Pour y parvenir, il faut de (très) vastes quantités de données qui permettent ensuite de former les algorithmes et obtenir des modèles précis. Plus nous aurons accès aux données, plus nos algorithmes d’IA seront précis.
Quelques définitions simples pour mieux comprendre l’IA
Données : représentation d’une information, codée dans un format permettant son traitement par ordinateur. Les données peuvent être quantitatives ou qualitatives et provenir d’une multitude de sources.
Algorithme : séquence de calculs et de règles permettant de résoudre un problème ou d’analyser un jeu de données. Il comprend des instructions pas-à-pas relatives aux questions à poser, mais écrites en code mathématique et de programmation . En bref, l’algorithme est le processus de résolution de problèmes. La plupart de ces algorithmes utilisent des réseaux de neurones artificiels qui tentent d’imiter le cerveau humain.
Données : représentation d’une information, codée dans un format permettant son traitement par ordinateur. Les données peuvent être quantitatives ou qualitatives et provenir d’une multitude de sources.
Algorithme : séquence de calculs et de règles permettant de résoudre un problème ou d’analyser un jeu de données. Il comprend des instructions pas-à-pas relatives aux questions à poser, mais écrites en code mathématique et de programmation . En bref, l’algorithme est le processus de résolution de problèmes. La plupart de ces algorithmes utilisent des réseaux de neurones artificiels qui tentent d’imiter le cerveau humain.
Modèle : Un modèle est entraîné grâce à un ensemble de données en utilisant des algorithmes qui lui permettent d’ingérer les données de formation. La qualité et la quantité des données sont des éléments clés qui permettent l’amélioration d’un modèle. Lorsque vous avez un modèle qui a été constitué, vous êtes en mesure de lui fournir de nouvelles données à partir desquelles il pourra émettre des prédictions et poursuivre son raffinement.
Prédictions : La prédiction est le résultat en sortie après que les modèles aient traité les données. Les prédictions sont des recommandations basées sur les règles, processus et décisions précédentes de l’organisation.
L’assistant IA répondra à vos différentes questions de l’une des manières suivantes :
-En mode binaire (oui ou non)
-À partir de plusieurs résultats possibles : par exemple, une liste d'actions
-avec une valeur numérique : exemple, un pourcentage
Une analogie amusante et éclairée
Données =>Ingrédients
Un peu comme en cuisine où les ingrédients sont à la base même d’un plat, les données jouent un rôle essentiel similaire. Sans données, l’IA ne peut pas fonctionner.
Si vous mettez de mauvais ingrédients dans votre recette (de mauvaises données), vous ne devriez pas vous attendre à obtenir de bons résultats à la fin. Vos ingrédients comptent pour beaucoup, l'idéal étant d'avoir le choix parmi une grande quantité d'ingrédients pour obtenir une cuisine c variée.. Si vous faites une tarte aux pommes, vous devrez avoir une quantité suffisante de pommes d’une certaine variété. Celles-ci devront être assez mûres, lavées, pelées et coupées au bon format.
C’est la même chose pour les données dans un projet d’IA : vous devez accorder une attention particulière à leur qualité, à leur quantité et à leur préparation en fonction du cas d’utilisation que vous avez prévu.
L’assistant IA répondra à vos différentes questions de l’une des manières suivantes :
-En mode binaire (oui ou non)
-À partir de plusieurs résultats possibles : par exemple, une liste d'actions
-avec une valeur numérique : exemple, un pourcentage
Une analogie amusante et éclairée
Données =>Ingrédients
Un peu comme en cuisine où les ingrédients sont à la base même d’un plat, les données jouent un rôle essentiel similaire. Sans données, l’IA ne peut pas fonctionner.
Si vous mettez de mauvais ingrédients dans votre recette (de mauvaises données), vous ne devriez pas vous attendre à obtenir de bons résultats à la fin. Vos ingrédients comptent pour beaucoup, l'idéal étant d'avoir le choix parmi une grande quantité d'ingrédients pour obtenir une cuisine c variée.. Si vous faites une tarte aux pommes, vous devrez avoir une quantité suffisante de pommes d’une certaine variété. Celles-ci devront être assez mûres, lavées, pelées et coupées au bon format.
C’est la même chose pour les données dans un projet d’IA : vous devez accorder une attention particulière à leur qualité, à leur quantité et à leur préparation en fonction du cas d’utilisation que vous avez prévu.
Modèles => Recettes
En IA, les modèles correspondent aux recettes développées pour effectuer l’analyse des données. En cuisine, on doit assembler les ingrédients et les faire cuire dans un ordre précis en suivant une méthodologie prévue. Bref, pour obtenir un résultat optimal et constant, vous devez suivre votre recette. Et certaines recettes sont beaucoup plus adaptées aux ingrédients disponibles. Au fil du temps, vos recettes, tout comme vos modèles, pourraient être appelées à évoluer.
En IA, les modèles correspondent aux recettes développées pour effectuer l’analyse des données. En cuisine, on doit assembler les ingrédients et les faire cuire dans un ordre précis en suivant une méthodologie prévue. Bref, pour obtenir un résultat optimal et constant, vous devez suivre votre recette. Et certaines recettes sont beaucoup plus adaptées aux ingrédients disponibles. Au fil du temps, vos recettes, tout comme vos modèles, pourraient être appelées à évoluer.
Algorithmes => Outils de cuisine
En cuisine, les outils transforment les ingrédients et les font évoluer vers le résultat final. Si l’on prend l’exemple d’un four, c’est son travail de faire cuire les ingrédients afin de les transformer pour obtenir le plat attendu. Les bons cuisiniers connaissent bien leurs outils et savent en tirer le meilleur. C’est aussi le cas pour les experts en IA et leurs algorithmes.
En cuisine, les outils transforment les ingrédients et les font évoluer vers le résultat final. Si l’on prend l’exemple d’un four, c’est son travail de faire cuire les ingrédients afin de les transformer pour obtenir le plat attendu. Les bons cuisiniers connaissent bien leurs outils et savent en tirer le meilleur. C’est aussi le cas pour les experts en IA et leurs algorithmes.
Prédictions => Plats
En cuisine, la réussite du plat dépend de plusieurs facteurs tels que la qualité des ingrédients, la recette adaptée ou la cuisson. Pour s’assurer que le plat réalisé est optimal, il faut le goûter. Les prédictions sont le résultat final de la chaîne. Vous devrez valider leur exactitude et ajuster au besoin vos ingrédients (données), votre recette (modèles) et le choix des outils (algorithmes).
En cuisine, la réussite du plat dépend de plusieurs facteurs tels que la qualité des ingrédients, la recette adaptée ou la cuisson. Pour s’assurer que le plat réalisé est optimal, il faut le goûter. Les prédictions sont le résultat final de la chaîne. Vous devrez valider leur exactitude et ajuster au besoin vos ingrédients (données), votre recette (modèles) et le choix des outils (algorithmes).
Analogies :
l’analogie de Cassie Kozyrkov, Chief Decision Intelligence Engineer chez Google, qu’elle effectue avec la cuisine. La revue Harvard Business Review France, la résume ainsi.
l’analogie de Cassie Kozyrkov, Chief Decision Intelligence Engineer chez Google, qu’elle effectue avec la cuisine. La revue Harvard Business Review France, la résume ainsi.