Explorez les principales approches : classification, régression, clustering, recommandation, génération et optimisation.
Les systèmes d'intelligence artificielle ne répondent pas tous au même besoin. Certains classent des informations, d'autres prédisent une valeur, regroupent des éléments similaires, recommandent un contenu, génèrent de nouvelles données ou recherchent la meilleure solution à un problème.
Ces approches peuvent être utilisées séparément ou combinées dans une même application. Le choix dépend avant tout du résultat attendu et des données disponibles.
La classification consiste à attribuer une catégorie à une information. Un modèle peut déterminer si un message est indésirable, reconnaître le sujet d'un document ou identifier un objet dans une image.
Le résultat appartient à une liste de catégories définies à l'avance. Il peut s'agir de deux possibilités, comme « fraude » ou « absence de fraude », ou d'un nombre beaucoup plus important de catégories.
La régression sert à prédire une valeur numérique. Elle peut estimer le prix d'un logement, la consommation future d'un bâtiment, le délai de livraison d'une commande ou le nombre de ventes attendu.
Contrairement à la classification, le résultat n'est pas une catégorie, mais un nombre calculé à partir des relations observées dans les données.
Le clustering regroupe automatiquement des éléments qui se ressemblent. Les groupes ne sont pas nécessairement définis à l'avance. Le modèle les construit à partir des caractéristiques présentes dans les données.
Cette approche peut servir à identifier différents profils de clientèle, organiser une collection de documents ou repérer des comportements inhabituels. Une personne doit ensuite interpréter la signification des groupes obtenus.
Un système de recommandation sélectionne les éléments les plus susceptibles d'intéresser une personne. Il peut proposer un article, une vidéo, un produit, une musique ou une offre d'emploi.
Le système commence généralement par sélectionner plusieurs possibilités, leur attribue un score, puis les classe. Il peut utiliser les préférences de la personne, les caractéristiques des contenus et les comportements d'utilisateurs similaires.
La génération consiste à produire un nouveau contenu à partir d'une instruction ou d'autres données. Une Generative AI peut créer du texte, une image, du son, une vidéo ou du code.
Le résultat est construit à partir des structures apprises pendant l'entraînement. Il peut être original sans être nécessairement exact. Les contenus générés doivent donc être vérifiés lorsqu'ils sont utilisés pour informer, décider ou agir.
L'optimisation vise à trouver la meilleure solution parmi un grand nombre de possibilités, tout en respectant certaines contraintes.
Elle peut servir à organiser des tournées de livraison, répartir des ressources, planifier des horaires ou réduire la consommation d'énergie. Le système compare différentes solutions et cherche celle qui correspond le mieux à l'objectif fixé.
Le terme désigne également les méthodes utilisées pendant l'entraînement d'un modèle pour réduire son erreur et améliorer ses paramètres.
La classification choisit une catégorie. La régression prédit un nombre. Le clustering découvre des groupes. La recommandation classe des possibilités selon leur pertinence. La génération crée un contenu. L'optimisation recherche la meilleure solution selon un objectif donné.
Ces familles ne sont pas totalement séparées. Un service de recommandation peut utiliser le clustering pour identifier des profils, la régression pour calculer un score et l'optimisation pour choisir les contenus à afficher.
Une application d'intelligence artificielle est donc souvent composée de plusieurs modèles et méthodes qui interviennent successivement. L'important n'est pas seulement la technologie employée, mais la manière dont elle répond au problème posé.