Les principales différences entre l’IA basée sur des règles et l’apprentissage machine

0
99


Les entreprises de tous les secteurs étudient et mettent en œuvre l’intelligence artificielle (AI), des grandes données à la robotique, pour automatiser les processus commerciaux, améliorer l’expérience du client et innover dans le développement de produits. Selon McKinsey, « l’adoption de l’IA promet des avantages considérables pour les entreprises et les économies grâce à ses contributions à la productivité et à la croissance ». Mais cette promesse s’accompagne de défis.

Les ordinateurs et les machines n’arrivent pas dans ce monde avec une connaissance inhérente ou une compréhension du fonctionnement des choses. Comme les humains, il faut leur apprendre qu’un feu rouge signifie « stop » et un feu vert signifie « go ». Alors, comment ces machines acquièrent-elles réellement l’intelligence dont elles ont besoin pour accomplir des tâches comme conduire une voiture ou diagnostiquer une maladie ?

Données ou buste

Il existe de multiples façons d’atteindre l’IA, et les données sont toutes existentielles. Sans des données de qualité, l’intelligence artificielle est un rêve éveillé. Les données peuvent être manipulées de deux manières – soit par des règles, soit par l’apprentissage machine – pour parvenir à l’IA, et certaines bonnes pratiques vous aideront à choisir entre les deux méthodes.

Systèmes fondés sur des règles

Bien avant que l’IA et l’apprentissage machine (ML) ne deviennent des termes courants en dehors du domaine de la haute technologie, les développeurs codaient les connaissances humaines dans des systèmes informatiques comme des règles qui sont stockées dans une base de connaissances. Ces règles définissent tous les aspects d’une tâche, généralement sous la forme de déclarations « Si » (« si A, alors faites B, sinon si X, alors faites Y”).

Si le nombre de règles à écrire dépend du nombre d’actions que vous voulez qu’un système traite (par exemple, 20 actions signifie écrire et coder manuellement au moins 20 règles), les systèmes basés sur des règles sont généralement moins exigeants, plus rentables et moins risqués puisque ces règles ne changent ou ne sont pas mises à jour d’elles-mêmes. Cependant, les règles peuvent limiter les capacités de l’IA grâce à une intelligence rigide qui ne peut faire que ce pour quoi elle a été écrite.

Systèmes d’apprentissage automatique

Si un système fondé sur des règles peut être considéré comme ayant une intelligence « fixe », en revanche, un système d’apprentissage par machine est adaptative et tente de simuler l’intelligence humaine. Il existe encore une couche de règles sous-jacentes, mais au lieu qu’un humain écrive un ensemble fixe, la machine a la capacité d’apprendre de nouvelles règles par elle-même, et de se débarrasser de celles qui ne fonctionnent plus.

En pratique, une machine peut apprendre de plusieurs façons, mais La formation supervisée – lorsque la machine reçoit des données pour s’entraîner – est généralement la première étape d’un programme d’apprentissage sur machine. À terme, la machine sera capable d’interpréter, de catégoriser et d’effectuer d’autres tâches avec des données non étiquetées ou des informations inconnues par elle-même.

Par où commencer avec la stratégie d’IA d’une organisation :

Les bénéfices attendus de l’IA sont élevés, de sorte que les décisions prises par une entreprise au début de son exécution peuvent être déterminantes pour sa réussite. Le principe de base est d’aligner vos choix technologiques sur les objectifs commerciaux sous-jacents que l’IA a été conçue pour atteindre. Quels sont les problèmes que vous essayez de résoudre ou les défis que vous essayez de relever ?

La décision de mettre en place un système d’apprentissage basé sur des règles ou sur une machine aura un impact à long terme sur l’évolution et l’ampleur du programme d’IA d’une entreprise. Voici quelques bonnes pratiques à prendre en compte pour évaluer l’approche la mieux adaptée à votre organisation :

Lorsque le choix d’une approche fondée sur des règles est judicieux :

  • Résultats fixes: Lorsqu’il y a un nombre restreint ou fixe de résultats. Par exemple, il n’y a que deux états pour lesquels un bouton « Ajouter au panier » peut être utilisé, qu’il soit enfoncé ou non. Bien qu’il soit possible d’utiliser l’apprentissage machine pour détecter si un utilisateur a appuyé sur le bouton, il ne serait pas logique d’appliquer ce type de méthode.
  • Risque d’erreur : La pénalité d’erreur est trop élevée pour risquer des faux positifs et, par conséquent, seules les règles – qui seront exactes à 100 % – devraient être appliquées.
  • Ne pas prévoir de ML : Si ceux qui maintiennent le système n’ont pas de connaissances en matière d’apprentissage machine et que l’entreprise n’a pas de plans pour les acquérir pour aller de l’avant.

Quand appliquer l’apprentissage machine :

  • Les règles simples ne s’appliquent pas : Lorsqu’il n’existe pas de moyen facilement définissable de résoudre une tâche à l’aide de règles simples
  • La rapidité du changement : Lorsque les situations, les scénarios et les données changent plus rapidement que la capacité à écrire continuellement de nouvelles règles.
  • Traitement du langage naturel : Tâches qui exigent une compréhension de la langue, ou le traitement du langage naturel. Comme il existe une infinité de façons de dire quelque chose, il est irréaliste, voire carrément impossible, d’écrire des règles pour le langage normal. L’intelligence innée et adaptative de l’apprentissage machine est optimisée pour l’échelle.

Les promesses de l’IA sont réelles, mais pour de nombreuses organisations, le défi consiste à savoir par où commencer. Si vous entrez dans cette catégorie, commencez par déterminer si une méthode basée sur des règles ou sur le blanchiment d’argent fonctionnera au mieux pour votre organisation.

Cet article a été publié à l’origine par Elana Krasner sur TechTalksLe rapport de la Commission européenne sur les technologies de l’information et de la communication (TIC), une publication qui examine les tendances en matière de technologie, la manière dont elles affectent notre façon de vivre et de faire des affaires, et les problèmes qu’elles résolvent. Mais nous abordons également le côté maléfique de la technologie, les implications plus sombres des nouvelles technologies et ce à quoi nous devons faire attention. Vous pouvez lire l’article original ici.

Publié le 13 juin 2020 – 13:00 UTC