Son métier? Aider les entreprises à prendre des décisions dans un horizon incertain tout en sachant que ces décisions auront des conséquences sur les observations futures. “Je fais du machine learning dans un cadre séquentiel”, synthétise Jérémie Mary, Maître de recherches à l’Inria, s’exprimant lors du séminaire organisé le 23?juin dernier par Vekia, éditeur spécialisé en supply chain embarquant du machine learning. Mais qu’est-ce que le machine learning? Un vocable souvent utilisé à tout va, qui fait rêver, qui fait “in” quand il est associé à des mots comme prédiction ou intelligence artificielle (IA). “Dans les années 80, on a trop promis par rapport à ce qui a pu être livré. L’IA est entrée en hibernation. Les recherches ont tout de même continué, en particulier sur les statistiques et l’algèbre linéaire. C’est là qu’est apparue une nouvelle génération de chercheurs en IA. Ils se sont définis comme des machine learners, voire même des statistico machine learners. En changeant de nom, en passant de IA à machine learning, leur message était clair: montrer qu’il ne faisait pas que promettre”, ajoute-t-il.
La carotte et le lapin Pour faire simple, imaginez un labyrinthe avec un lapin à l’entrée et une carotte à la sortie. En informatique traditionnelle, on peut écrire un algorithme qui permettra au lapin de traverser le labyrinthe. En machine learning, l’objectif n’est pas que le lapin trouve le chemin pour aller manger la carotte, mais plus de reconnaître les lapins et les carottes dans le labyrinthe. Facile pour un humain. “Mais, curieusement, quasiment impossible pour un ordinateur parce que vous n’êtes pas capable de lui spécifier ce que c’est qu’un lapin, explique Jérémie Mary. Ce sont, pourtant, des tâches que l’on a envie de remplir, d’automatiser. Tout simplement parce qu’à l’heure d’Internet, avec la baisse des coûts de stockage des données, on a bien trop de données pour payer un humain qui va les regarder une par une”. Autrement dit, le machine learning, ou apprentissage automatique des machines, cherche à développer et implémenter des systèmes automatisés permettant à une machine d’évoluer elle-même grâce à un apprentissage et d’accomplir des tâches qu’il aurait été compliqué de réaliser (voire impossible) avec des algorithmes plus classiques.
Apprentissage par renforcement Du coup, le machine learning va s’appuyer sur l’apprentissage artificiel, c’est-à-dire essayer d’apprendre des choses à des machines avec des exemples. Un peu comme avec les enfants. On ne leur
