L’apprentissage automatique expliqué simplement

Souvent, on entend l’expression apprentissage automatique, ou Machine Learning en anglais, qui est en quelque sorte une expression à la mode. Certes, ce domaine suscite beaucoup d’engouement, mais il n’en demeure pas moins révolutionnaire. Transversal par nature, il apporte un soutien précieux à de nombreux secteurs, que ce soit en finance, en génie, en médecine, etc. Dans ce blog, nous allons expliquer brièvement ce qu’est l’apprentissage automatique à travers des exemples simples.

Qu’est-ce que l’apprentissage automatique ?

L’apprentissage automatique, ou machine learning en anglais, est une branche de l’intelligence artificielle qui permet aux machines d’apprendre à partir d’exemples plutôt que d’être explicitement programmées pour chaque tâche. Concrètement, nous disposons souvent de données qui peuvent être analysées pour mieux comprendre certains phénomènes, mais qu’il faut traiter avec cohérence et rigueur afin d’en extraire des enseignements utiles. L’apprentissage automatique nous aide en ce sens : il s’agit d’un ensemble d’outils qui permettent aux machines d’accomplir des tâches complexes, comme classer, prédire ou détecter des anomalies, en apprenant à partir de données.

Ce champ a émergé dans les années 1950, avec des pionniers tels qu’Alan Turing. Aujourd’hui, il occupe une place centrale dans de nombreux secteurs : la médecine (diagnostic assisté), l’ingénierie (prévision des défaillances), l’économie (analyse des marchés), pour n’en citer que quelques-uns.

Exemple pratique

Imagine qu’on a un petit robot qui veut apprendre à reconnaître les balles rouges et les balles bleues. Les balles rouges sont d’un côté du terrain et les balles bleues de l’autre. Le robot peut, par exemple, observer où sont placées les balles et tracer une ligne invisible entre les deux groupes : c’est sa « frontière ». Ainsi, quand on lui montre une nouvelle balle, il regarde de quel côté de la ligne elle se trouve pour dire si elle est rouge ou bleue. C’est exactement ce que fait l’ordinateur avec l’apprentissage automatique : on lui apprend à séparer les classes grâce à des exemples, pour qu’il puisse ensuite deviner tout seul.

C’est un exemple simple pour saisir l’idée, mais en pratique, on peut choisir des frontières linéaires ou non linéaires. De plus, dans de nombreux cas, la dimension des paramètres utilisés pour prédire est tellement élevée qu’une visualisation n’est pas toujours possible. Mais le principe de base reste le même : établir des règles qui permettent à la machine de prendre des décisions, sans avoir à la programmer explicitement pour chaque cas.

Type de méthode d’apprentissage automatique

Methode supervisée vs Methode non-supervisée

L’apprentissage automatique peut être classé en plusieurs grandes catégories : les méthodes supervisées et les méthodes non supervisées. La distinction entre ces deux repose sur le fait que le problème traité utilise des données étiquetées (méthodes supervisées) ou non étiquetées (méthodes non supervisées).

Supposons que nous ayons un cas où des données sont présentées dans le tableau ci-dessous. Pour chaque individu, on dispose de l’âge, du salaire, ainsi que de son statut d’acheteur ou de non-acheteur. Si nous voulons prédire la classe d’une personne (Acheteur ou Non-Acheteur) à partir de ses caractéristiques (âge et salaire), nous pouvons nous appuyer sur les données existantes pour entraîner notre modèle. Comme nous disposons des informations sur la classe dans les données d’entraînement, on dit que ces données sont étiquetées et que la méthode utilisée est supervisée.

En revanche, dans un cas où nous n’aurions pas ces étiquettes et souhaiterions simplement analyser et regrouper les données selon leurs similarités, on parlerait alors de méthodes non supervisées. Par exemple, si nous disposions du même tableau de données mais sans la colonne indiquant s’il s’agit d’un acheteur ou non, nous chercherions uniquement à explorer les données pour identifier d’éventuels groupes naturels d’individus partageant des caractéristiques communes telles que l’âge et le salaire.

Classification vs regression

Les méthodes d’apprentissage peuvent également être classées selon qu’il s’agit de classification ou de régression. La classification correspond à une situation où l’on prédit des classes ou des catégories discrètes, comme dans l’exemple de la prédiction du statut d’acheteur ou de non-acheteur mentionné plus haut. En revanche, lorsqu’on cherche à prédire une valeur dans un espace continu, on parle de régression. Par exemple, si l’on essaie d’estimer le salaire des individus à partir de certaines caractéristiques, il s’agira d’un cas de régression.

Le surapprentissage et le sous-apprentissage

Pour pouvoir comprendre les vraies tendances à partir des données, un modèle trop simple peut nous induire en erreur. Par exemple, pour bien saisir la relation entre x et y dans les données du graphique ci-dessous, une fonction de la forme $$y = a x + b$$ n’est pas suffisante pour capturer la complexité de cette relation. Ainsi, quels que soient les coefficients déterminés pour a et b, ils ne garantiront pas des résultats de prédiction fiables. Un tel modèle, trop simple, conduit à ce qu’on appelle le sous-apprentissage (underfitting).

À l’inverse, utiliser un modèle trop complexe conduit au surapprentissage (overfitting). Par exemple, ajuster un polynôme de très haut degré pour « coller » parfaitement aux données mènerait à une fonction qui ne fait que mémoriser les points observés, sans réellement saisir la vraie tendance. Cela produirait alors des prédictions aberrantes pour des entrées qui ne figuraient pas dans les données d’entraînement.

L’idéal est donc d’avoir un modèle ni trop simple, pour qu’il puisse réellement apprendre, ni trop complexe, afin d’éviter qu’il ne mémorise tout. Le modèle doit être capable de bien généraliser. Dans ce cas, une fonction de la forme $$y = a x^2 + b x + c$$ pourrait conduire à des résultats plus plausibles.

Avec les ordinateurs, pour éviter le surapprentissage, une stratégie clé consiste à ne pas utiliser toutes les données pour l’entraînement du modèle. Ainsi, on peut comparer la précision (accuracy) obtenue sur les données d’entraînement à celle obtenue sur un ensemble de test séparé. Une grande différence entre ces deux performances est un indicateur potentiel de surapprentissage.

Conclusion

En définitive, apprendre à partir des données, c’est surtout trouver le juste équilibre : un modèle doit être assez complexe pour saisir les véritables tendances, mais pas au point de simplement mémoriser les exemples connus. Pour garantir que le modèle a réellement compris les vraies tendances, il est indispensable de le tester sur des données qu’il n’a jamais vues auparavant. Ce n’est qu’ainsi qu’on s’assure qu’il pourra faire des prédictions fiables et apporter une réelle valeur en dehors du simple cadre des données d’entraînement. À terme, bien maîtriser cet équilibre, c’est transformer les données en un véritable outil d’aide à la décision.