la-technologie

décembre 19, 2019

5 min de lecture

Le rôle de l'apprentissage automatique dans l'industrie

Le rôle de l'apprentissage automatique dans l'industrie

En 1950, Alan Turing a mis au point le test de Turing pour répondre à la question « les machines peuvent-elles penser ? ». Depuis lors, l'apprentissage automatique est passé d'un simple concept à un processus sur lequel s'appuient certaines des plus grandes entreprises au monde.

L'apprentissage automatique est un sous-ensemble de l'intelligence artificielle (IA) où les ordinateurs apprennent de façon autonome à faire une chose pour laquelle ils n'ont pas été explicitement programmés. Pour ce faire, ils apprennent par l'expérience : en utilisant des algorithmes, en découvrant des modèles et en effectuant des prédictions à partir de données. Ainsi, les machines n'ont pas besoin d'être programmées pour exécuter des tâches précises de façon répétitive, elles peuvent identifier et corriger de manière autonome toute erreur dans un processus.

Plusieurs industries adoptent rapidement l'apprentissage automatique :selon Research and Markets, le marché de l'apprentissage automatique devrait atteindre 8,81 milliards de dollars d'ici 2022, avec un taux de croissance annuel composé de 44,1 %. L'une des principales raisons de son utilisation croissante est que les entreprises recueillent le Big Data à partir duquel elles tirent des informations précieuses. L'apprentissage automatique est un moyen efficace de donner un sens à ces données. Les capteurs de données, par exemple, collectent des informations sur l'état des machines dans l'usine.

Au fur et à mesure de l'évolution et de la croissance du marché, de nouveaux types d'apprentissage automatique vont apparaître et permettre d'explorer de nouvelles applications. Toutefois, de nombreux exemples d'applications d'apprentissage automatique actuelles se répartissent en deux catégories : l'apprentissage supervisé et l'apprentissage non supervisé.

L'apprentissage supervisé

L'apprentissage supervisé est un type d'apprentissage automatique répandu, généralement utilisé dans les applications où les données historiques sont utilisées pour développer des modèles « d'entraînement » et prédire des événements futurs, comme les transactions frauduleuses par carte de crédit. Il s'agit d'une forme d'apprentissage automatique qui identifie les entrées et sorties et « guide » les algorithmes sur la voie de l'apprentissage à partir d'exemples annotés. L'apprentissage supervisé utilise des méthodes telles que la classification, la régression, la prédiction et le gradient boosting pour la reconnaissance des modèles. Il les utilise ensuite pour prédire les valeurs des étiquettes sur les données non annotées.

Cette forme d'apprentissage automatique est actuellement utilisée dans la découverte et la mise au point de médicaments dont les applications comprennent la validation des cibles, l'identification des biomarqueurs et l'analyse des données pathologiques numériques dans les essais cliniques. L'utilisation de ce type d'apprentissage automatique favorise la prise de décision fondée sur les données et peut accélérer le processus de découverte et de développement de médicaments tout en améliorant les taux de réussite.

L'apprentissage non supervisé

Contrairement à l'apprentissage supervisé, l'apprentissage non supervisé fonctionne avec des ensembles de données sans données historiques. Il explore plutôt les données recueillies pour trouver une structure et identifier les modèles. L'apprentissage automatique non supervisé est désormais utilisé dans les usines à des fins de maintenance prédictive. Les machines peuvent apprendre les données et les algorithmes responsables des défaillances du système et utiliser ces informations pour identifier les problèmes avant qu'ils ne surviennent.

L'utilisation de ce type d'apprentissage machine permet de réduire les temps d'arrêt imprévus : les fabricants peuvent commander des pièces de rechange auprès d'un fournisseur d'équipements d'automatisation avant qu'une panne ne survienne, ce qui permet de gagner du temps et de l'argent. Selon une étude de Deloitte, l'utilisation des technologies d'apprentissage machine dans le secteur manufacturier permet de réduire de 15 à 30 % les temps d'arrêt imprévus des machines, ce qui se traduit par une diminution de 30 % des coûts de maintenance.

Les humains ne sont plus les seuls à pouvoir penser par eux-mêmes : les machines, comme Duplex, l'assistant intelligent de Google, sont désormais capables de passer le test de Turing. Les fabricants peuvent utiliser l'apprentissage automatique pour améliorer les processus de maintenance et prendre des décisions judicieuses en temps réel, basées sur des données.

Articles pertinents

Retour en haut de la page
Retour en haut de la page
Fermer
Inscrivez-vous à notre liste de diffusionRecevez des mises à jour régulières

Rejoignez plus de 250 000 autres personnes et inscrivez-vous dès aujourd'hui à notre liste de diffusion.

Souscrire
[{ "site.code": "ca-fr", "general.cookie_message": "Nous utilisons des cookies pour garantir le bon fonctionnement et la sécurité de notre site web. En cliquant sur « Accepter tous les cookies », vous nous permettez de vous offrir la meilleure expérience possible.", "general.cookie_privacy": "EU Automation utilise des cookies", "general.cookie_policy": "Politique en matière de cookies", "general.cookie_dismiss": "Accepter tous les cookies" }]