Découvrez les principes fondamentaux du Machine Learning (ML). Apprenez-en davantage sur l'apprentissage supervisé, le MLOps et les applications concrètes de l'IA à l'aide Ultralytics et Platform.
L'apprentissage automatique (ML) est un sous-ensemble dynamique de l' intelligence artificielle (IA) qui permet aux systèmes informatiques d'apprendre à partir de données et d'améliorer leurs performances sans être explicitement programmés pour chaque règle. Au lieu de suivre des instructions statiques et codées en dur, les algorithmes d'apprentissage automatique identifient des modèles dans des énormes quantités de mégadonnées afin de prendre des décisions ou de faire des prédictions. Cette capacité est le moteur de nombreuses technologies modernes, permettant aux ordinateurs de s'adapter à de nouveaux scénarios en traitant des données d'apprentissage et en affinant leur logique interne au fil du temps grâce à l'expérience.
À la base, le ML s'appuie sur des techniques statistiques pour créer des systèmes intelligents. Ce domaine est généralement classé en trois méthodologies principales en fonction de la manière dont le système apprend. L'apprentissage supervisé consiste à entraîner un modèle sur des ensembles de données étiquetés dont le résultat souhaité est connu, une technique couramment utilisée dans les tâches de classification d'images. À l'inverse, l' apprentissage non supervisé traite des données non étiquetées, ce qui nécessite que l'algorithme trouve lui-même des structures ou des clusters cachés. Enfin, l' apprentissage par renforcement permet aux agents d' apprendre par essais et erreurs dans un environnement interactif afin de maximiser une récompense. Les avancées modernes utilisent souvent l' apprentissage profond, une branche spécialisée du ML basée sur des réseaux neuronaux qui imitent la structure en couches du cerveau humain.
L'apprentissage automatique a transformé de nombreux secteurs en automatisant des tâches complexes. Voici deux exemples concrets de son impact :
Le développement d'une solution ML implique un cycle de vie appelé Machine Learning Operations (MLOps). Ce processus commence par la collecte de données de haute qualité et l'annotation des données afin de préparer les entrées pour le modèle. Les développeurs doivent ensuite entraîner le modèle tout en surveillant les problèmes tels que le surajustement, où un système mémorise les données d'entraînement mais ne parvient pas à généraliser les nouvelles informations.
Python suivant montre comment charger un modèle ML pré-entraîné à l'aide de la fonction
ultralytics paquet pour effectuer une inférence sur une image :
from ultralytics import YOLO
# Load the advanced YOLO26 model (nano version)
model = YOLO("yolo26n.pt")
# Perform object detection on an image source
results = model.predict("https://ultralytics.com/images/bus.jpg")
# Display the results to see the identified objects
results[0].show()
Il est important de différencier le « Machine Learning » des concepts connexes. Alors que l'IA est la science globale de la création de machines intelligentes, le ML est le sous-ensemble spécifique des méthodes utilisées pour atteindre cette intelligence via les données. De plus, la science des données est un domaine plus large qui intègre le ML, mais qui se concentre également sur le nettoyage, la visualisation et l'analyse statistique des données afin d' extraire des informations commerciales. Des cadres tels que PyTorch et TensorFlow fournissent les outils sous-jacents pour construire ces systèmes.
Afin de simplifier la complexité de la formation et du déploiement de ces modèles, des solutions cloud natives telles que Ultralytics permettent aux équipes de gérer des ensembles de données, de former des modèles évolutifs et de gérer efficacement le déploiement des modèles sur des appareils périphériques.
.webp)