En matière d’apprentissage automatisé, on oppose très fréquemment apprentissage supervisé et apprentissage non supervisé.
L’apprentissage supervisé
Bien que les deux types d’apprentissages relèvent de l’intelligence artificielle, dans le premier cas un chercheur est là pour “guider” l’algorithme sur la voie de l’apprentissage en lui fournissant des exemples qu’il estime probants après les avoir préalablement étiquetés des résultats attendus. L’intelligence artificielle apprend alors de chaque exemple en ajustant ses paramètres (les poids des neurones) de façon à diminuer l’écart entre le résultats obtenus et le résultats attendus. La marge d’erreur se réduit ainsi au fil des entraînements, avec pour but, d’être capable de généraliser son apprentissage à de nouveaux cas.
L’apprentissage non supervisé
Dans le cas de l’apprentissage non supervisé, l’apprentissage par la machine se fait de façon totalement autonome. Des données sont alors communiquées à la machine sans lui fournir les exemples de résultats attendus en sortie.
Si cette solution semble idéale sur le papier car elle ne nécessite pas de grands jeux de données étiquetés (dont les résultats attendus sont connus et communiqués à l’algorithme), il est important de comprendre que ces deux types d’apprentissages ne sont par nature pas adaptés aux mêmes types de situations.
Des cas d’usage différents
L’apprentissage non supervisé est principalement utilisé en matière de clusterisation, procédé destiné à regrouper un ensemble d’éléments hétérogènes sous forme de sous groupes homogènes ou liés par des caractéristiques communes. La machine fait alors elle même les rapprochements en fonction de ces caractéristiques qu’elle est en mesure de repérer sans nécessiter d’intervention externe. De cette capacité à effectuer de la clusterisation découle également la possibilité de mettre au point un système de recommandation ( le système peut par exemple recommander un livre ou un film à un utilisateur en fonction des goûts d’utilisateurs partageant des caractéristiques communes) ainsi que la possibilité de mettre au point un système de détection d’anomalies.
Hélène Chevallier revenait ce 24 janvier 2018 au micro de france Inter sur la différence entre apprentissage supervisé et apprentissage supervisé, au cours de sa chronique “La quête du Graal des chercheurs en intelligence artificielle” dans l’émission “C’est déjà demain”.
Enfin, sachez qu’il existe d’autres types d’apprentissage : l’apprentissage semi-supervisé qui n’est ni plus ni moins qu’un mix entre apprentissage supervisé et apprentissage non supervisé, et l’apprentissage par renforcement.
Pour aller plus loin :
Cours de Yann LeCun, directeur scientifique du FAIR (Facebook Artificial Intelligence Research) sur l’apprentissage non supervisé au Collège de France.
Thomas Laloë. Sur quelques problèmes d’apprentissage supervisé et non supervisé. Mathématiques [math]. Université Montpellier II – Sciences et Techniques du Languedoc, 2009. Français. https://hal.archives-ouvertes.fr/tel-00455528/document
