur la manière dont nous apprenons ? Si vous souhaitez en savoir plus sur les réseaux neuronaux, l'histoire de l'apprentissage automatique ou simplement sur le fonctionnement de nos neurones, cet article sur l'apprentissage hebbien est fait pour vous.

1. Foote, K. D. (2019, 13 mars). Une brève histoire de l'apprentissage automatique. DATAVERSITÉ. https://www.dataversity.net/a-brief-history-of-machine-learning/#.
2. McFadden, C. (2020, 2 décembre). L'apprentissage automatique pourrait être l'avenir du diagnostic de la dyslexie. Ingénierie intéressante. https://interestingengineering.com/machine-learning-might-be-the-future-of-dyslexia-diagnosis.
3. Dilmegani, C. (2021, 9 août). Bias in AI : What it is, types & examples of bias & tools to fix it. AIMultiple. https://research.aimultiple.com/ai-bias/.
4. Nouri, S. (2021, 3 février). Poste de conseiller : Le rôle des préjugés dans l'intelligence artificielle. Forbes. https://www.forbes.com/sites/forbestechcouncil/2021/02/04/the-role-of-bias-in-artificial-intelligence/?sh=1751699e579