Jeff CATLIN, PDG de Lexalytics leader dans le cloud et dans les solutions d’analyses de texte, contribue, sur Forbes, avec un article nous expliquant la différence entre Machine Learning et Intelligence Artificielle.

Intelligence Artificielle et Machine Learning

Nous avons affaire à énormément de données tous les jours, mais la façon avec laquelle nous interagissons avec ces dernières change rapidement. Le Machine Learning (ML) et l’Intelligence Artificielle (IA) se présentent comme des solutions pour gérer toutes ces données. Les deux sont aussi utilisées de façon interchangeable, et bien qu’il y ait quelques similitudes, ces deux notions ne représentent pas la même chose.

La différence entre Machine Learning et Intelligence Artificielle est comme la différence entre une image fixe et de la vidéo. L’une est « statique », et l’autre est « en mouvement ».

Pour obtenir quelque chose du Machine Learning, vous devez savoir comment coder (ou connaître quelqu’un qui code).

L’Intelligence Artificielle, elle, est constamment à la recherche de nouvelles entrées permettant sa compréhension et son apprentissage. Elle n’est pas nécessairement une intelligence équivalente à celle des humains, telle qu’Hollywood souhaite la vendre, mais elle représente quelque chose qui est humain: la curiosité. En conséquence, elle offre de la flexibilité, moins de fragilité, et un plus grand spectre d’utilisation.

Machine Learning Vs. Intelligence Artificielle, une question d’aptitude

Le Machine Learning est un progrès par rapport au codage. Selon Bill KISH, de CognIac, vous êtes en train de programmer avec de la data (comme des images ou des vidéos), mais pas du code. Il s’agit essentiellement de construire des modèles.

Le Machine Learning n’est pas si simple que « si vous le construisez, vous apprendrez ». Vous devez vous assurer que vous vos modèles et méthodes sont corrects. Le Machine Learning fonctionne bien pour faire des prédictions basées sur les datas: « Ceci est probablement un chat », « il va certainement pleuvoir demain » … . Mais s’il apprend les choses de la mauvaise façon, il ne va pas apprendre pourquoi, ni même se rendre compte quelle est la réponse correcte. Il faudra attendre que vous nourrissiez le modèle d’apprentissage avec de nouvelles données. Le Machine learning est comme un étudiant qui attend son bulletin de notes trimestriel pour se réorganiser.

Il n’y a pas d’erreur, seulement des retours

D’un autre côté, l’Intelligence Artificielle, elle, concentre tout sur les « feedbacks« . Les modèles d’Intelligence Artificielle n’ont pas besoin d’être constamment reconstruits: ils se reconstruisent eux-mêmes. Ils se nourrissent de façon permanente de nouvelles et meilleures sources de données. Ils interagissent avec le monde, s’adaptent aux changements et recherchent des entrées additionnelles. Les modèles d’Intelligence Artificielle prennent le contrôle de leur propre apprentissage. Là où le Machine Learning est réactif, l’Intelligence Artificielle est proactive.

Évidemment, l’Intelligence Artificielle doit beaucoup au Machine Learning, car, après tout, elle l’utilise. Une différence clé est qu’elle est beaucoup plus proactive, interactive et «vivante» dans ce qu’elle fait. Elle vous informera quand elle aura abouti une tâche, pour que vous puissiez lui donner un autre travail.

Nous sommes tous des spécialistes dans un domaine

L’Intelligence Artificielle est, peut-être, la vedette, mais cela ne veut pas dire que le Machine Learning n’a pas sa place. Parfois, vous voulez mettre en place un modèle très simple, qui fait très bien quelque chose de simple -comme vous donner le nom précis d’une couleur, ou vous donner la nature d’un mot. Si vous avez un besoin spécifique et que les données avec lesquelles vous travaillez sont statiques, il n’y a pas besoin d’une Intelligence Artificielle super-développée.

D’un autre côté, si vous vous trouvez dans un secteur qui change énormément, vous nécessitez un outil qui soit capable de s’adapter. L’Intelligence Artificielle n’est pas uniquement un modèle ou une série de modèles. En effet, elle prend en main le problème, et le résout elle-même. Si vous lui exposez un problème, elle va construire son propre modèle pour le résoudre. Elle s’assurera que les modèles travaillent correctement ensemble, dans la façon préconisée. Elle interagit avec le monde extérieur, et s’enrichit de façon permanente avec de nouvelles données pour satisfaire ses besoins.

Le problème est le problème

La différence est claire entre Intelligence Artificielle et Machine Learning. En pratique, comment savoir laquelle est adaptée pour vous ? La clé est là : il ne s’agit pas de choisir et d’acheter la solution la « plus cool ». L’objectif est surtout de savoir quelle problématique vous voulez résoudre. La connaissance est qualifiée par des prédictions basées sur des modèles de données. Qu’essayez-vous de prédire ? Qu’essayez-vous d’analyser ?

Pour des modèles plutôt simples, le Machine Learning peut être la solution, alors que pour une problématique plus complexe, il ne constitue qu’une partie de la solution. Le Machine Learning peut identifier un modèle, mais il ne sera pas capable de le valider, de le critiquer … Il ne reconnaîtra pas les lacunes dans vos données, et ne sera pas capable d’en creuser complètement les causes. Pour cela, vous aurez besoin de data scientists confirmés … et de l’Intelligence Artificielle.

Découvrez les autres articles de notre blog ! Découvrez IDFOR Solutions en détails.

Les articles que nous rédigeons sont le fruit 🍏 de plusieurs heures de dur labeur. Ainsi, nous vous serions reconnaissants de pas plagier nos travaux qui sont protégés par le droit d’auteur 📜. Toutefois, vous êtes libres de les partager ou de nous faire part de vos remarques.

Si vous avez trouvé une erreur sur cette page, vous pouvez nous en informer en sélectionnant le texte en question, et en appuyant sur Ctrl + Entrée. Merci 🙂 !

Quelle est la différence entre Machine Learning et Intelligence Artificielle
5 (100%) 13 votes

Rapport de faute d’orthographe

Le texte suivant sera envoyé à nos rédacteurs :