Blog

Jun 17, 2023

Que sont les modèles d’apprentissage automatique ? Types et exemples

Getty Images Un modèle d'apprentissage automatique automatise le processus d'identification des modèles et des relations cachés dans les données. Il peut utiliser une combinaison de données pré-étiquetées ou non traitées

Getty Images

Un modèle d'apprentissage automatique automatise le processus d'identification des modèles et des relations cachés dans les données. Il peut utiliser une combinaison de données pré-étiquetées ou non traitées par divers algorithmes d'apprentissage automatique pour déterminer la meilleure solution pour le problème à résoudre.

Chaque algorithme d'apprentissage automatique représente une stratégie spécifique pour découvrir des modèles au sein d'un ensemble de données historiques, selon Michael Shehab, directeur et responsable de la technologie et de l'innovation des laboratoires chez PwC. Le processus de transformation des algorithmes d'apprentissage automatique en modèles comprend trois éléments : représenter le problème, identifier une tâche spécifique et fournir un retour d'information pour guider la recherche d'une solution par l'algorithme. "Le modèle résultant représente une fonction qui a été apprise ou produite par l'algorithme d'apprentissage automatique et est capable de mapper des exemples inédits avec une sortie précise", a expliqué Shehab.

La sélection du type de modèle à utiliser est un mélange d’art et de science. « Il n'existe pas d'approche unique pour comprendre quel modèle fonctionne pour votre organisation », a déclaré Brian Steele, vice-président de la gestion des produits chez le fournisseur de plateforme d'analyse client Gryphon.ai. Chaque type de modèle offrira des informations et des résultats basés sur le type de données et les cas d'utilisation. De plus, le type et la qualité des données d’entrée détermineront la sélection de certains types de modèles.

Le domaine de l’apprentissage automatique évolue rapidement. Lorsqu’il s’agit de décrire des approches telles que celles utilisées dans les applications d’IA générative, les nouvelles techniques brouillent les anciennes méthodes de classification des modèles.

Il n'existe pas de norme de classification communément acceptée, car de nouveaux modèles sont ajoutés quotidiennement, a déclaré Anantha Sekar, responsable de l'IA chez Tata Consultancy Services. Pourtant, les classifications les plus courantes des modèles d’apprentissage automatique incluent l’apprentissage supervisé, semi-supervisé, non supervisé et par renforcement. Ces principaux types doivent tous être pris en compte ainsi que l’objectif et l’approche d’apprentissage utilisés, a recommandé Sekar.

Un modèle d’IA générative, par exemple, peut impliquer plusieurs approches de formation déployées successivement. Cela peut commencer par un apprentissage non supervisé sur un vaste corpus de données, suivi d'un apprentissage supervisé pour affiner le modèle et d'un apprentissage par renforcement pour ajuster en permanence les résultats après le déploiement. "Discuter des types de modèles, c'est comme discuter des types d'humains", a noté Sekar. "Comme chacune d'elles est unique en fin de compte, les classifications sont principalement utiles à des fins de compréhension générale."

Les data scientists développeront chacun leur propre approche pour former des modèles d'apprentissage automatique. La formation commence généralement par la préparation des données, l'identification du cas d'utilisation, la sélection des algorithmes de formation et l'analyse des résultats. Voici un ensemble de bonnes pratiques développées par Shehab pour PwC :

En général, il n’existe pas de modèle d’apprentissage automatique idéal. "Différents modèles fonctionnent mieux pour chaque problème ou cas d'utilisation", a déclaré Sekar. Les enseignements tirés de l’expérimentation des données, a-t-il ajouté, pourraient conduire à un modèle différent. Les modèles de données peuvent également changer au fil du temps. Un modèle qui fonctionne bien en développement devra peut-être être remplacé par un modèle différent.

Un modèle spécifique ne peut être considéré comme le meilleur que pour un cas d'utilisation ou un ensemble de données spécifique à un moment donné, a déclaré Sekar. Le cas d’utilisation peut ajouter plus de nuances. Certaines utilisations, par exemple, peuvent nécessiter une grande précision tandis que d’autres exigent un niveau de confiance plus élevé. Il est également important de prendre en compte les contraintes environnementales lors du déploiement du modèle, telles que les exigences en matière de mémoire, d'alimentation et de performances. D'autres cas d'utilisation peuvent avoir des exigences d'explicabilité qui pourraient orienter les décisions vers un type de modèle différent.

Les data scientists doivent également prendre en compte les aspects opérationnels des modèles après le déploiement, appelés ModelOps, lorsqu'ils donnent la priorité à un type de modèle par rapport à un autre. Ces considérations peuvent inclure la manière dont les données brutes sont transformées pour le traitement, le réglage fin des processus, l'ingénierie rapide et la nécessité d'atténuer les hallucinations de l'IA. "Choisir le meilleur modèle pour une situation donnée", a conseillé Sekar, "est une tâche complexe avec de nombreux aspects commerciaux et techniques à prendre en compte".