L'apprentissage automatique, ou machine learning, qu'est-ce que c'est ?

Le machine learning (ou apprentissage automatique) est une technique qui consiste à entraîner un ordinateur à identifier des schémas, à établir des prédictions et à apprendre à partir d'expériences passées sans programmation explicite.

Le machine learning (apprentissage automatique ou AA) est une sous-catégorie de l'intelligence artificielle (IA) qui utilise des algorithmes pour identifier des schémas et établir des prédictions dans un ensemble de données. Il peut s'agir de nombres, de texte et même d'images. Dans des conditions idéales, l'apprentissage automatique permet aux êtres humains d'interpréter des données plus rapidement et plus précisément qu'ils ne seraient capables de le faire eux-mêmes.

L'intelligence artificielle est une forme d'intelligence virtuelle qui ressemble à celle d'un être humain, créée par l'homme dans une machine. Pour le machine learning, les machines sont programmées afin de reproduire des fonctions cognitives précises qui sont naturelles chez l'homme, telles que la perception, l'apprentissage et la résolution des problèmes. 

Pour qu'une machine pense comme un humain, il faut l'entraîner à créer son propre modèle prédictif. Ce modèle permet à la machine d'analyser des données afin de devenir une machine « capable d'apprendre ». Pour lancer ce processus, il faut fournir des données à l'ordinateur et choisir un modèle d'apprentissage afin d'indiquer à la machine comment elle doit traiter les données. 

Un modèle de machine learning peut utiliser des données pour réaliser trois actions :

• décrire un événement ;
• prédire un événement ;
• formuler des suggestions concernant une action future à entreprendre.

Le modèle d'apprentissage choisi pour entraîner la machine dépend de la complexité de la tâche et du résultat souhaité. Il existe trois types d'apprentissages automatiques :

L'apprentissage supervisé : ces modèles sont entraînés à l'aide d'ensembles de données étiquetées. Ils sont utilisés pour des tâches telles que la reconnaissance d'images.

L'apprentissage non supervisé : ces modèles analysent des données non étiquetées pour identifier des similitudes, des schémas et des tendances. Ils sont utilisés pour des tâches telles que la segmentation de clients, les systèmes de recommandation et l'exploration générale des données.

L'apprentissage renforcé : ces modèles sont entraînés à l'aide d'un processus d'essais et d'erreurs dans le cadre d'un système de récompense établi. Ils sont par exemple utilisés pour entraîner un ordinateur à jouer à un jeu dans lequel les actions mènent à une victoire ou à une défaite. 

Une fois que l'ordinateur a saisi la manière dont il doit interpréter les données (grâce au modèle d'apprentissage et aux données d'entraînement), il est en mesure d'établir des prédictions et de réaliser des tâches lorsque de nouvelles données lui sont présentées. Ses prédictions deviennent plus précises au fil de son apprentissage à partir de flux de données continus, et il devient capable de réaliser des tâches plus rapidement et précisément qu'un humain ne pourrait le faire.

Les technologies de machine learning et d'intelligence artificielle peuvent être utilisées pour améliorer l'expérience utilisateur, anticiper le comportement des clients et surveiller des systèmes pour détecter la fraude. Elles peuvent également aider les prestataires de soins de santé à détecter des maladies potentiellement mortelles. Dans notre quotidien, le machine learning est très présent, notamment :

• dans les algorithmes de recommandation qu'utilisent les services de streaming ;
• dans les standards téléphoniques automatiques et les chatbots ;
• dans les publicités ciblées ;
• dans les devis automatisés qu'émettent les établissements financiers.

L'IA générative, sur laquelle reposent aujourd'hui de nombreux outils d'IA, existe grâce à l'apprentissage profond, une technique d'apprentissage automatique utilisée pour l'analyse et l'interprétation de grandes quantités de données. Les grands modèles de langage (LLM) sont un sous-ensemble de l'IA générative. Il s'agit d'une application cruciale de l'apprentissage automatique qui démontre la capacité à comprendre et à générer du langage humain à une échelle sans précédent. 

L'apprentissage automatique devient une fonctionnalité incontournable pour de nombreuses entreprises, et les applications d'IA/AA transforment actuellement les secteurs de la santé, des services financiers, des télécommunications, des services publics et bien d'autres encore.

Notre gamme de produits offre à vos équipes une base commune pour créer et déployer des applications d'IA et des modèles d'AA, de manière transparente et contrôlée. 

Red Hat® OpenShift® AI est une plateforme conçue pour l'entraînement, le réglage des commandes, l'ajustement des requêtes et la distribution de modèles d'IA qui reposent sur vos données et sont adaptés à votre cas d'utilisation.

Pour les déploiements à grande échelle, la solution Red Hat OpenShift offre une plateforme d'applications évolutive qui convient aux charges de travail d'IA, avec un accès aux principaux accélérateurs matériels.

Chez Red Hat, nous nous appuyons aussi sur nos outils Red Hat OpenShift AI pour optimiser d'autres logiciels Open Source, à commencer par Red Hat Ansible® Lightspeed with IBM watsonx Code Assistant. Cet outil aide les équipes de développement à créer des contenus Ansible plus efficacement. Après avoir lu la demande de tâche d'automatisation rédigée en anglais par l'utilisateur, le logiciel se charge d'interagir avec les modèles de fondation IBM watsonx pour générer des recommandations de code qui sont ensuite utilisées pour créer des playbooks Ansible.

Enfin, les intégrations des partenaires Red Hat ouvrent la voie à un écosystème d'outils d'IA fiables et compatibles avec les plateformes Open Source.