Au lieu de définir des règles pour chaque situation, on présente des exemples à un ordinateur et on le laisse en déduire des schémas. C'est le principe de l'apprentissage automatique : des algorithmes qui apprennent à partir de données pour faire des prédictions. Un filtre anti-spam apprend grâce à des millions de courriels étiquetés. Un moteur de recommandation apprend de vos visionnages et des vidéos que vous avez ignorées.

L'apprentissage automatique comprend trois grands paradigmes : l'apprentissage supervisé, qui utilise des données étiquetées ; l'apprentissage non supervisé, qui identifie les structures dans les données non étiquetées ; et l'apprentissage par renforcement, qui entraîne les agents par le biais de récompenses et de sanctions. L'apprentissage profond, quant à lui, utilise des réseaux neuronaux multicouches pour traiter les images, la parole et le texte.

Applications courantes

• Reconnaissance d'images : visages, objets, images médicales
• Langage naturel : traduction, chatbots, analyse des sentiments
• Recommandations : produits, films, musique
• Détection des fraudes : cartes de crédit, déclarations de sinistres
• Systèmes autonomes : voitures, drones, robots

L'apprentissage automatique est puissant mais imparfait. Les modèles peuvent être biaisés, fragiles et difficiles à interpréter. Ils nécessitent de grandes quantités de données propres. Leurs erreurs sont parfois évidentes pour l'humain. Le domaine évolue rapidement, mais les garde-fous, eux, tardent à suivre.