Les modèles d’apprentissage humain varient d’une personne à l’autre. Changer un processus d’apprentissage intégré dans l’esprit des gens peut être un défi.
Cependant, avec l’apprentissage machine (ML), la méthode d’apprentissage peut être facilement modifiée simplement en choisissant un algorithme différent. En ce qui concerne l’apprentissage machine, disposer de processus bien définis nous permet de comprendre et d’évaluer la précision de l’apprentissage. L’évaluation de l’apprentissage humain se fait généralement par des examens, qui ne sont pas considérés comme une mesure de l’intelligence. Examinons plus en détail la différence entre les processus d’apprentissage humain et machine.
Que signifient-ils chacun ?
Et quelles sont les différences et similitudes entre les deux ?
Qu’est-ce que l’apprentissage humain ?
L’apprentissage humain consiste à observer des choses, à reconnaître un schéma, à élaborer une théorie ou un modèle qui explique ce schéma, puis à mettre cette théorie à l’épreuve et à vérifier si elle correspond à la plupart ou à toutes les observations.
L’apprentissage est essentiellement un modèle qui représente un schéma au sein d’une collection d’observations. Sans un modèle faisable, il n’y a pas d’apprentissage.
Considérons n’importe quelle formule mathématique, équation physique, théorie biologique, théorème économique ou équation chimique : ils décrivent tous un schéma du monde physique ou naturel. Prenons les lois du mouvement de Newton comme exemple.
Il a étudié le mouvement des corps physiques et interprété leur mouvement en expliquant simplement les forces qui agissent sur eux. Newton a découvert le « schéma » ou la « relation » entre les forces affectant un corps et le mouvement qui se produit en réponse à ces forces et l’a exprimé sous forme de lois.
Le concept clé ici est le suivant : Aucun modèle ou apprentissage ne reflète la « vraie » ou « absolue » réalité. Tous les modèles ou apprentissages ne représentent qu’une approximation de la réalité observée.
Par conséquent, nous devons mettre à jour le modèle ou l’apprentissage si nous rencontrons de nouvelles observations concernant les phénomènes que nous étudions.
Qu’est-ce que l’apprentissage machine ?
L’apprentissage machine permet aux ordinateurs d’effectuer des tâches traditionnellement réservées aux humains.
Qu’il s’agisse de conduire une voiture ou de traduire la parole, l’apprentissage machine provoque une expansion énorme des capacités de l’intelligence artificielle, permettant aux logiciels de donner un sens au monde réel chaotique, erratique et imprévisible.
Alors, qu’est-ce que l’apprentissage machine exactement ?
Techniquement parlant, l’apprentissage machine désigne le processus d’enseignement à un système informatique comment faire des prédictions précises basées sur les données qui lui sont fournies.
Les prédictions peuvent inclure l’identification d’un fruit dans une photo (banane ou pomme), la détection d’une personne traversant la route devant une voiture en mouvement, ou la détermination de la signification du mot « book » dans une phrase (livre de poche ou réservation d’hôtel), si un email est un spam, ou l’identification de la parole avec suffisamment de précision pour créer des sous-titres pour une vidéo YouTube.
La principale distinction avec les logiciels informatiques traditionnels est que le développeur humain n’a pas écrit de code instruisant le système sur la manière de distinguer la banane de la pomme. Cependant, un modèle d’apprentissage machine a été entraîné à identifier les fruits avec précision en traitant une grande quantité de données, dans ce cas probablement un grand nombre d’images étiquetées montrant une banane ou une pomme.
Catégories d’apprentissage machine
En général, l’apprentissage machine se divise en deux grandes catégories : l’apprentissage supervisé et l’apprentissage non supervisé.
Apprentissage supervisé :
Cette approche se concentre sur l’enseignement aux machines par l’exemple. Dans leur formation en apprentissage supervisé, les systèmes sont soumis à de grands volumes de données étiquetées, comme des images de chiffres manuscrits annotées pour montrer quel chiffre ils représentent. Avec suffisamment d’exemples, un système d’apprentissage supervisé pourra finalement reconnaître des groupes de pixels et des formes liées à chaque chiffre, permettant ainsi de reconnaître les chiffres manuscrits et d’identifier de manière fiable les chiffres 9 et 4 ou 6 et 8. Cependant, la formation de ces systèmes nécessite généralement de grandes quantités de données étiquetées, certains systèmes devant être exposés à des millions d’exemples pour accomplir une tâche avec succès.
Apprentissage non supervisé :
Les processus d’apprentissage non supervisé utilisent des algorithmes qui identifient des schémas dans les données, recherchant des similitudes qui décomposent les données en catégories. Un bon exemple est Airbnb, qui regroupe les maisons disponibles à la location par quartier, ainsi que Google News, qui regroupe les articles sur des sujets similaires quotidiennement. Cependant, l’algorithme n’est pas conçu pour séparer un type spécifique de données, il recherche simplement des schémas de données qui peuvent être regroupés par leurs similitudes ou anomalies.
Où est utilisé l’apprentissage machine ?
L’utilisation des systèmes d’apprentissage machine se produit tout autour de nous et est un pilier de l’internet moderne.
Les systèmes d’apprentissage machine recommandent un produit que vous souhaitez acheter sur Amazon ou une vidéo que vous souhaitez regarder sur Netflix. À chaque recherche sur Google, plusieurs systèmes d’apprentissage machine travaillent ensemble, de la compréhension de la langue dans laquelle vous recherchez à la personnalisation de vos résultats pour que les amateurs de pêche au « bass » ne soient pas submergés par les résultats de guitare. De même, les systèmes de reconnaissance de spam et de phishing de Gmail utilisent des modèles d’auto-apprentissage pour garder le spam hors de votre boîte de réception.
Parmi les manifestations les plus visibles de la puissance de l’apprentissage machine, on trouve les assistants virtuels, y compris Alexa d’Amazon, Siri d’Apple, Cortana de Microsoft et Google Assistant. Tous dépendent fortement de l’apprentissage machine pour soutenir leur reconnaissance vocale ainsi que leurs compétences en compréhension du langage naturel, avec un immense besoin de corpus pour répondre aux questions.
En plus de ces manifestations très visibles de l’apprentissage machine, les systèmes commencent à être utilisés dans presque tous les secteurs. Voici quelques exemples d’utilisation : la reconnaissance faciale pour la surveillance dans des pays comme la Chine ; la vision par ordinateur pour les voitures sans conducteur, les drones et les robots de livraison ; la reconnaissance et la synthèse de la parole et du langage pour les chatbots et les robots de service ; l’assistance aux radiologues pour détecter les tumeurs avec des radiographies ; la maintenance prédictive des infrastructures grâce à l’analyse des données des capteurs IoT ; l’aide aux chercheurs pour identifier les séquences génétiques liées aux maladies et identifier les molécules qui pourraient mener à des médicaments plus efficaces en santé ; le soutien à la vision par ordinateur qui rend possible le supermarché Amazon Go sans caisse ; la transcription et la traduction raisonnablement précises des discours pour les réunions d’affaires ; et la liste est infinie.
Quelle est la différence entre l’apprentissage machine et l’apprentissage humain ?
Tant les humains que les machines commettent des erreurs en utilisant leur intelligence lors de la résolution de problèmes. En ML, les systèmes stockent tous les exemples ; si nous prenons un modèle surchargé qui a une mauvaise généralisation, il ne fonctionnera pas sur des exemples sans précédent.
De plus, le système éducatif dans la plupart des pays asiatiques dépasse les étudiants en fournissant des cours et des classes sur des sujets techniques qui leur permettent de résoudre uniquement des problèmes exemplaires. De tels problèmes sont résolus lors des examens sans nécessiter aucun type d’intelligence. Ces étudiants peuvent résoudre des problèmes qu’ils ont déjà vus et uniquement les problèmes qu’ils ont vus dans le passé. Ils ne peuvent pas traiter correctement les problèmes généraux avec précision parce que leur intelligence n’est pas généralisée. C’est la principale raison pour laquelle les niveaux de compétence des diplômés universitaires sont insuffisants. En termes simples, la grande majorité des étudiants deviennent des modèles exagérés d’apprentissage.
De nos jours, l’apprentissage machine est une partie en plein essor de la recherche en intelligence artificielle croissante. Cela est dû à la mise en œuvre de logiciels de réseaux neuronaux, imitant les fonctions du cerveau humain, ainsi qu’à la disponibilité de grandes ressources matérielles informatiques abordables, offrant un potentiel pour résoudre des problèmes qui, jusqu’à présent, dépendaient de la puissance du cerveau humain.
De grandes quantités de données (Big Data) constituées d’informations médicales ou financières, de bibliothèques d’images ou d’informations sur le comportement des clients, etc., sont toutes traitées par des types d’algorithmes très complexes pour générer des connaissances numériques sans besoin de programmation traditionnelle.
Conclusion
Lorsque nous comparons l’apprentissage machine aux théories de l’apprentissage humain, les idées deviennent beaucoup plus faciles à comprendre et moins confuses. Mais évidemment, il reste quelques différences fondamentales entre les deux, ce qui constitue principalement la barrière qui empêche l’intelligence artificielle d’approcher l’intelligence générale humaine.
Références :