Début Décembre, Nicolas Courtier m’a invitée à présenter devant un parterre d’avocat-e-s et de juristes plus ou moins averti-e-s les bases de l’intelligence artificielle. Ce colloque “Droit et Numérique” avait pour vocation plus large de faire état de la loi et des questionnements sur les disruptions technologiques telles que smart city, big data, machine learning et blockchain. Je ne peux que vous encourage à aller consulter le storify issu de cette journée riche en partage de compétence ou encore de parcourir mon court article sur quelques unes des questions évoquées (in english). Mais je partage également avec vous, cher lecteur assidu, la session que j’ai animée.

Machine learning, kézako. Le machine learning est un sous-catégorie de l’intelligence artificielle, ce qui ne rend pas le sujet moins intéressant. Cette discipline consiste à prédire le comportement d’un système, d’un humain, à partir d’un modèle – plus ou moins précis. Il s’agit donc de s’appuyer sur le passé pour prédire le futur. Oui, enterrons tout de suite notre fantasme d’une machine apprenante, en auto gestion, et qui règlerait les peines du monde à notre place. Parceque le machine learnign se nourrit du passé, précisément, le machine learning nécessite d’avoir une très grande quantité de données, de très bonne qualité. Et oui, le machine learning exige la quantité *et* la qualité. Pour en finir avec les grands principes, afin de déployer une solution à base de machine learning, il vous faut donc, du logiciel qui décrira le modèle de votre système, des data et un data scientist qui affinera le modèle.

Les promesses du machine learning. Elles sont de différents ordres, selon les cas d’usage, mais on peut songer à dupliquer la compétence humaine (comprendre, dupliquer un expert qui a fait de longues études, comme un médecin, un avocat, un travailleur dont la valeur repose sur la connaissance factuelle), on peut également songer à faire mieux que l’humain (en allant chercher des corrélations entre des événements auxquelles le cerveau humain n’aurait pas songé). Dans le domaine des services, c’est la même chose, le machine learning peut améliorer un service (par exemple une recherche par mot clé, ou une recommandation de produits dans un catalogue) ou encore en créer de nouveaux (une gestion intelligente des trolls sur Twitter par exemple).

Les applications gourmandes de machine learning. Potentiellement toutes. Mais les premiers acheteurs de la technologie sont le marketing (la prospection, le contenu sur mesure, le service après vente, le chat automatique…), les services de recommendation/search/match, le monde de la sécurité (pour la prédictions des risques, des fraudes). Tous les espoirs et fantasmes sont permis sur les domaines de la santé (la quêtes de l’immortalité et des diagnostics, meilleurs et au bon moment) et les voitures intelligentes …

Le machine learning, une science qui s’invente. Comme toutes les autres disciplines qui émergent et sont projetées dans notre monde, le machine learning est soumis aux courants hype tels que l’open source, le crowdfunding, le cloud, la création de communauté… La multiplication des initiatives autours du machine learning pour le rendre plus efficace, plus lisible, plus accessible, sont autant d’opportunité d’enrichir cette science.

Bref. Le machine learning est une technologie nouvellement sous les spots de l’actualité, comme blockchain, big data l’ont été ces derniers mois. C’est également une nouvelle opportunité d’agiter les modèles qui décrivent et conduisent notre monde. C’est l’introduction d’un usage encore plus intensif de la données, la fameuse richesse de notre siècle, et c’est également l’acceptation de plus de prédictif, d’à peu près, dans un monde complexe. Une tendance et des usages à observer de près donc…

Et les slides ? Machine learning pour les simples humains, version slide, c’est par ici. Enjoy !