Apprentissage automatique : de la culture populaire aux données immobilières

Beaucoup de parents ont eu la malchance de marcher pieds nus sur les briques Lego oubliées de leurs enfants. Mais codeur néerlandais Jacques Mattheij a eu un autre incident avec les blocs de construction en plastique coloré — c’est-à-dire, en gagnant involontairement plus de deux tonnes lors d’une série d’enchères eBay tard le soir. Pour tirer le meilleur parti de sa situation, Mattheij a créé un processus d’apprentissage automatique pour trier les milliers et milliers de pièces Lego en vrac par forme et couleur. L’apprentissage automatique, un terme inventé par l’informaticien Arthur Samuel en 1959, permet aux ordinateurs de reconnaître des motifs et d'« apprendre » à analyser des données sans être explicitement programmés pour cela. Mattheij a mis en place un système de tapis roulants et de bacs, à travers lesquels les briques circulaientau-delà d’une caméra jumelée à un ordinateur exécutant un classificateur d’images basé sur un réseau neuronal», selon Mental Floss. Les réseaux de neurones, ou réseaux de neurones artificiels, comprennent généralement plusieurs ordinateurs reliés entre eux. Ils sont conçus pour imiter les neurones du cerveau humain afin d’apprendre aux ordinateurs à prendre des décisions comme une personne. Une fois que l’algorithme de Mattheij avait entraîné l’ordinateur à reconnaître les briques Lego par certains paramètres, le système de tapis roulants pouvait déposer les pièces dans des bacs séparés. Le Le programme informatique se met aussi constamment à jour car il obtient plus de données sur les pièces Lego, y compris des variantes pour des blocs Lego cassés, délavés et imitations.

Expériences en apprentissage automatique et arts

Les résultats de l’apprentissage automatique peuvent sembler de la science-fiction, mais ils deviennent rapidement une partie de notre vie quotidienne. Les algorithmes qui composent les processus d’apprentissage automatique aident Amazon à prédire vos prochains achats et Netflix recommande des films et des émissions de télévision. Les moteurs de recherche que nous utilisons, comme Google, utilisent le traitement du langage naturel — une autre forme d’apprentissage automatique — pour déterminer l’intention derrière nos requêtes. L’apprentissage automatique enseigne même aux ordinateurs comment regarder des films et extrapoler des données à partir de ceux-ci. L’Institut Geena Davis sur le genre dans les médias, avec l’aide de Google, a récemment utilisé l’apprentissage automatique pour suivre Biais de genre dans les meilleurs films en prises de vues réelles de 2014, 2015 et 2016. Auparavant, les chercheurs devaient regarder les films un par un et consigner les résultats — une tâche laborieuse et exigeante. Avec l’apprentissage automatique, cependant, les ordinateurs pouvaient regarder des films, catégoriser les visages à l’écran et analyser si les personnages parlants étaient des hommes ou des femmes. En plus de l’étude sur les biais de genre, l’industrie cinématographique a aussi tiré parti de l’apprentissage automatique avec l’aide de Watson d’IBM. Watson, qui a concouru et gagné sur Jeopardy! En 2011, il a analysé 100 films d’horreur pour créer une bande-annonce unique. L’apprentissage automatique de Google Expériences infiltrent même le domaine des arts. Les utilisateurs peuvent gribouiller dans Autodraw et demander à Google de le compléter — par exemple, faire ressembler un chat grossièrement dessiné à un chat — ou essayer l’application QuickDraw de Google pour aider la machine à apprendre à reconnaître ces dessins. Google propose aussi des applications qui permettent aux utilisateurs de jouer un duo de piano avec une machine, de créer des paroles de chansons à partir de photos, et d’utiliser une « boîte à rythmes infinie » pour créer une cacophonie de sons quotidiens triés par apprentissage automatique.

L’apprentissage automatique dans le monde des affaires

Mais les processus d’apprentissage automatique font plus que servir la culture populaire. Ils peuvent même avoir un impact sur le milieu de travail moyen. Le Revue des affaires de Harvard a constaté que l’investissement des entreprises dans l’intelligence artificielle (IA) devrait tripler cette année et devenir un marché de 100 milliards de dollars d’ici 2025. Les entreprises utilisent cette technologie dans tout, du service à la clientèle et la fidélisation des clients aux ressources humaines et à la logistique de la chaîne d’approvisionnement. En 2017, EagleView a acquis OmniEarth, développeur de technologies d’apprentissage automatique et d’outils de prise de décision pour la gestion des ressources en eau, les infrastructures énergétiques et les marchés de l’assurance. Ces technologies ont la capacité d’identifier les caractéristiques des propriétés et des terrains visibles dans les images géospatiales. EagleView’s Imagerie de pictométrie® La base de données totalise des centaines de millions d’images et plus de 60 pétaoctets (60 000 téraoctets) de données. En utilisant ces ressources en plus de ces nouvelles technologies d’apprentissage automatique, EagleView peut extraire plus rapidement les données de ces images. Ces caractéristiques incluent l’état et les matériaux du toit, le surplomb d’arbres, les obstacles végétaux et la présence de bassins. Les processus automatisés issus de l’apprentissage automatique rendent rapidement le tri, la catégorisation et l’analyse fastidieux du passé. En adoptant ces avancées, nous pouvons obtenir plus rapidement des données pour aider à prendre des décisions cruciales, que ce soit autour de la conduite de deux tonnes de briques Lego ou du calcul des risques et de l’état de millions de propriétés.