Objectifs du chapitre
- Présenter les bases de l’apprentissage automatique.
- Présenter les différentes applications de l’apprentissage automatique.
- Présenter les différents types de l’apprentissage automatique.
1. Qu’est-ce que l’apprentissage automatique ?
L’apprentissage automatique est la discipline donnant aux ordinateurs la capacité d’apprendre sans qu’ils soient explicitement programmés (Arthur Samuel, 1959). Une définition plus technique, due à Tom Mitchell (1997) : étant donné une tâche T et une mesure de performance P, un programme informatique apprend à partir d’une expérience E si les résultats obtenus sur T, mesurés par P, s’améliorent avec l’expérience E.
Exemple introductif : à partir de données historiques de patients soupçonnés d’une tumeur, le modèle prédit si la tumeur est bénigne ou maligne.
2. Les techniques de ML
| Technique | Description |
|---|---|
| Régression / estimation | Prédire des valeurs continues (numériques). Exemple : prédiction du prix d’une maison. |
| Classification | Prédire la classe ou la catégorie d’un cas. Exemple : customer churn, employee churn. |
| Clustering | Regroupement de cas similaires. |
| Association | Trouver des articles ou des événements qui se produisent souvent ensemble. |
| Détection des anomalies | Détecter les cas anormaux et inhabituels. |
| Sequence mining | Prédire l’événement suivant (Markov…). |
| Réduction des dimensions (feature selection) | Réduire la taille des datasets (PCA, SelectBest, matrice de corrélation…). |
| Systèmes de recommandation | Associer les préférences des gens à celles d’autres personnes aux goûts similaires. |
3. Les concepts clés de ML
L’apprentissage se base sur trois composants : les données d’apprentissage (chaque entrée du jeu de données est un exemple, un échantillon, une instance ou une observation), la tâche à résoudre (classifier, prédire, ordonner…) et la mesure de performance (F1-score, jaccard index…). Un système apprend s’il améliore ses performances sur une tâche donnée à mesure qu’il observe des exemples de cette tâche.
Les données sont souvent réparties en trois ensembles : l’ensemble d’entraînement (training set, utilisé pour générer le modèle), l’ensemble de test (test set, sur lequel le modèle est appliqué pour être testé et réajusté) et l’ensemble de validation (validation set, utilisé pour réajuster les hyperparamètres de l’algorithme d’apprentissage).
| Problème | Définition | Solutions |
|---|---|---|
| Sur-apprentissage (overfitting) | Le modèle s’adapte si précisément au training set (apprentissage « par cœur », capture du bruit) qu’il ne généralise pas sur les nouvelles données. | Régularisation (L1/Lasso, L2/Ridge), simplifier le modèle, augmentation des données, validation croisée. |
| Sous-apprentissage (underfitting) | Le modèle s’adapte mal au training set et n’arrive pas à capturer ses corrélations ; le coût d’erreur reste grand en phase d’apprentissage. | Modèles plus complexes (arbres de décision, réseaux neuronaux), augmenter la durée d’entraînement, ajouter des caractéristiques. |
4. Les types de ML
| Type | Principe |
|---|---|
| Apprentissage supervisé | Construit des modèles à partir d’exemples dont on connaît les étiquettes (labels). Comprend la classification (prédiction d’une valeur discrète) et la régression (prédiction d’une valeur continue). |
| Apprentissage non supervisé | L’algorithme découvre lui-même la structure des données (patterns, clusters). Un cluster est un ensemble de données homogènes au sens d’un critère de similarité (distance, densité). |
| Apprentissage par renforcement | Un agent prend des actions dans un environnement, qui renvoie une récompense positive ou négative ; l’objectif est de maximiser les récompenses cumulées sur le long terme. Exemples : jeux vidéo (AlphaGo, Dota 2), robots autonomes, optimisation du trafic, trading automatique. |
5. Les défis et risques de l’IA
| Risque | Exemple | Solution |
|---|---|---|
| Biais dans les résultats | Un modèle d’approbation de prêt discrimine selon le genre ou l’origine ethnique. | Analyser et nettoyer les données pour éliminer les biais, tester sur des ensembles diversifiés et représentatifs. |
| Erreurs pouvant causer des dommages | Un véhicule autonome provoque une collision à cause d’une défaillance du système. | Tests rigoureux avant déploiement, mécanismes de sécurité pour limiter les impacts en cas de panne. |
| Exposition des données | Des diagnostics médicaux utilisent des données de patients stockées de manière peu sécurisée. | Chiffrement des données, respect des réglementations (RGPD). |
| Solutions non adaptées pour tous | Un assistant domestique sans sortie audio adaptée aux malvoyants. | Tests d’accessibilité pendant la conception, fonctionnalités inclusives. |
| Complexité et confiance | Un outil financier propose des recommandations d’investissement sans explication claire. | Améliorer la transparence des systèmes, outils pédagogiques pour comprendre les recommandations. |
| Responsabilité légale | Une personne condamnée à tort sur la base d’une reconnaissance faciale incorrecte. | Cadres légaux et éthiques clairs, supervision humaine pour les décisions critiques. |
Une IA responsable se reconnaît à six critères : équité, fiabilité et sécurité, respect de la vie privée, inclusivité, transparence, responsabilité.
6. Les méthodologies de travail en data science
KDD (Knowledge Discovery in Databases)
Proposé par Ossama Fayyad en 1996, le KDD est un processus itératif et interactif de fouille de données, dont le but est l’extraction de connaissances (motifs valides, utiles et exploitables) à partir de grandes quantités de données, par des méthodes automatiques ou semi-automatiques. Son principal défaut est le manque de guidage de l’utilisateur, qui ne choisit pas toujours la meilleure solution adaptée à ses données à chaque étape.
Les neuf phases du KDD :
- Développer et comprendre le domaine de l’application.
- Sélection des données.
- Prétraitement et nettoyage des données.
- Transformation des données.
- Choisir la meilleure tâche pour la fouille de données (classification, régression, regroupement…).
- Choisir l’algorithme de ML.
- Implémenter l’algorithme de ML.
- Évaluation et interprétation des motifs découverts.
- Utiliser les connaissances découvertes (incorporation dans d’autres systèmes).
CRISP-DM (Cross-Industry Standard Process for Data Mining)
Méthode éprouvée sur le terrain décrivant une approche communément utilisée par les experts pour orienter les travaux de Data Science ; elle comprend à la fois une méthodologie (description des phases et tâches types) et un modèle de processus (aperçu du cycle de vie du projet).
| Phase | Contenu |
|---|---|
| Compréhension métier | Déterminer les objectifs d’affaires, résoudre un problème spécifique, évaluer la situation actuelle, convertir en problème de data mining, élaborer un plan de projet. |
| Compréhension des données | Collecte initiale, description, exploration, vérification de la qualité et sélection des données, provenant de sources internes (ERP, CRM, Data Warehouse), externes (données commerciales, gouvernementales) ou créées (recherche). |
| Préparation des données | Nettoyer les données sélectionnées (valeurs manquantes, aberrantes, redondance, incohérences), transformer les données vers une échelle numérique unifiée. |
| Modélisation | Traitement des données (ensemble d’apprentissage, ensemble de test), techniques de data mining (association, classification, clustering, prédictions, motifs séquentiels). |
| Évaluation | Vérifier que le modèle répond aux objectifs métier, qu’aucun objectif important n’est non résolu, que le modèle est logique et actionnable. |
| Déploiement | Suivi et entretien : évaluer la performance par rapport aux critères de réussite, suivre la réaction du marché et des concurrents. |
Les données du monde réel posent trois types de problèmes :
| Type de problème | Exemple | Cause principale |
|---|---|---|
| Incomplètes | occupation = "" | Valeur « sans objet » à la collecte, décalage entre collecte et analyse, problèmes humains, matériels ou logiciels. |
| Bruyantes | salaire = "-1000" | Instruments de collecte erronés, erreur humaine ou informatique à la saisie, erreurs de transmission. |
| Incohérentes | age = "42" et anniversaire = "03/07/1993" | Différentes sources de données, violation de dépendance fonctionnelle. |
IBM Master Plan
Cadre méthodologique développé par IBM pour structurer les projets analytiques. Il reprend des éléments de CRISP-DM en les enrichissant avec la gouvernance des données, la stratégie d’entreprise (alignement business/IT) et la mise en production continue. IBM le présente comme une évolution du CRISP-DM pour les environnements modernes (Big Data, Cloud, IA).
TDSP (Team Data Science Process)
Dans le TDSP, chaque membre de l’équipe doit se voir attribuer un rôle clair et cohérent du début à la fin du projet.
| Rôle | Tâches |
|---|---|
| Chef de projet / Responsable Data Science | Définit les objectifs métier, coordonne les activités entre équipes (data science, ingénierie, métier), supervise l’avancement du projet. |
| Data Scientist | Explore et analyse les données, développe/entraîne/valide les modèles de machine learning, interprète les résultats. |
| Ingénieur Data (Data Engineer) | Prépare, intègre et nettoie les données, met en place les pipelines de données, garantit leur qualité et disponibilité. |
| Architecte Solution | Conçoit l’infrastructure technique, assure la scalabilité, la sécurité et l’intégration dans le système d’information. |
| Analyste Métier / Expert Domaine | Apporte la connaissance métier, traduit les besoins métier en objectifs analytiques, valide la pertinence des résultats. |
CPMAI (Cognitive Project Management for AI)
Méthodologie qui propose une démarche éprouvée, étape par étape, pour gérer le cycle de vie d’un projet IA avec clarté. Ses six phases guident l’équipe de l’alignement métier jusqu’à l’impact réel :
| Phase | Objectif |
|---|---|
| 1. Compréhension métier | Définir le problème, clarifier les objectifs, déterminer si l’IA est la solution adaptée. |
| 2. Compréhension des données | Explorer les données disponibles, leur accessibilité, leur représentativité du contexte réel du problème. |
| 3. Préparation des données | Nettoyer, étiqueter, standardiser et dédupliquer les données : la qualité des données conditionne directement la performance du modèle. |
| 4. Développement du modèle | Choisir, entraîner et ajuster le modèle, guidé par les objectifs mesurables définis dans les phases précédentes. |
| 5. Évaluation du modèle | Évaluer la performance, l’équité et l’alignement du modèle avec un cadre d’IA de confiance. |
| 6. Opérationnalisation du modèle | Intégrer le modèle dans les processus métier, mettre en place le suivi et les boucles de rétroaction. |
Tableau comparatif des méthodologies
| Méthodologie | Objectif principal | Axe principal | Phases typiques | Adaptée à |
|---|---|---|---|---|
| CRISP-DM | Data mining / projets data science | Processus structuré d’analyse de données | Business → Data → Preparation → Modeling → Evaluation → Deployment | ML classique et data mining |
| TDSP | Projets data science en environnement d’ingénierie | Collaboration, infrastructure, exécution Agile | Business understanding → Data acquisition → Modeling → Deployment → Customer acceptance | Projets DS industriels/en équipe |
| CPMAI | Projets IA, notamment IA générative moderne | Cycle de vie IA, IA responsable, production | Business → Data → AI/model → Evaluation → Deployment → Monitoring | Projets IA/ML, GenAI, LLM |
| IBM Data Science Methodology | Data science et analytique | Du problème métier au déploiement | Business understanding → Analytical approach → Data → Modeling → Evaluation → Deployment → Feedback | Projets DS/IA orientés IBM |