Qu'est-ce que l'intelligence artificielle ?

L'intelligence artificielle (IA) est le domaine de l'informatique consacré à la résolution des problèmes cognitifs communément associés à l'intelligence humaine, tels que l'entraînement, la résolution de problèmes et la reconnaissance de formes. L'intelligence artificielle, souvent abrégée en « IA », peut évoquer la robotique ou des scènes futuristes. L'IA va bien au-delà des automates de la science-fiction en s'inscrivant dans la non-fiction de l'informatique avancée des temps modernes. Le professeur Pedro Domingos, éminent chercheur dans ce domaine, décrit « cinq tribus » de machine learning, composées de symbolistes, ayant des origines dans la logique et la philosophie, de connectionnistes, issus des neurosciences ; d'évolutionnistes, liés à la biologie évolutionnaire, de bayésiens, engagés dans les statistiques et les probabilités, et d'analogiseurs ayant des origines dans la psychologie. Récemment, les progrès réalisés dans l'efficacité du calcul statistique ont permis aux bayésiens de faire progresser le domaine dans un certain nombre de secteurs, sous le nom de « machine learning ». De même, les progrès de l'informatique en réseau ont conduit les connectionnistes à approfondir un sous-domaine sous le nom de « deep learning ». Le Machine learning (ML) et le deep learning (DL) sont tous deux des domaines informatiques dérivés de la discipline de l'intelligence artificielle.

Ces techniques sont généralement séparées en techniques d'entraînement « supervisées » et « non supervisées », où les techniques d'entraînement « supervisées » utilisent les données d'entraînement qui incluent le résultat souhaité, et les techniques d'entraînement « non supervisées » utilisent les données d'entraînement sans le résultat souhaité.

L'IA devient plus « intelligente» et apprend plus rapidement avec plus de données, et chaque jour, les entreprises génèrent ce carburant pour exécuter des solutions de machine learning et de deep learning, qu'elles soient collectées et extraites d'un entrepôt de données comme Amazon Redshift, vérifiées sur le terrai grâce à la puissance de « la « myriadisation » avec Mechanical Turk, ou explorées dynamiquement grâce à Kinesis Streams. De plus, avec l'avènement de l'IoT, la technologie des capteurs augmente de façon exponentielle la quantité de données à analyser, des données provenant de sources, d'emplacements, d'objets et d'événements qui étaient jusqu'alors pratiquement pas utilisés.

Le Machine Learning est le nom communément appliqué à un certain nombre de techniques bayésiennes utilisées pour la reconnaissance des formes et l'entraînement. Fondamentalement, le machine learning est un ensemble d'algorithmes qui peuvent apprendre et faire des prédictions à partir de données enregistrées, optimiser une fonction utilitaire donnée en cas d'incertitude, extraire des structures cachées des données et classer les données en descriptions concises. Le Machine Learning est souvent déployé lorsqu'une programmation explicite est trop rigide ou impossible. Contrairement au code informatique ordinaire qui est développé par les développeurs de logiciels pour essayer de générer une sortie spécifique au code du programme sur la base d'une entrée donnée, le machine learning utilise des données pour générer un code statistique (un modèle ML), qui produit le « bon résultat » sur la base d'un modèle reconnu à partir d'exemples précédents d'entrée (et de sortie, dans le cas des techniques supervisées). La précision d'un modèle de ML repose principalement sur la qualité et la quantité des données historiques.

Avec les bonnes données, un modèle ML peut analyser des problèmes de grande dimension avec des milliards d'exemples, pour trouver la fonction optimale qui peut prédire un résultat avec une entrée donnée. Les modèles ML peuvent généralement fournir une confiance statistique sur les prédictions, ainsi que sur leurs performances globales. Ces scores d'évaluation sont importants dans la décision si vous devez utiliser un modèle ML ou toute autre prédiction individuelle.

Un grand nombre d'activités d'Amazon.com reposent sur des systèmes basés sur le Machine Learning. Sans ML, Amazon.com ne pourrait pas développer son activité, améliorer l'expérience et la sélection de ses clients, et optimiser sa vitesse et sa qualité logistique. Amazon.com a créé AWS pour permettre à d'autres entreprises de bénéficier de la même infrastructure informatique, avec une certaine agilité et des avantages en termes de coûts, et continue aujourd'hui à démocratiser les technologies ML pour les mettre à la portée de toutes les entreprises.

La structure des équipes de développement d'Amazon.com, et l'accent mis sur ML pour résoudre des problèmes commerciaux difficiles et pragmatiques, poussent Amazon.com et AWS à développer des outils et des services ML simples à utiliser et puissants. Ces outils sont d'abord testés à l'échelle de l'environnement critique d'Amazon.com, avant d'être présentés comme des services AWS que chaque entreprise peut utiliser, à l'instar des autres services informatiques.

Le Machine Learning est souvent utilisé pour prédire des résultats futurs d'après des données historiques. Par exemple, les organisations utilisent le machine learning pour prévoir combien de leurs produits seront vendus au cours des prochains trimestres de l'exercice fiscal en fonction d'une population particulière ; ou pour estimer quel profil de client a la plus forte probabilité de devenir mécontent ou le plus fidèle à votre marque. Ces prévisions permettent de prendre de meilleures décisions commerciales et offrent une expérience utilisateur plus personnelle et la possibilité de réduire les coûts de fidélisation des clients. Complémentaire à l'intelligence économique (IA), qui se concentre sur la communication de données commerciales passées, ML prédit les résultats futurs en fonction des tendances et des transactions passées.

La réussite de la mise en œuvre du ML dans une entreprise, doit suivre les étapes. Tout d'abord, il convient d'identifier le problème correct : identifiez la prédiction qui serait bénéfique à l'entreprise si elle était vérifiée. Les données doivent ensuite être recueillies, en fonction de métriques commerciales d'historique (transactions, ventes, attrition, etc.). Une fois les données regroupées, un modèle ML peut être créé à partir de ces dernières. Le modèle ML est exécuté et les résultats des prédictions du modèle sont appliqués au système de l'entreprise pour prendre des décisions plus éclairées.

Le Deep Learning est une branche du machine learning qui consiste à superposer * des algorithmes dans le but d'acquérir une meilleure compréhension des données.  Les algorithmes ne se limitent plus à la création d'un ensemble explicable de relations comme le ferait une régression plus basique.  Le deep learning s'appuie plutôt sur ces couches d'algorithmes non linéaires pour créer des représentations distribuées qui interagissent en fonction d'une série de facteurs.  Compte tenu de grands ensembles de données d'entraînement, les algorithmes de deep learning commencent à être mesure d'identifier les relations entre les éléments.  Ces relations peuvent être entre des formes, des couleurs, des mots, etc.  À partir de là, le système peut ensuite être utilisé pour créer des prédictions.  Dans le machine learning et l'intelligence artificielle, la puissance du deep learning provient du fait que le système est capable d'identifier plus de relations que les être humains ne pourraient pratiquement en coder dans les logiciels, ou des relations que les être humains ne pourraient même pas percevoir.  Après un entraînement suffisant, cela permet au réseau d'algorithmes de commencer à établir des prédictions ou des interprétations pour des données très complexes.