Pour mieux comprendre et se former aux enjeux du machine learning et ses cas d’application, comme dans l’industrie automobile avec notamment la voiture autonome.
Le machine learning offre de nombreuses opportunités aux entreprises. 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.
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. » 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.
