Apprentissage automatique

L'apprentissage automatique est un moyen de construire des systèmes informatiques qui s'adaptent et apprennent à partir des données pour améliorer les performances sur une tâche, généralement en trouvant des modèles pouvant être appliqués à de nouvelles entrées [1].

L'apprentissage automatique est l'une des principales façons dont les systèmes d'IA modernes sont construits. Au lieu d'écrire chaque règle à la main, une équipe choisit des données, une méthode d'apprentissage, une tâche et un moyen de mesurer les performances. Le processus d'apprentissage produit un modèle. Ce modèle peut ensuite classer, trier, prédire, recommander, détecter, regrouper ou générer en fonction d'une nouvelle entrée.

Le mot clé est « nouveau ». Un modèle qui ne fait que mémoriser des exemples d'entraînement n'est pas très utile. L'objectif est d'apprendre des modèles qui fonctionnent au-delà des exemples qu'il a vus pendant l'entraînement. Cette capacité est souvent appelée généralisation. Lorsque la généralisation échoue, un modèle peut sembler bon dans une démo mais fonctionner mal avec des utilisateurs réels, des données différentes ou des conditions modifiées.

L'apprentissage automatique alimente de nombreux outils que les gens utilisent déjà : détection de spam, alertes de fraude, classement des résultats de recherche, recommandations de produits, reconnaissance vocale, étiquetage d'images, estimations de trajet, soutien au risque de crédit, et parties de l'IA générative. Un utilisateur n'a pas besoin de connaître les mathématiques pour utiliser ces systèmes de manière judicieuse, mais il doit comprendre que les sorties du modèle dépendent des données, des choix d'entraînement, de l'évaluation et du contexte de déploiement.

Cela compte car l'apprentissage automatique peut rendre le travail plus rapide tout en cachant l'incertitude. Un score de modèle peut sembler précis même si les données sont incomplètes. Une recommandation peut être façonnée par un comportement passé qui ne convient plus. Un classificateur peut fonctionner pour les cas courants et échouer pour les cas rares. Elements of Statistical Learning couvre l'apprentissage supervisé et non supervisé comme des parties larges du domaine, ce qui est un rappel utile que l'apprentissage automatique n'est pas une seule technique [2].

Un workflow d'apprentissage automatique de base commence par une tâche. Pour l'apprentissage supervisé, l'équipe collecte des exemples comprenant des entrées et des sorties souhaitées : des messages étiquetés comme spam ou non spam, des images étiquetées par objet, ou des transactions passées étiquetées comme frauduleuses ou normales. L'algorithme d'apprentissage ajuste un modèle afin que ses sorties correspondent mieux aux exemples d'entraînement.

L'apprentissage non supervisé commence différemment. Il cherche une structure dans les données sans étiquette cible unique, comme regrouper des clients similaires ou trouver des groupes de documents liés. L'apprentissage par renforcement est encore différent : un système apprend à partir des retours sur les actions et les résultats. Ces catégories sont utiles, mais les produits réels combinent souvent plusieurs méthodes avec des règles, une revue humaine et des contraintes logicielles.

Après l'entraînement, le modèle doit être évalué. Les équipes séparent souvent les données d'entraînement des données de test ou de validation afin de pouvoir demander si le modèle fonctionne sur des exemples sur lesquels il n'a pas été entraîné. Une bonne évaluation vérifie plus qu'un seul chiffre. Elle examine les erreurs, les cas limites, les données manquantes, les performances des sous-groupes et si le modèle reste utile lorsque le monde change.

Imaginons un service de messagerie qui construit un filtre anti-spam. L'équipe collecte de nombreux messages passés et les étiquette comme spam ou non spam. Le modèle apprend les modèles à partir de ces exemples : liens suspects, phrases répétées, comportement de l'expéditeur, formatage et signalements des utilisateurs. Lorsqu'un nouveau message arrive, le modèle produit un score ou une étiquette.

Un bon produit ne traite pas cette étiquette comme une vérité parfaite. Il peut placer les spams probables dans un dossier séparé, permettre aux utilisateurs de corriger les erreurs, surveiller les faux positifs et retrainner lorsqu'les attaquants changent de tactique. L'objectif n'est pas de faire paraître le modèle intelligent. L'objectif est de créer un système de soutien aux décisions utile qui fonctionne bien sur les nouveaux messages tout en permettant aux personnes de se remettre des erreurs.

La plus grande erreur est de penser que l'apprentissage automatique découvre la vérité automatiquement. Il découvre des modèles qui aident à optimiser une tâche dans les conditions données. Si les étiquettes sont erronées, les données sont biaisées, la tâche est mal définie ou l'avenir ressemble peu au passé, le modèle peut produire des résultats peu fiables.

Une autre idée fausse est que plus de données résout toujours le problème. Plus de données pertinentes et de haute qualité peut aider. Plus de données obsolètes, bruitées, biaisées, dupliquées ou mal étiquetées peut rendre le système pire. Un modèle est façonné par les exemples et les objectifs utilisés pour son entraînement.

Les systèmes d'apprentissage automatique peuvent échouer par surapprentissage, mauvaise généralisation, dérive des données, biais cachés, fuite de confidentialité, évaluation faible, propriété floue, et mauvaise conception du produit. Un modèle peut fonctionner correctement en général tout en échouant pour un petit groupe, une condition rare ou un cas à haut risque. C'est pourquoi la précision moyenne n'est pas suffisante pour des décisions sérieuses.

Le NIST considère les systèmes d'IA comme des systèmes socio-techniques dont les risques peuvent provenir des composants techniques ainsi que du contexte humain, organisationnel et social autour d'eux [3]. Pour l'apprentissage automatique, cela signifie que le modèle n'est qu'une partie du système. La collecte de données, l'étiquetage, la surveillance, l'interface utilisateur, les boucles de feedback, les chemins d'appel et le contrôle humain comptent tous.

Avant de faire confiance à un résultat d'apprentissage automatique, demandez-vous : Quelle tâche le modèle a-t-il été entraîné à accomplir ? Quels données ont façonné ce modèle ? Quelle est la signification du résultat ? A-t-il été testé sur des données similaires à ce cas ? Quels types d'erreurs sont courants ? Le modèle se comporte-t-il de manière équitable à travers les groupes pertinents ? Le monde a-t-il changé depuis l'entraînement ? Qui peut invalider ou examiner le résultat ?

Utilisez les sorties d'apprentissage automatique comme des signaux utiles, et non comme la vérité automatique. Pour des triages ou des suggestions à faible enjeu, un modèle peut économiser du temps. Pour des décisions sur le recrutement, le prêt, la médecine, le droit, la sécurité, la sécurité, ou l'impact sur les clients, exigez des tests, une documentation, un suivi et une responsabilité humaine plus rigoureux.