Démarrez avec Amazon AI Services

L'intelligence artificielle (IA) est un domaine de l'informatique dédié à la résolution de problèmes cognitifs généralement associés à l'intelligence humaine, tels que l'apprentissage, la résolution des problèmes et la reconnaissance des formes. L'intelligence artificielle, souvent abrégée en « IA », peut évoquer la robotique ou un monde futuriste, mais cette discipline va au-delà des automates de science-fiction pour s'appliquer à l'informatique de pointe réelle d'aujourd'hui. Le professeur Pedro Domingos, un chercheur réputé dans ce domaine, décrit les « cinq tribus » de l'apprentissage machine : les symbolistes (logique et philosophie), les connexionnistes (neuroscience), les évolutionnistes (biologie évolutionniste), les bayésiens (statistiques et probabilités) et les analogistes (psychologie). Récemment, les avancées en matière de calculs statistiques ont permis aux bayésiens d'approfondir le sujet dans un certain nombre de domaines, sous le nom d'« apprentissage machine ». De même, les progrès réalisés dans le domaine du calcul de réseau ont permis aux connexionnistes d'approfondir un sous-domaine sous le nom d'« apprentissage machine ». L'apprentissage machine (AM) et l'apprentissage profond (AP) sont tous deux des domaines de l'informatique dérivés de l'intelligence artificielle.

Ces techniques sont généralement divisées en deux techniques d'apprentissage : la technique « supervisée » et la technique « non supervisée ». La première utilise les données de formation qui comprennent le résultat souhaité, tandis que la seconde utilise ces même données, mais sans le résultat souhaité.

L'IA devient « plus intelligente » et apprend plus rapidement avec davantage de données, et chaque jour, les entreprises génèrent ce carburant pour alimenter les solutions d'apprentissage machine et d'apprentissage profond, que les données soient collectées et extraites à partir d'un entrepôt de données comme Amazon Redshift, vérifiées sur le terrain grâce à la puissance du crowdsourcing avec Mechanical Turk, ou explorées de façon dynamique via Kinesis Streams. De plus, avec l'arrivée de l'Internet des Objets (IoT), la technologie des capteurs contribue de façon exponentielle à la quantité de données analysées – données de sources et d'emplacements et objets et événements qui n'étaient jusqu'alors presque pas utilisés.


L'apprentissage machine est le nom couramment donné à un certain nombre de techniques bayésiennes employées dans le domaine de la reconnaissance des formes et de l'apprentissage. L'apprentissage machine est fondamentalement une série d'algorithmes capables d'apprendre et de réaliser des prédictions à partir de données enregistrées, d'optimiser une fonction utilitaire donnée en situation d'incertitude, d'extraire des structures cachées dans des données et de classer des données dans des descriptions concises. L'apprentissage machine est souvent déployé lorsqu'une programmation explicite est trop rigide ou est impossible. Contrairement au code informatique ordinaire conçu par des développeurs de logiciels pour tenter de générer une sortie propre à un code de programme en fonction d'une entrée donnée, l'apprentissage machine utilise des données pour générer un code statistique (modèle d'apprentissage machine) qui génèrera le « bon résultat » d'après une forme identifiée à partir d'exemples d'entrée antérieurs (et une sortie, dans le cas de techniques supervisées). La précision d'un modèle d'apprentissage machine repose principalement sur la qualité et la quantité des données historiques.

Avec les bonnes données, un modèle d'apprentissage machine peut analyser des problèmes hautement dimensionnels avec des milliards d'exemples, pour trouver la fonction optimale capable de prédire un résultat avec une entrée donnée. Les modèles d'apprentissage machine peuvent généralement offrir une fiabilité statistique concernant les prédictions, ainsi que leurs performances globales. Ces notes d'évaluation sont importantes, car elles vous permettent de déterminer si vous devez utiliser un modèle d'apprentissage machine ou une prédiction individuelle.

Un grand nombre d'activités d'Amazon.com reposent sur des systèmes basés sur l'apprentissage automatique. Sans l'apprentissage machine, Amazon.com ne pourrait pas développer ses activités, améliorer l'expérience et le choix du client, et optimiser la vitesse et la qualité de sa logistique. Amazon.com a fondé AWS pour permettre à d'autres entreprises de bénéficier de la même infrastructure informatique, avec son agilité et ses avantages en termes de coût, et continue aujourd'hui de démocratiser les technologies d'apprentissage machine pour en faire profiter chaque entreprise.

La structure des équipes de développement d'Amazon.com et l'accent mis sur l'apprentissage machine pour résoudre les problèmes pratiques et complexes rencontrés par les entreprises a conduit Amazon.com et AWS à mettre au point des outils et services d'apprentissage machine puissants et faciles à utiliser. Ces outils sont d'abord testés dans l'environnement stratégique et à l'échelle d'Amazon.com, avant d'être exposés en tant que services AWS que chaque entreprise peut utiliser, comme tout autre service informatique.

L'apprentissage machine est souvent utilisé pour prédire les résultats futurs d'après des données historiques. Par exemple, les organisations font appel à l'apprentissage machine pour prévoir le nombre de produits qui seront vendus au cours des prochains trimestres de l'exercice d'après des données démographiques particulières, ou encore pour estimer le profil client le plus susceptible d'être insatisfait ou le plus fidèle à leur marque. Ces prédictions améliorent la prise de décisions au sein de l'entreprise, renforcent la personnalisation de l'expérience utilisateur et réduisent les coûts de fidélisation de la clientèle. En complément à l'informatique décisionnelle (BI), qui se concentre sur la création de rapports de données d'entreprise antérieures, l'apprentissage machine prédit les résultats futurs en fonction de tendances et transactions antérieures.

Pour réussir la mise en œuvre de l'apprentissage machine, une entreprise doit suivre plusieurs étapes. Premièrement, elle doit identifier le véritable problème, c'est-à-dire identifier la prédiction qui profiterait à l'entreprise si elle se vérifiait. Les données doivent ensuite être recueillies, en fonction de métriques commerciales historiques (transactions, ventes, attrition, etc.). Une fois les données regroupées, un modèle d'apprentissage machine peut être créé à partir de ces dernières. Le modèle d'apprentissage machine est exécuté et la sortie de prédiction du modèle est réappliquée au système de l'entreprise pour permettre la prise de décisions plus éclairées.

Mise en œuvre de l'apprentissage machine dans votre organisation

Mise en œuvre de l'apprentissage machine dans votre organisation

Identifiez les éléments, événements ou observations qui ne correspondent pas à un modèle attendu ou à d'autres éléments dans un ensemble de données.

Créez des modèles prédictifs qui aident à identifier les transactions au détail potentiellement frauduleuses ou à détecter les commentaires frauduleux ou inappropriés sur les articles.

Identifiez les clients que vous risquez le plus de perdre afin de pouvoir leur envoyer, de façon proactive, des promotions ou des informations à propos du service clientèle. 

Offrez une expérience utilisateur plus personnalisée, en utilisant les modèles d'analyses prédictives pour recommander des éléments ou pour optimiser les flux en fonction des actions entreprises précédemment par le client. 


L'apprentissage profond est une branche de l'apprentissage machine qui consiste à superposer des algorithmes dans le but de mieux comprendre les données.  Les algorithmes ne se limitent plus à la création d'un ensemble explicable de relations comme le ferait une régression plus basique.  Au lieu de cela, l'apprentissage profond s'appuie sur ces couches d'algorithmes non linéaires pour créer des représentations distribuées qui interagissent en fonction d'une série de facteurs.  Etant donné la taille importante des ensembles de données de formation disponibles, les algorithmes d'apprentissage profond commencent à être en mesure d'identifier les relations entre les éléments.  Ces relations peuvent impliquer des formes, des couleurs, des mots, etc.  A partir de là, le système peut ensuite permettre de créer des prédictions.  Dans l'apprentissage machine et l'intelligence artificielle, la puissance de l'apprentissage profond s'explique par le fait que le système est capable d'identifier plus de relations que ce que les humains pourraient coder en pratique dans un logiciel, ou des relations que les humains ne peuvent même pas percevoir.  Après une formation suffisante, cela permet au réseau d'algorithmes de commencer à établir des prédictions ou des interprétations pour des données très complexes.

Les réseaux de neurones convolutifs surpassent les humains dans de nombreuses tâches visuelles, notamment la classification d'objets.  Grâce à l'étiquetage de millions d'images, le système d'algorithmes peut commencer à identifier le sujet de l'image.  De nombreux services de stockage de photos comprennent la reconnaissance faciale, guidée par l'apprentissage profond.  C'est un élément fondamental d'Amazon Rekognition, Amazon Prime Photos et Amazon Firefly Service.

Amazon Alexa et d'autres assistants virtuels sont conçus pour reconnaître une demande et renvoyer une réponse.  Bien que la compréhension vocale soit acquise par les humains dès leur plus jeune âge, ce n'est que récemment que les ordinateurs ont démontré qu'ils étaient capables d'écouter et de répondre aux humains.  Les différents accents et modèles de voix des humains compliquent la tâche des machines lors de l'utilisation des mathématiques ou des sciences informatiques plus classiques.  Avec l'apprentissage profond, le système d'algorithmes peut déterminer plus facilement ce qui a été exprimé et l'intention véhiculée. 

Le traitement automatique du langage naturel cherche à apprendre au système à comprendre le langage humain, ainsi que le ton et le contexte.  Cela commence par permettre à l'algorithme de distinguer des concepts plus difficiles tels que l'émotion ou le sarcasme.  Il s'agit d'un domaine en expansion, car les entreprises cherchent à automatiser le service clientèle à l'aide de robots utilisant la voix ou le texte, comme c'est le cas d'Amazon Lex.

Les achats en ligne impliquent souvent des suggestions de contenu personnalisées en rapport avec les articles, les films ou les actualités qui pourraient vous intéresser.  Historiquement, ces systèmes ont été optimisés par les humains grâce à la création d'associations entre les éléments. Cependant, avec l'arrivée du Big Data et de l'apprentissage profond, une intervention humaine n'est plus nécessaire, car les algorithmes peuvent désormais identifier les articles qui pourraient vous intéresser en examinant vos achats précédents ou les produits que vous avez consultés, et en comparant ces informations à celles des autres.

>> Découvrez MXnet, le framework d'apprentissage profond open source, et apprenez à faire vos premiers pas.

 

Démarrez avec Amazon AI Services