Par Super Neuro
En ce qui concerne l’apprentissage automatique, vous tous, vétérans, devriez le connaître.Parmi les nombreuses explications du concept d'apprentissage automatique, Cassie Kozyrkov, ingénieur en chef de l'intelligence décisionnelle de Google, l'a qualifié de « machine à étiqueter les choses », ce qui est une compréhension intéressante.
L'apprentissage automatique est essentiellement une machine à étiqueter les choses
En plus d'être l'ingénieur en chef de l'intelligence décisionnelle de Google, la belle Cassie Kozyrkov est également statisticienne et neuroscientifique.
Sa compréhension de l’apprentissage automatique est différente de la vision générale dominante. Elle estime que l’apprentissage automatique n’est peut-être pas aussi magique que le disent les experts, ni la principale raison pour laquelle 30 milliards de dollars de capital-risque sont attirés dans le domaine de l’IA, ni aussi profond que le disent Hacker News ou Zhihu.
De l’avis de Mlle Cassie Kozyrkov, les explications ci-dessus sont toutes des explications écrites de l’apprentissage automatique. Dans les scénarios d’application réels, l’apprentissage automatique est essentiellement une « machine à étiqueter les objets ». En enregistrant votre description et en l'étiquetant en conséquence, vous pouvez guider l'action suivante de l'ordinateur.
L'apprentissage automatique est plus pratique que la science-fiction
L’apprentissage automatique est un sous-ensemble de l’IA et l’une des technologies clés pour réaliser l’IA. Actuellement, la plupart des produits d’IA sur le marché reposent essentiellement sur l’apprentissage automatique, de sorte que de nombreuses personnes considèrent ces deux concepts comme identiques.
L’imagination de la science-fiction sur l’IA s’est également inconsciemment déplacée vers l’apprentissage automatique. Par exemple, Jarvis, l’assistant IA d’Iron Man dans « Iron Man », peut toujours localiser instantanément des criminels dans une rue inconnue d’un pays lointain. En réalité, il est difficile pour l’apprentissage automatique de réaliser les scènes des films de science-fiction, et même l’IA actuelle ne peut pas y parvenir.
À l’heure actuelle, qu’il s’agisse d’IA ou d’apprentissage automatique, ils sont largement utilisés pour améliorer l’efficacité du travail informatique et étendre les scénarios d’application. Ils peuvent être utilisés pour traiter d’énormes projets de données et résoudre certaines tâches procédurales. Par rapport aux films de science-fiction, ils se concentrent davantage sur l’aspect pratique.
Par exemple
Ci-dessous se trouve une image d'un chat, que le cerveau humain peut facilement reconnaître grâce à divers sens et expériences, mais cela nécessite beaucoup « d'activités mentales » pour un ordinateur.
On donne une tâche à un ordinateur : classer (ou étiqueter) une photo comme chat/pas-chat ? Les systèmes d’apprentissage automatique et les méthodes de programmation traditionnelles vous offriront deux expériences d’exploitation différentes.
Dans l’approche de programmation traditionnelle, les programmeurs humains réfléchissent soigneusement aux pixels et aux étiquettes, communiquent avec les autres, inspirent des idées et enfin construisent manuellement des modèles.
Un modèle est un ensemble d’instructions qu’un ordinateur doit suivre pour convertir les données de pixels en étiquettes que l’ordinateur peut reconnaître. Ces instructions ne sont que quelques codes que l'ordinateur utilise pour transformer l'entrée en sortie, et elles peuvent être écrites à la main par un programmeur ou dérivées de données via un algorithme.
Prenons un exemple plus compliqué.
Comment utiliser le code pour décrire chaque bloc de pixels contenu dans cette image ?
C’est très difficile pour le cerveau humain. Le cerveau humain peut reconnaître la photo, mais il est difficile d’encoder les blocs de pixels de la photo. Par conséquent, pour le cerveau humain, demander à l’ordinateur de reconnaître la photo est non seulement une tâche fastidieuse et extrêmement compliquée, mais également peu pratique.
Par conséquent, les méthodes de programmation traditionnelles sont difficiles à appliquer dans le domaine de la reconnaissance d’images.
Mais l’apprentissage automatique peut très bien résoudre ce problème. C'est un paradigme de programmation complètement différent. Il peut être programmé grâce à une technique de type classification sans nécessiter d’instructions explicites.L'explication officielle est la suivante : trouver des modèles fixes dans les données et les convertir en instructions.
En prenant l'image ci-dessus comme exemple, l'apprentissage automatique intégrera toutes les données pertinentes, résumera un tas d'exemples « pas de chat » et un tas d'exemples « chat », puis les reclassera en fonction des caractéristiques pertinentes jusqu'à ce que « chat/pas de chat » soit déterminé.
L’apprentissage automatique peut exprimer de nombreuses choses ineffables en langage informatique. Cela signifie que nous n’avons pas besoin de donner d’instructions spécifiques à l’ordinateur pour obtenir les résultats souhaités.
C’est également le but principal pour lequel l’IA et l’apprentissage automatique ont été créés : interpréter les intentions humaines sans avoir besoin d’instructions.
Cette transformation a rendu les ordinateurs de plus en plus intelligents, capables de résoudre de nombreux problèmes que seul le cerveau humain peut résoudre. Il s’agit d’un saut qualitatif dans la technologie humaine et d’un signe que l’informatique frappe à une nouvelle porte.