Le machine learning (ML, en français : apprentissage automatique ou apprentissage artificiel) est une technologie d’intelligence artificielle (IA). Elle permet à une machine (ordinateur, robot) de se perfectionner sans programmation explicite. L’intelligence artificielle joue un rôle important dans les transports notamment, les services de mobilité pourront bientôt exploiter ce système et potentiellement l’intégrer à des outils comme Mappy. L’IA est un apprentissage direct de la machine qui ouvre le champ des possibles, découvrez comment le machine learning fonctionne.

Apprentissage​

L’IA n’implique pas nécessairement un apprentissage. Par exemple, un logiciel de jeu d’échecs ou de Go ne se perfectionne pas en jouant.
Au contraire, le ML vise une amélioration et une optimisation : une machine capable d’effectuer une tâche complexe (reconnaître un visage, traduire un texte…) augmente en efficacité en traitant des données. Elle s’entraîne, acquiert de l’expérience et se perfectionne. Pour cela, elle doit disposer des données sortantes historisées qu’elle a elle-même générées. On distingue plusieurs types d’apprentissage suivant le type de données entrantes traitées et la connaissance que l’on en a. L’agence adwords est par exemple souvent sollicitée pour ses maitrises d’outils utilisant l’IA tels que Google Ads.

Apprentissage supervisé

Si l’apprentissage est supervisé, le programme est alimenté avec des données dont on connaît le résultat en sortie. Il est possible de leur associer un résultat désiré : un label, ou étiquette. L’algorithme doit alors s’ajuster pour obtenir ce résultat, ou s’en approcher. L’intervention d’un expert est nécessaire : il doit sélectionner et labelliser les données, donc les connaître. Les ajustements du programme permettent d’obtenir un résultat à partir de données entrantes présentes ou futures. L’apprentissage supervisé rend donc de grands services dans l’élaboration d’algorithmes prédictifs. On trouve parmi les applications courantes :

  • La détection de fraude bancaire ;
  • La reconnaissance de spams ;
  • Les diagnostics médicaux.

Apprentissage non supervisé

Ce type d’apprentissage s’applique quand on dispose de données sans labels. L’expertise n’existe pas, le résultat souhaité n’est pas connu. Le programme doit explorer les données, les analyser et trouver les structures sous-jacentes qui les caractérisent. Il recherche des similitudes, effectue des regroupements. L’approche est souvent probabiliste : basée sur une probabilité d’appartenance à un groupe. Ce travail d’exploration et de classification des données peut être en lui-même le but recherché. Dans d’autres cas, c’est un moyen pour parvenir à un résultat.

Apprentissage par renforcement

L’apprentissage par renforcement comprend des éléments supervisés et non supervisés : on connaît le résultat souhaité, mais beaucoup de données sont sans label. L’approche est itérative, basée des expériences successives. L’algorithme cherche à s’approcher d’un résultat en observant puis en corrigeant les actions entreprises. Ce type d’approche donne de bons résultats dans la robotique et les programmes de navigation.

Big data

L’optimisation de tâches complexes donne tout son sens au ML. Cette complexité va de pair avec d’importantes quantités de données. L’arrivée du big data a donné un nouvel essor à l’apprentissage automatique, qui a besoin de gros volumes pour bien fonctionner. C’est notamment le cas quand il s’agit d’optimiser efficacement un algorithme de prédiction.

Google Ads et agences Adwords

Une application importante du ML se trouve dans la diffusion d’annonces publicitaires optimisées vers les internautes. Un ciblage pertinent est en effet synonyme d’efficacité commerciale. Google a développé Google Ads (anciennement Google Adwords) dans ce but. La diffusion publicitaire se fait vers :

  • les pages de résultats de recherche, dans lesquelles les annonces et les liens sponsorisés doivent figurer en bonne place (SEA, search engine advertising) ;
  • YouTube, sous forme d’annonces vidéo.

Le but de l’optimisation ML est généralement d’augmenter la visibilité d’un site web marchand, le trafic et les taux de conversion. Les données sont fournies par la navigation des internautes-acheteurs dans les historiques des recherches et des visionnages vidéo.
Les annonceurs ont généralement recours aux services d’une agence Adwords certifiée Google Partners qui connaît Google Ads et ses mécanismes de ML. Avec ses clients, une agence Adwords élabore des stratégies de campagne, optimise des mots-clés, rédige les annonces. Elle crée le cas échéant les annonces vidéo. Beaucoup proposent également un suivi régulier des campagnes pouvant donner lieu à une mise à jour des annonces quand elles perdent en efficacité.