Machine Learning: Critique

“On dit qu’un programme informatique apprend si ses performances dans certaines tâches s’améliorent avec l’expérience.”

Laissez-moi être franc à ce sujet. J’ai écouté le livre audio de manière très passive. Machine Learning mettait un accent modéré sur l’explication de divers algorithmes — point auquel j’ai perdu le fil. Mon cerveau fait cela quand les choses deviennent trop abstraites sans une histoire concrète à laquelle se raccrocher.

Mais voici le truc — même en mode d’écoute passive, je suis reparti avec une bien meilleure compréhension de ce qu’est réellement le machine learning et de sa direction. Et cela vaut quelque chose.

Alors, parlons-en.

Ce que ce livre est — et n’est pas

Ethem Alpaydin a écrit ceci dans le cadre de la série MIT Press Essential Knowledge, ce qui signifie qu’il est conçu pour vous donner une vue d’ensemble d’un sujet sans vous noyer dans les mathématiques et le code. Considérez-le comme la version « expliquez-moi comme si j’étais un adulte curieux » du machine learning.

Ce n’est PAS un manuel de programmation. Vous ne construirez pas de réseaux de neurones après avoir lu ceci. Ce que vous obtiendrez, c’est un modèle mental clair de la façon dont les machines apprennent à partir des données, pourquoi cela est important et où tout cela nous mène.

Pour le profane, ce livre pourrait tout de même être difficile à suivre par endroits. Alpaydin fait de son mieux pour rester accessible, mais certaines sections sur des algorithmes spécifiques — arbres de décision, machines à vecteurs de support, classificateurs bayésiens — peuvent donner l’impression de boire à la lance d’incendie si vous n’avez jamais rencontré ces concepts auparavant.

La reconnaissance de formes — Le fondement de tout

L’idée centrale qui m’est restée est d’une simplicité magnifique. Le machine learning est essentiellement de la reconnaissance de formes à grande échelle. Vous fournissez suffisamment d’exemples à un système, et il découvre les règles par lui-même. Personne ne s’assoit pour programmer chaque scénario possible — la machine apprend les modèles à partir des DONNÉES.

Pensez à votre filtre anti-spam. Personne n’a écrit une règle pour chaque e-mail de spam possible. Au lieu de cela, le système a examiné des millions d’e-mails étiquetés « spam » et « non-spam », a trouvé les modèles, et il intercepte maintenant de nouveaux spams qu’il n’a jamais vus auparavant. C’est le machine learning en action.

Alpaydin vous guide à travers cette progression — de la simple classification à des problèmes de plus en plus complexes. Et quand vous commencez à voir le monde à travers cet objectif, vous réalisez que le machine learning est PARTOUT. Vos recommandations Netflix. L’assistant vocal de votre téléphone. Les publicités qui vous suivent sur Internet. Tout n’est que reconnaissance de formes.

Supervisé vs Non supervisé — Deux saveurs d’apprentissage

L’une des explications les plus claires du livre est la distinction entre l’apprentissage supervisé et non supervisé. L’apprentissage supervisé est comme un enseignant vous montrant des cartes mémoire — voici l’entrée, voici la bonne réponse, maintenant apprenez la relation. Reconnaissance d’images, diagnostic médical, scoring de crédit — tout cela est supervisé.

L’apprentissage non supervisé ressemble plus au fait d’être parachuté dans un pays étranger et de devoir comprendre les règles sociales par soi-même. La machine reçoit des données sans étiquettes, sans réponses, et doit trouver une structure et des groupements par elle-même. Segmentation client, détection d’anomalies — c’est le territoire du non supervisé.

Ensuite, il y a l’apprentissage par renforcement, et c’est là que les choses deviennent VRAIMENT intéressantes.

AlphaGo — Quand les machines deviennent créatives

Le livre fait référence à AlphaGo — l’intelligence artificielle qui a battu l’un des meilleurs joueurs mondiaux de Go, sans doute le jeu de plateau le plus complexe jamais créé. Les échecs avaient été « résolus » par les ordinateurs il y a des décennies, mais le Go ? Le Go possède plus de positions de plateau possibles qu’il n’y a d’atomes dans l’univers. On ne peut pas le résoudre par la force brute.

AlphaGo a utilisé l’apprentissage par renforcement — jouant des millions de parties contre lui-même, apprenant de ses victoires et de ses défaites, développant des stratégies que même les experts humains ne pouvaient expliquer. Il a fait des coups qui semblaient bizarres aux grands maîtres… jusqu’à ce qu’ils réalisent que ces coups étaient brillants.

Ce moment — quand une machine fait quelque chose qu’aucun humain ne lui a appris à faire, quelque chose de véritablement créatif — est à la fois passionnant et un peu troublant. Alpaydin aborde ce point, et c’est la partie du livre qui m’a fait me redresser et prêter attention.

Le « Et alors ? » pour la vie réelle

Voici où j’en reviens toujours avec des livres comme celui-ci — comment cela s’applique-t-il à MON monde ?

En tant que personne ayant passé des années dans le marketing Internet, le machine learning n’est pas un concept académique abstrait. C’est le moteur derrière chaque plateforme publicitaire que j’utilise. Google Ads, Facebook — ils font tous tourner des systèmes de machine learning massifs qui décident qui voit votre publicité, quand ils la voient et combien vous payez. Comprendre ne serait-ce que les BASES du fonctionnement de ces systèmes vous donne un avantage.

Quand vous savez que ces algorithmes optimisent les modèles de comportement des utilisateurs, vous commencez à penser différemment à vos campagnes. Vous arrêtez de combattre la machine et commencez à lui fournir de meilleures données. Ce changement de perspective à lui seul a rendu ce livre utile pour moi.

Au-delà du marketing, le machine learning redessine la santé, la finance, les transports — fondamentalement chaque industrie qui génère des données. Alpaydin vous donne assez de contexte pour comprendre les gros titres et poser les bonnes questions.

Où le livre pèche

Mon plus grand reproche concerne les sections centrales riches en algorithmes. Alpaydin vient clairement d’un milieu académique, et cela se voit. Lorsqu’il creuse la mécanique d’algorithmes spécifiques, le livre perd son élan narratif. Pour une série commercialisée sous le nom de « Essential Knowledge », certaines sections semblent avoir leur place dans un amphithéâtre.

J’aurais aussi aimé qu’il passe plus de temps sur les implications éthiques. Quand les machines décident qui obtient un prêt, qui obtient une libération conditionnelle ou qui est embauché, les enjeux sont énormes. Le livre aborde cela brièvement, mais ces questions méritaient plus d’espace.

Et le format livre audio ne l’a pas aidé. Certains livres sont faits pour être lus un stylo à la main, pas écoutés en conduisant. Celui-ci en fait partie.

Réflexions finales

C’est probablement une excellente introduction pour les étudiants qui s’initient à la programmation et à l’intelligence artificielle, ou pour quiconque veut comprendre de quoi retourne tout ce battage médiatique autour du machine learning. C’est concis, bien organisé et couvre un terrain remarquable dans un petit livre.

Mais pour le lecteur occasionnel qui veut un livre captivant sur l’IA ? Vous pourriez avoir du mal par moments. L’avantage est que le livre est PLUS pertinent aujourd’hui qu’au moment de sa publication, et les explications d’Alpaydin sur les concepts de base sont solides.

Néanmoins, si l’histoire et les fondamentaux du machine learning vous intéressent, alors je recommande Machine Learning. Cela ne fera pas de vous un expert, mais cela vous rendra cultivé sur le sujet. Et dans un monde de plus en plus dirigé par les algorithmes, cette culture compte pour beaucoup.

3,5/5 — Bonne introduction, un peu sec par endroits, mais précieux pour construire votre vocabulaire sur l’IA.