Les professionnels de l'apprentissage automatique utilisent la prédiction structurée de nombreuses manières, généralement en appliquant une forme de technique d'apprentissage automatique à un objectif ou à un problème particulier qui peut bénéficier d'un point de départ plus ordonné pour l'analyse prédictive.
Une définition technique de la prédiction structurée implique « de prédire des objets structurés plutôt que des valeurs scalaires discrètes ou réelles ».
Une autre façon de dire cela serait qu'au lieu de simplement mesurer des variables individuelles dans le vide, les prédictions structurées fonctionnent à partir d'un modèle d'une structure particulière et l'utilisent comme base pour apprendre et faire des prédictions. (Lire Comment l’IA peut-elle aider à prédire la personnalité ?)
Les techniques de prédiction structurée sont très variables : des techniques bayésiennes à la programmation logique inductive, en passant par les réseaux logiques de Markov et les machines à vecteurs de support structurés ou les algorithmes du plus proche voisin, les professionnels de l'apprentissage automatique disposent d'un large éventail d'outils à appliquer aux problèmes de données.
Ce qui est commun à ces idées, c'est l'utilisation d'une structure sous-jacente sur laquelle le travail d'apprentissage automatique est intrinsèquement fondé.
Les experts évoquent souvent l'idée du traitement du langage naturel, dans lequel des parties du discours sont étiquetées pour représenter des éléments d'une structure de texte. D'autres exemples incluent la reconnaissance optique de caractères, où un programme d'apprentissage automatique reconnaît les mots manuscrits en analysant les segments d'une entrée donnée ou une image complexe. le traitement, où les ordinateurs apprennent à reconnaître les objets sur la base d'une entrée segmentée, par exemple, avec un réseau neuronal convolutif composé de nombreuses « couches ».
Les experts pourraient parler de classification multiclasse linéaire, de fonctions de compatibilité linéaire et d'autres techniques de base pour générer des prédictions structurées. D'une manière très générale, les prédictions structurées s'appuient sur un modèle différent de celui du domaine plus large de l'apprentissage automatique supervisé — pour revenir à l'exemple des prédictions structurées dans le traitement du langage naturel et des phonèmes ou mots étiquetés, nous voyons que l'utilisation de l'étiquetage pour L’apprentissage automatique supervisé est orienté vers le modèle structurel lui-même – le texte significatif fourni, peut-être dans des ensembles de tests et des ensembles de formation.
Ensuite, lorsque le programme d’apprentissage automatique est lancé pour faire son travail, il est fondé sur le modèle structurel. Cela, disent les experts, explique en partie la façon dont le programme comprend comment utiliser des parties du discours telles que les verbes, les adverbes, les adjectifs et les noms, plutôt que de les confondre avec d'autres parties du discours, ou de ne pas être en mesure de distinguer leur fonctionnement dans un contexte global. . (Lisez Dans quelle mesure vos données sont-elles structurées ? Examen des données structurées, non structurées et semi-structurées.)
Le domaine de la prédiction structurée reste un élément clé de l’apprentissage automatique à mesure que divers types d’apprentissage automatique et d’intelligence artificielle évoluent.