IA : Machine Learning

Le Machine Learning c’est finalement la discipline mise en œuvre pour permettre à une intelligence artificielle d’apprendre. On dit qu’on va utiliser des mécanismes/techniques de Machine Learning pour entraîner cet IA. Le but au fil de l’entrainement sera capable de sélectionner/prédire le résultat adéqaute. Mais pas que.

Le Machine Learning (ou apprentissage automatique) est la discipline globale identifiant les techniques (et sous-discipline) pour fournir des données à une IA, c’est à dire l’entraîner. Et cela passe par différentes mode d’apprentissages.

Modes d’apprentissage

Il y a diffèrent mode d’apprentissage pour une IA :

Supervisé : on lui fournit un jeu de donnée en expliquant pour chacune elle ce qu’elle est sensé représenter afin que l’IA en déduise les liens logique.
Non-supervisé (auto-supervisé) on lui fournit un jeu de données, sans rien précisé, pour qu’elle s’efforce de faire des regroupements.
Par renforcement : on lui donne des contrainte (ex : couloirs d’un labyrinthe) et paramètres de fonctionnement (ex : mouvements possible) pour qu’à force de répétition elle aboutisse à la méthode la plus optimisée pour obtenir le résultat (ex : ici sortir du labyrinthe).

Ces modes d’apprentissages sont chacun liés à un algorithme, formulation mathématique qui va « aider » à tester et affiner la relation mathématiques entre les données. Bien qu’en réalité, il n’y a pas qu’un algorithme par mode : selon le type de donnée, selon le mode d’apprentissage choisi, selon la relation qui unit les données et le résultats (etc.) il existe différents algorithmes chacun efficace dans son domaine.

Exemple : apprentissage de la reconnaissance des nuages

On va utiliser l’apprentissage supervisé pour entrainer une IA à détecter des images représentant des nuages. Les données/datas/datasets (des images représentant des nuages) vont être fournis à l’IA ; des algorithmes de machine learning font se charger d’entrainer l’IA à trouver des similitude pour ensuite être capable de prédire/reconnaître (et par la suite généré) des image de nuage.

Prédire, reconnaître, générer

Lors qu’on entraine une IA, en définitive on entraine plus précisément un Modèle. C’est une représentation mathématique qui a tissé des lien logique entre chaque élément d’informations. Le but étant au final de « mathématiser » le lien intrinsèque entre les données fournit et l’objectif attendu.

Prédire

Le modèle d’IA c’est ce qui va en effet fonctionner comme le « cœur » de l’IA, ce qui va être capable d’effectuer une des tâches principale attendue par une IA : prédire.

Exemple : prédiction du prix d’un bien immobilier

On va donner à une IA toutes les données qui servent à évaluer le prix d’un bien immobilier : sa superficie, sa ville, son emplacement dans la ville, le prix du mètre carré, le nombre de pièce, l’orientation des fenêtres, la présence ou pas de vis à vis (etc.). Et cela en lui désignant explicitement le prix de chacun de ces biens. Grâce à cela, pour un bien immobilier ayant ces critère mais dont personne ne s’est chargé d’établir le prix, l’IA sera capable de prédire le prix du bien en question.

Reconnaître

Du fait qu’un résultat peut être prédit, il peut finalement servir à reconnaitre un élément comme » Correspondant au modèle » OU » ne correspondant pas au modèle « . C’est typiquement ce que peut faire une IA entrainée à partir d’images de fleurs : elle est capable donc de reconnaître si l’image fournie respecte le modèle qui a été construit. Le modèle mathématique, s’il a bien été entrainé, contient normalement tous les critères « graphiques » à respecter pour valider une image de fleur.

Exemple : Un drone de reconnaissance/un outil de detection de tumeur

Un drone embarquant une IA dont le modèle a été entrainé à partir d’images aériennes (ex : vue satellite) représentant des complexes militaires sera capable donc de les identifier en vol.
D’autre part, un logiciel équipé d’une IA dont le modèle a été entrainé à partir de photographie de tumeur sera capable de les identifier sur une photo fournit par l’utilisateur.

Générer

Et donc, il peut générer. En effet, un modèle capable de prédire un résultat à partir de paramètres fournis sera parfois capable de générer des résultats permis par le modèle. On pense généralement à la génération de textes ou d’images correspondant à un prompt.

Exemple : Agent conversationnel (chatGPT) / modélisation de protéine

Une IA équippé d’un LLM (Large Language Modele, un Modèle spécialisé dans le language humain) sera capable de predire le mot suivant d’une phrase. Ainsi, si elle reprend en paramètre la phrase donnée + le résultat prédit, elle en prédira un nouveau… et donnera l’impression de construire des phrases et donc de dialoguer.
D’autre part, une IA à qui l’on a fournit toutes les caractéristiques qui correspondent à un type de molécule et ses connexions avec les acide aminés pourra être capable de générer de nouveaux modèles respectant ces paramètres. Cela aidera les chercheurs à travailler sur des bases assez fiables pour leur recherches.

Et c’est cette dernière utilisation, la génération, dont on entend le plus parler. Malheureusement principalement pour les questions éthique qu’elle soulève concernant le droit d’auteur. Une artiste culinaire faisait d’ailleurs remarquer en novembre 2024, concernant le service payant Midjourney, qu’ » il fallait payer pour (utiliser un service) vendant des œuvres volées « . Heureusement toutefois l’IA générative, comme vu dans l’exemple précédent, n’a pas que cet objectif.

L’IA avance vite ces dernières années, comme le prouve les nombreux projet utilisant l’IA qui apparaissent ainsi que l’actualité du début d’année 2025. Et les techniques avancent tellement qu’aujourd’hui l’exploitation/l’entrainement/la conception de LLM pour atteindre des résultats intéressants est même remise en cause par des pontes du domaine.
Enchainons donc sur un des sujets les plus discutés étant au cœur même du fonctionnement des IA : Les données

Prographie

Un blog sur l'infographie, la programmation et les UIs