Machine learning : fonctionnement, enjeux et cas d’application en entreprise

Branche de l’intelligence artificielle qui permet aux ordinateurs d’apprendre à résoudre des tâches sans avoir été programmés spécifiquement à cet effet, le machine learning offre la possibilité de développer des algorithmes pour analyser plus rapidement et de façon plus précise un très grand nombre de données. « Le machine learning, ou apprentissage artificiel en français, est une discipline de recherche et d’application qui vise à la programmation implicite, par opposition à la programmation traditionnelle qui nécessite la conception d’un code informatique ad hoc. Une grande partie du machine learning concerne des classes d’algorithmes capables d’induire des représentations, des modèles et des programmes à partir de données informatiques », explique le directeur pédagogique de la filière Intelligence Artificielle et Big Data (IABD) de l’ESGI.

Les multiples enjeux du machine learning, omniprésent au sein des entreprises

Alors que l’intelligence artificielle est née dans les années 1940-1950 avec les prémices de l’informatique, les modèles d’apprentissage artificiel conçus aujourd’hui représentent des techniques statistiques qui s’appliquent à de très grandes quantités de données. « Les algorithmes du machine learning reposent essentiellement sur des mécanismes d’induction, c’est-à-dire d’identification de représentations et de règles qui généralisent des informations disparates. Par exemple, un algorithme, qui apprend à distinguer sur des images médicales une tumeur bénigne d’une tumeur maline, ne part d’aucune théorie médicale, mais d’un simple étiquetage préalable des images. Il y a ainsi tout un enjeu à articuler les théories humaines, leurs pratiques, avec les représentations numériques et leurs impacts. »

Si le machine learning permet d’exploiter tout le potentiel du big data, il convient de revenir sur le contexte dans lequel sont apparues ces données massives, distribuées à très grande échelle. « L’idée n’est en effet pas neuve car, dès la fin de la Seconde Guerre mondiale, les scientifiques comprennent que l’informatique naissante est indissociable des flux de données qu’elle va traiter. Quatre-vingts ans après, nous y sommes : données et calculs sont distribués dans de vastes réseaux d’infrastructures. Matériel, logiciel, protocoles et langages évoluent pour traiter toujours plus de données, dans des temps de plus en plus courts. L’omniprésence du machine learning dans nos sociétés informatisées pose la question des possibilités, des limites de ces techniques, y compris de leur bien-fondé dans de nombreuses situations. »

Avec des données permettant de relier plus ou moins directement les particuliers, les entreprises, quelle que soit leur taille, et même des États, le machine learning constitue « un tissu technique intriqué avec tous les aspects professionnels, économiques et politiques des activités humaines. Autant dire que les enjeux ne manquent pas ! » Ainsi, les entreprises ou les institutions ont la capacité d’analyser et comprendre quelles valeurs elles pourront tirer des données dont elles disposent, comment en automatiser l’intégration ou en faire commerce.

Les avantages du machine learning dans l’industrie automobile

Le machine learning offre de nombreux atouts aux entreprises. Dans le secteur automobile, il permet d’apporter une plus grande autonomie à la conduite. « Les algorithmes embarqués dans un véhicule autonome produisent un comportement similaire à celui d’un conducteur humain. En clair, des caméras, lidars (laser imaging detection and ranging, ou télédétection par laser) et autres capteurs, permettent au véhicule de se faire une représentation de son environnement et de commander ses systèmes mécaniques en conséquence. » Il est ainsi possible de reconnaître un objet spécifique, suivre ses déplacements et anticiper sa trajectoire. « Ces informations sont communiquées à un système de conduite à qui l’on aura appris les bonnes réactions, en simulateur ou en environnement de test. »

Si le GPS ou le parking automatique constituent les premiers exemples de cas d’usage, qui ponctuent désormais le quotidien des automobilistes, l’autonomie complète des véhicules repose sur une technique basée sur l’opérationnel. « Les expérimentations sont lancées dans de très nombreux pays et ce sont désormais des questions législatives et éthiques, notamment, qui se posent. Un exemple parmi d’autres : qui possède les données de conduite du véhicule ? Est-ce le conducteur ou le constructeur de la voiture autonome ? Qui est responsable en cas d’accident ? Ces questions ont par exemple figuré à l’agenda législatif français en 2021. » Un décret, publié le 1er juillet 2021, a en effet officialisé le nouveau cadre réglementaire pour la circulation des véhicules autonomes en France, qui seront autorisés à rouler à partir de septembre 2022 sur des parcours ou des zones prédéfinis.

Comment se former pour maîtriser les techniques du machine learning ?

Discipline complexe à aborder mais tout aussi passionnante, le machine learning nécessite de maîtriser des compétences techniques indispensables, comme les mathématiques ou encore les environnements technologiques (codes et plateformes). « Il faut également être capable de bien comprendre le contexte des métiers dans lesquels les algorithmes vont évoluer, de faire le lien entre la logique des machines et les nécessités des activités humaines associées. » Les opportunités professionnelles sont nombreuses et concernent tous types de secteurs d’activités : l’énergie et l’environnement, les transports, le commerce, la santé, la sécurité informatique ou encore la cybersécurité.

L’ESGI, qui forme les apprenants aux métiers de l’informatique pour répondre aux besoins des entreprises, propose une filière dédiée à l’Intelligence Artificielle et au Big Data. Deux cycles sont au programme, le Bachelor (bac+3) et le Mastère (bac+5), qui peuvent être suivis en alternance sur le rythme d’1 semaine en cours et 3 semaines en entreprise. « L’enseignement de cette filière porte les étudiants à un très haut niveau de compétence en machine learning. Les publications de recherche sont étudiées et implémentées, de même que la mise en application par les technologies en usage. L’ESGI fait en sorte que les élèves n’aient pas juste un rapport d’usage aux algorithmes, mais une compréhension profonde des mécanismes mis en œuvre et des enjeux associés, industriels ou juridiques, ce qui en fait des experts responsables. »

Inscrivez-vous pour vous former au machine learning avec l’ESGI