Pour les entreprises qui cherchent à s’impliquer dans leurs premiers investissements en machine learning (ML), l’ensemble du processus peut sembler un peu énigmatique et ésotérique. Pour de nombreuses personnes, il est très difficile de visualiser comment fonctionne réellement l’apprentissage automatique et ce qu’il apportera exactement à une entreprise.
Dans certains cas, quelqu'un qui fait des recherches sur l'apprentissage automatique peut avoir une véritable révélation lorsqu'il réfléchit aux raisons pour lesquelles un grand nombre de fichiers d'images, collectés dans des conteneurs numériques soignés, sont si importants pour les projets de ML. En effet, le concept de « fichier image » permet de visualiser le ML. En y réfléchissant, nous pouvons mieux comprendre comment ce type de technologies sera très bientôt appliqué à notre monde.
La réponse courte est que ces grands nombres de fichiers images sont importants pour l’apprentissage automatique car ils représentent des ensembles d’apprentissage – des ensembles de données initiales sur lesquelles l’ordinateur doit travailler au fur et à mesure de son apprentissage. Mais il y a un peu plus que cela. Pourquoi les images sont-elles si précieuses ?
L’une des raisons pour lesquelles les images sont si précieuses est que les scientifiques ont fait de nombreux progrès dans le traitement des images. Mais au-delà de cela, ils ont également fait des progrès en aidant les machines à identifier les résultats en fonction de ce qui se trouve dans une image.
Par exemple, quiconque a entendu parler de réseaux profonds et tenaces dotés de moteurs à la fois génératifs et discriminatifs comprend un peu comment les ordinateurs peuvent lire et comprendre des données visuelles et des images. Ils ne lisent plus les pixels comme avant – ils « voient » l’image et identifient les composants. Par exemple, pensez à la reconnaissance faciale de Facebook – l'ordinateur apprend à quoi vous ressemblez et vous identifie sur des images – ainsi que ceux qui vous entourent. Cela est souvent rendu possible grâce à l'agrégation de nombreuses images et à une formation itérative qui constitue la base d'un projet d'apprentissage automatique.
Lorsque les parties prenantes ont identifié un plan et un concept, puis ont collecté toutes les images pertinentes et les ont intégrées aux algorithmes d'apprentissage automatique, elles peuvent exploiter l'immense puissance de l'intelligence artificielle pour exécuter les processus métier.
Une entreprise peut envoyer un robot d'exploration Web sur Internet à la recherche d'images pouvant contenir un client particulier, afin de créer un fichier montrant l'identité de ce client ainsi que ses préférences et tendances. L'entreprise peut même utiliser ces informations pour automatiser le publipostage ou tout autre marketing direct. Quand on commence à y penser de cette façon, il est facile de voir comment ce processus de reconnaissance et d'identification d'images peut être lié à toutes sortes de fonctionnalités qui permettront aux ordinateurs de faire tant de choses que les humains ont l'habitude de faire depuis toujours. notre histoire enregistrée. En prenant l'exemple de la recherche client, avec les types de configurations ci-dessus, les humains n'ont pas besoin d'être impliqués du tout : l'ordinateur peut « aller sur le Web » et faire rapport à ses propriétaires ou aux détenteurs des données.
Pour quiconque s'aventure dans les eaux profondes de l'apprentissage automatique, comprendre le concept d'exploration de données d'images de masse constitue une première étape intéressante dans une feuille de route visant à exploiter la puissance de l'apprentissage automatique et à déterminer comment l'utiliser au profit d'une entreprise.