La renaissance numérique et l'apprentissage automatique

Jeff Janiszewski et Ginger Shimp de SAP North America Marketing sont les cinquièmes d’une série de conversations sur l’innovation numérique et les technologies intelligentes qui sous-tendent l’Intelligent Enterprise. Dans ce blog, ils expliquent comment l'apprentissage automatique peut être utilisé pour trouver des données non découvertes.

Ginger Shimp: Alors, avez-vous hâte de voir NaNoGenMo?

Jeff Janiszewski: Je ne sais pas ce que

GS: Il s’agit du mot «Mois national de la nouvelle génération» et se produit tous les mois de novembre. Il s’inspirait du «Mois national de la rédaction littéraire», dans lequel les participants disposaient de 30 jours pour écrire un roman de 50 000 mots. Cependant, NaNoGenMo met les participants au défi de créer un programme informatique permettant d'écrire un roman de 50 000 mots en un mois.

JJ: Comment ça marche?

GS: Pas très bien, mais ça produit des résultats intéressants. Les participants s’appuient généralement sur une sorte de machine learning pour produire leur roman, ce qui tend à démontrer les limites ainsi que les possibilités de l’apprentissage machine.

JJ: Très bien, explorons-le. Parlons de ce qu'est l'apprentissage machine, de quel type de machine nous parlons et si les gens apprennent des machines ou si les machines apprennent des gens.

GS: Eh bien, le terme «machine» ”Est ​​largement utilisé dans ce cas. C’est comme quand vous dites «homme contre machine». Il s’agit plus du concept de machine que d’un type spécifique de machine. C’est vraiment tout ce qui traite les données. Il s’agit essentiellement d’appareils apprenant de manière autonome, mais dans la pratique, les utilisateurs doivent apprendre à le faire et, en fin de compte, ils apprennent ce que les machines ont découvert, c’est donc un apprentissage continu.

JJ: Mais cela commence par une personne qui apprend à une machine à utiliser les données pour produire un résultat. Une fois encore, nous constatons qu’une innovation réellement transformatrice se produit lorsque les personnes, les données et la technologie sont combinées.

GS: Exactement, et il existe trois types de base d’apprentissage automatique. Si vous avez juste besoin que la machine trouve quelque chose de spécifique enfoui dans les données, c’est l’apprentissage supervisé par . Si vous avez besoin de la machine pour rechercher des motifs, appelez-la apprentissage non supervisé . Et si vous avez besoin de la machine pour résoudre un problème, cela s'appelle l'apprentissage de renforcement .

JJ: L'apprentissage supervisé est idéal pour trier des choses ou pour des arbres de décision. Par exemple, supposons qu’un médecin puisse proposer à un patient un certain nombre de traitements, chacun ayant des effets secondaires et des avantages différents. Même si chaque patient possède un ensemble unique de variables (telles que l'âge, le poids, la pression artérielle, le sexe, la température corporelle, la race, la numération globulaire, etc.), la machine peut déterminer quel médicament serait utilisé. être le plus efficace pour un patient donné, tout en provoquant le moins d'effets secondaires.

GS: L'apprentissage non supervisé implique souvent l'utilisation de la modélisation statistique standard pour rechercher des associations jamais reconnues auparavant. À l'aide de ces algorithmes, la machine recherche les emplacements où les données sont regroupées pour trouver la meilleure solution possible. Ou inversement, il peut rechercher des valeurs aberrantes comme moyen de détecter des anomalies ou des menaces pour la sécurité. Par exemple, une société d’électricité pourrait mieux prévoir les heures de pointe d’utilisation d’énergie en fonction de la saison, de l’heure et des conditions météorologiques en examinant un modèle de grappe.

JJ: Le troisième type d’apprentissage automatique, l’apprentissage par renforcement, c'est comme dresser un chien. C’est là que vous avez un objectif spécifique à l’esprit et que la machine tente d’atteindre cet objectif, elle obtient un renforcement positif ou négatif. Vous pouvez soit traiter le chien soit lui dire que c'est un mauvais chien.

GS: Sauf que les machines n'aiment pas les os au lait.

JJ: Non, mais elles sont beaucoup plus coopérative que caniche. Vraiment, c’est comme apprendre à un ordinateur à jouer aux échecs. Une fois que la machine connaît les règles, elle peut rapidement exécuter plusieurs itérations d'un large éventail de variables, en déterminant quels choix sont les plus susceptibles de générer un résultat favorable. Mais vous avez raison, vous n’avez pas à dire à l’ordinateur que c’est un bon garçon.

GS: Ce qui est vraiment important, c’est l’énorme quantité de données qu’une machine peut traiter très rapidement. Les machines ont la capacité de trier les informations, de repérer les tendances ou les anomalies et d'itérer une multitude de variables, comme personne ne le pourrait.

JJ: Alors pourquoi une machine a-t-elle de la difficulté à écrire un roman? ] GS: Peut-être qu'une machine écrira un grand roman un jour. Les machines ne fonctionnent que sur les données et les règles qui leur sont données. Supposons donc que vous intégriez toute l’écriture d’Ernest Hemingway dans un ordinateur. Ensuite, à l'aide de modèles prédictifs, la machine pourrait tenter de copier son style d'écriture en décidant le choix le plus probable pour chaque mot successivement.

JJ: Ainsi, c'est comme si votre application de messagerie texte sur votre smartphone suggérait un mot. .

GS: Exactement. Si vous pouviez créer un programme qui imite l’écriture de Hemingway avec une précision de 100%, vous vous retrouveriez avec Le vieil homme et la mer ou quelque chose qu’il avait déjà écrit. Si c'était parfait, vous écririez la même histoire à nouveau. Des données exceptionnelles ne constituent pas à elles seules la solution. Il vous faudrait une technologie qui comprenne les préjugés, les expériences, les processus et le style d’écriture d’Hemingway. Il faudrait savoir comment il pensait et pourquoi il rejetait certaines idées et en utilisait d'autres. À l’heure actuelle, c’est la science-fiction.

JJ: Et nous adorons la science-fiction. C’est pourquoi nous avons réalisé le podcast Searching for Salaì . C’est formidable de prendre du recul et d’imaginer ce qui pourrait être possible un jour. En fait, de nombreux ingénieurs en logiciel travaillent sur «l'apprentissage en profondeur», un type évolué d'apprentissage automatique.

GS: Oui, l'apprentissage en profondeur passe de la tentative d'imiter les résultats (comme dans l'exemple d'Hemingway) à la réplication réelle. la façon dont le cerveau humain pense. Ceci est sur le chemin de la véritable intelligence artificielle et ils obtiennent déjà des résultats tels que la reconnaissance vocale et visuelle.

JJ: C'est le genre de chose qui fabrique des véhicules autonomes. possible. La voiture connaît toutes les règles de la route et est capable de reconnaître tous les objets se trouvant à proximité. Puis, grâce à l’apprentissage par renforcement, vous pourrez vous rendre à votre destination.

GS: Maintenant, imaginez qu’au lieu d’un véhicule autonome, vous exploitez une entreprise autonome. L’idée n’a pas encore été mise au point, mais c’est la direction que prend cette renaissance numérique. Vous disposerez d'une entreprise dotée d'une technologie connaissant toutes les règles et capable de traiter les données en temps réel pour vous aider à mener votre entreprise où vous le souhaitez.

JJ: Cela ne veut pas dire que Les robots vont prendre en charge votre entreprise, pas plus que votre voiture autonome ne fait que fuir et faire des courses sans vous. Dans l'entreprise intelligente, les personnes, les données et la technologie travaillent ensemble de manière extrêmement efficace.

Pour en savoir plus sur SAP Leonardo et l'apprentissage automatique, visitez le site https://sapinnovate.me/leonardo/ .

Pour une expérience plus imaginative de l'intégration de la technologie dans nos vies, écoutez notre nouveau podcast, Searching Salaì . « Épisode 5: Imagination constructive » est disponible dès maintenant sur les podcasts Apple. Rattrapez les épisodes passés et continuez l'expérience sur www.searchingforsalai.com .

<! – Commentaires ->