Si vous utilisez Internet, quelle qu’en soit la manière, vous serez inévitablement confronté à des algorithmes. Du moteur de recherche de Google aux algorithmes du fil d’actualité de Facebook, en passant par les systèmes qui aident les établissements financiers à traiter les transactions, les algorithmes sont au fondement de l’intelligence artificielle.
Bien qu’ils soient au cœur de notre vie numérique, les algorithmes ne sont généralement compris que par les personnes qui les créent. Malgré le soutien qu’il apporte à près de 400 000 créateurs à temps plein avec sa plateforme, l’algorithme de Youtube — qui recommande des vidéos et met en avant des chaînes liées aux centres d’intérêt des utilisateurs — est tristement connu pour être une boîte noire opaque, au gré de laquelle les créateurs connaissent tour à tour l’abondance et la disette.
Cet article mettra en lumière cet aspect fondamental du secteur technologique.
Voir aussi : Principaux logiciels d’IA
Qu’est-ce qu’un algorithme ?
En termes simples, un algorithme est un ensemble d’étapes précisément définies qui doivent être suivies pour parvenir à un résultat prévu. Il est notamment utilisé pour résoudre des équations mathématiques. On peut le décomposer en trois grandes composantes :
- Entrée : Les informations que vous connaissez déjà au début du problème.
- Algorithme : La séquence à suivre étape par étape pour atteindre le résultat.
- Sortie : Les résultats attendus si toutes les étapes de la séquence sont suivies à la lettre.
Les recettes de cuisine constituent un exemple de système s’apparentant à un algorithme en dehors du monde technologique. Vous avez une entrée (les ingrédients), un algorithme (les étapes de la recette, qui doivent être suivies plus ou moins à la lettre) et une sortie (un plat, on l’espère, comestible).
Nous n’exagérons pas en disant que les algorithmes font partie de la structure atomique de notre vie numérique. Tout programme informatique que vous utilisez exécute plusieurs algorithmes pour remplir ses fonctions. De votre navigateur web à votre traitement de texte, en passant par Microsoft Solitaire, inclus avec Windows depuis la version 3,0, chacun d’eux repose sur des algorithmes.
Voir aussi : L’avenir de l’intelligence artificielle
Comment fonctionnent les algorithmes dans l’IA ?
Fondamentalement, l’intelligence artificielle (IA) est un programme informatique. Autrement dit, comme Firefox, Microsoft Word, Zoom ou Slack, toute solution d’IA ou d’apprentissage automatique (ML) que vous rencontrerez sera construite de A à Z à l’aide d’algorithmes.
Le rôle des algorithmes dans l’IA et l’apprentissage automatique varie. De manière générale, ils définissent les règles, les conditions et la méthodologie qu’une IA utilise pour traiter et analyser les données. Cela peut aller de la simple définition des étapes nécessaires au traitement d’une seule facture par une IA au filtrage, par cette dernière, des images contenant des chiens au sein d’un jeu de données composé de centaines de milliers de photos.
Les algorithmes d’apprentissage automatique contribuent à prédire les résultats, même lorsque les données d’entrée sont inconnues. Les algorithmes d’IA fonctionnent de manière similaire en résolvant différentes catégories de problèmes. Les problèmes que résolvent les algorithmes d’IA peuvent être répartis en trois grandes catégories :
- Classification : Type d’apprentissage automatique utilisé pour prédire à quelle catégorie, ou classe, appartient un élément. On peut par exemple programmer une IA pour distinguer les messages indésirables des messages dont vous avez réellement besoin.
- Régression : Type d’apprentissage automatique utilisé pour prédire une étiquette numérique en fonction du comportement d’un objet. On peut par exemple utiliser des données historiques pour prévoir les cours et les projections du marché boursier.
- Regroupement : Type d’apprentissage automatique utilisé pour trier des objets en groupes selon les similitudes de leur fonctionnement. On peut par exemple utiliser un algorithme pour parcourir un ensemble de transactions financières et repérer les cas de fraude potentielle.
Voir aussi : Comment l’IA transforme le développement logiciel grâce à l’augmentation par l’IA
Types d’algorithmes d’IA
Algorithmes de classification
Voici quelques exemples d’algorithmes de classification utilisés en IA et en apprentissage automatique.
Régression logistique binaire
La régression logistique binaire peut prédire un résultat binaire, comme Oui/Non ou Réussite/Échec. D’autres formes de régression logistique, comme la régression multinomiale, peuvent prédire trois résultats possibles ou davantage. La régression logistique est souvent utilisée dans des cas tels que la prédiction des maladies, la détection des fraudes et la prédiction de l’attrition, où ses jeux de données peuvent servir à évaluer les risques.
Naive Bayes
Naive Bayes est un algorithme probabiliste fondé sur l’intégration d’hypothèses d’indépendance dans ses modèles : il part du principe qu’aucune paire de mesures d’un jeu de données n’est liée à une autre ni ne l’influence d’une quelconque manière. C’est pourquoi on les qualifie de « naïves ». Il est couramment utilisé dans les modèles d’analyse et de classification de textes, où il peut trier des mots et des expressions dans des catégories définies.
Plus proches voisins (k-NN)
Bien qu’il soit parfois utilisé pour résoudre des problèmes de régression, k-NN sert le plus souvent à résoudre des problèmes de classification. Pour ce faire, il sépare les points de données en plusieurs classes sur un plan afin de prédire l’étiquette de classe d’un nouveau point de données. Une nouvelle classification est attribuée à ce dernier en fonction de l’étiquette de classe la plus représentée autour de lui sur le plan. k-NN est également appelé algorithme d’« apprentissage paresseux », ce qui signifie qu’il ne passe pas par une étape complète d’entraînement, mais se contente d’enregistrer un jeu de données d’entraînement.
Arbre de décision
Algorithme d’apprentissage supervisé, les arbres de décision peuvent également être utilisés pour les problèmes de classification comme pour ceux de régression. On parle d’« arbre » en raison de sa structure hiérarchique. À partir d’un nœud racine, il se ramifie en nœuds internes ou décisionnels plus petits, où des évaluations sont effectuées pour produire des sous-ensembles, représentés par des nœuds terminaux ou feuilles.
On peut par exemple commencer par un nœud racine consacré aux arts martiaux, puis le diviser en nœuds internes pour les arts martiaux axés sur les frappes et ceux axés sur le combat au corps à corps. Ces nœuds internes peuvent ensuite être divisés en nœuds terminaux correspondant à des arts martiaux précis comme la boxe, le jiu-jitsu et le muay-thaï. Ces algorithmes sont parfaits pour les tâches d’exploration de données et de découverte de connaissances, car ils sont faciles à interpréter et nécessitent très peu de préparation des données pour être déployés.
Forêt aléatoire
Les forêts aléatoires exploitent les résultats de plusieurs arbres de décision pour produire une prédiction. Comme les arbres de décision, elles peuvent servir à résoudre des problèmes de classification et de régression. Chaque arbre est constitué d’un échantillon de données tiré d’un jeu de données d’entraînement au moyen d’un échantillonnage avec remise. Cela ajoute une part d’aléatoire aux arbres de décision, même lorsqu’ils utilisent exactement le même jeu de données.
Dans les problèmes de classification, un vote majoritaire est déterminé à partir des résultats de ces arbres de décision randomisés. Imaginons par exemple que 10 arbres de décision soient chargés de déterminer la couleur d’une robe. Trois ensembles indiquent qu’elle est bleue, deux qu’elle est noire, quatre qu’elle est rose et un qu’elle est rouge. La robe serait classée dans la catégorie rose.
Les forêts aléatoires sont l’algorithme de prédilection des modèles d’apprentissage automatique axés sur la finance, car elles peuvent réduire le temps consacré aux tâches de prétraitement et de gestion des données. La détection des fraudes, la tarification des options et l’évaluation du risque de crédit des clients sont autant d’exemples de leur utilisation dans la finance. L’algorithme de forêt aléatoire est protégé par une marque déposée de Leo Breiman et Adele Cutler.
Voir aussi : Meilleures plateformes d’apprentissage automatique
Algorithmes de régression
Voici quelques exemples d’algorithmes de régression utilisés en IA et en apprentissage automatique.
Régression linéaire
Utilisée à la fois en statistique et en sciences sociales, la régression linéaire sert à définir la relation linéaire entre une variable dépendante et une variable indépendante. L’objectif de ce type d’algorithme est de déterminer une éventuelle droite de tendance à partir des points de données fournis. Les entreprises utilisent souvent la régression linéaire pour déterminer comment les recettes sont influencées par les dépenses publicitaires.
Régression de Poisson
La régression de Poisson est un type de régression dans lequel on suppose toujours qu’une variable prédite suit une loi de Poisson. Une loi de Poisson est une fonction de probabilité qui peut aider à déterminer la probabilité qu’un nombre donné d’événements se produise au cours d’une période précise et fixe.
On peut par exemple utiliser la régression de Poisson pour déterminer la probabilité qu’une classe de lycéens résolve un Rubik’s Cube en 24 heures. On peut aussi prédire la probabilité qu’un restaurant accueille davantage de clients certains jours en fonction du nombre moyen de clients qu’il reçoit en une semaine.
Régression des moindres carrés ordinaires (MCO)
L’un des algorithmes de régression les plus populaires, la régression MCO utilise des valeurs ordinales comme données d’entrée pour déterminer la relation linéaire entre plusieurs variables. L’algorithme est particulièrement utile pour prédire la probabilité qu’une chose soit classée sur une échelle arbitraire, par exemple la probabilité qu’un jeu obtienne la note 7 sur une échelle de 1 à 10. Il est souvent utilisé en sciences sociales, car les enquêtes dans ce domaine demandent fréquemment aux participants d’évaluer quelque chose sur une échelle. La régression MCO est également appelée apprentissage du classement.
Régression Lasso (Least Absolute Selection and Shrinkage Operator)
La régression Lasso reprend une régression MCO et ajoute un terme de pénalité à l’équation. Cela peut aider à créer une représentation des données plus complexe que celle qu’autoriserait une simple régression MCO. Cela peut également rendre la représentation plus précise. La régression Lasso est aussi appelée régularisation L1.
Régression par réseau neuronal
Les réseaux neuronaux comptent parmi les méthodes d’entraînement de l’IA et de l’apprentissage automatique les plus populaires. Comme leur nom l’indique, ils s’inspirent du cerveau humain et sont particulièrement efficaces pour gérer des jeux de données trop volumineux pour être traités de manière constante par les approches d’apprentissage automatique plus courantes.
Les réseaux neuronaux sont des outils polyvalents qui peuvent effectuer des analyses de régression à condition de disposer d’une quantité suffisante de données antérieures pour prédire les événements futurs. On peut par exemple leur fournir les données d’activité web et les métadonnées des clients afin de déterminer la probabilité qu’un client quitte votre site sans rien acheter.
À découvrir : Principales solutions d’analyse prédictive
Algorithmes de regroupement
Voici quelques exemples d’algorithmes de regroupement utilisés en IA et en apprentissage automatique.
Regroupement k-moyennes
Algorithme d’apprentissage non supervisé, le regroupement k-moyennes prend des jeux de données présentant certaines caractéristiques et les valeurs qui leur sont associées, puis regroupe les points de données en un certain nombre de clusters. Le « K » représente le nombre de clusters dans lesquels vous essayez de classer les points de données. Le regroupement k-moyennes possède de nombreuses applications concrètes, notamment la classification de documents, la détection des fraudes à l’assurance et l’analyse des relevés détaillés d’appels.
Regroupement par décalage moyen
Technique de regroupement simple et flexible, le décalage moyen affecte les points de données à des clusters en déplaçant les points vers la zone où la densité de points de données est la plus élevée (appelée mode). La définition d’un cluster dans ce contexte peut dépendre de plusieurs facteurs, tels que la distance, la densité et la distribution. Il est également connu sous le nom d’« algorithme de recherche de modes ». Le regroupement par décalage moyen trouve des applications dans des domaines comme le traitement d’images, la vision par ordinateur, la segmentation des clients et la détection des fraudes.
Regroupement spatial basé sur la densité avec bruit (DBSCAN)
DBSCAN sépare les clusters à forte densité les uns des autres au niveau des zones où la densité de points de données est faible. L’algorithme de recommandation de films de Netflix utilise une méthode de regroupement similaire pour déterminer quoi vous recommander ensuite.
Par exemple, si vous avez regardé récemment le film Netflix « Do Revenge », l’algorithme examinera les autres utilisateurs qui ont également regardé « Do Revenge » et vous proposera des films et des séries en fonction de ce que ces utilisateurs ont regardé ensuite. DBSCAN excelle dans la gestion des valeurs aberrantes au sein des jeux de données. Parmi ses applications possibles figurent la segmentation des clients, les études de marché et l’analyse des données.
Réduction et regroupement itératifs équilibrés par hiérarchies (BIRCH)
BIRCH est une technique de regroupement souvent utilisée pour traiter de grands jeux de données. Elle peut analyser une base de données entière en un seul passage, se concentrer sur les espaces présentant une forte densité de points de données au sein de la base et fournir un résumé précis des données.
Une méthode courante pour mettre en œuvre BIRCH consiste à l’associer à d’autres méthodes de regroupement incapables de gérer de grands jeux de données. Après la production de son résumé par BIRCH, l’autre méthode de regroupement parcourt ce résumé et regroupe les données qu’il contient. Ainsi, les meilleures applications de BIRCH concernent les grands jeux de données que les méthodes de regroupement classiques ne peuvent pas traiter efficacement.
Modèle de mélange gaussien (GMM)
Tout comme la régression de Poisson utilise le concept de loi de Poisson, les modèles GMM représentent les jeux de données comme un mélange de plusieurs modèles de loi gaussienne. La loi gaussienne est également appelée « loi normale » et il est donc intuitif de supposer que les clusters d’un jeu de données suivront les contours d’une loi gaussienne.
Les GMM peuvent être utiles pour traiter de grands jeux de données, car ils conservent nombre des avantages des modèles gaussiens simples. Les GMM sont utilisés dans les systèmes de reconnaissance vocale, la détection des anomalies et la prédiction des cours boursiers.
Vous voulez découvrir les projets passionnants que les entreprises réalisent avec les algorithmes d’IA ? Consultez Les principales entreprises du traitement automatique du langage