Le Data Mining (exploration ou fouille des données en français) est un ensemble de techniques de traitement et d’analyse. Ces techniques permettent d’identifier et de déduire des relations et corrélations entre des données. Le Data Mining s’applique à de très grands volumes de données et transforme les données brutes en informations compréhensibles et utiles. Il utilise des techniques, généralement des algorithmes, issues de domaines tels que la statistique et le Machine Learning. Les principales techniques incluent :

• Les pré-traitements des données. Ils visent à rassembler, normaliser et nettoyer les données afin de les rendre accessibles et formatées d’une façon exploitable par les algorithmes.

• La detection de points aberrants. Elle a pour objectif d’identifier les entrées très différentes de l’ensemble du jeu de données (erreur de saisie, valeur atypique exceptionnelle, etc) afin de les supprimer, conserver, ou corriger.

• La visualisation des données. Elle désigne la représentation des données par des éléments visuels comme des graphiques ou des histogrammes. Elle peut être une fin en soi ou aider les Data Scientists à voir et à comprendre la nature et les relations des données entre elles.

• Le pattern mining. Un ensemble de techniques qui permettent la recherche et l’identification de relations (causalité, séquentielle, etc) entre des variables d’un ensemble de données.

• Le clustering. Il a pour but de regrouper des données présentant des propriétés similaires. Cette technique est intéressante pour trouver des similitudes entre des données non étiquetées ou pour vérifier la qualité d’un étiquetage des données.

• L’analyse prédictive. Elle vise à estimer et prédire des valeurs et tendances futures en s’appuyant sur des données pré-traitées et étiquetées connues. Pour ce faire, elle cherche à découvrir des structures pouvant mener à des prédictions et des modèles vraisemblables.

Le Machine Learning (apprentissage automatique en français) est une branche de l’intelligence artificielle. Elle s’appuie sur des méthodes, ou algorithmes, pour créer automatiquement des modèles à partir de données. Contrairement aux systèmes basés sur des règles explicites (qui exécutent toujours une tâche de la même façon), les modèles de Machine Learning apprennent de leur expérience et améliorent leur performance lorsqu’ils sont exposés à plus de données.

Les algorithmes de Machine Learning sont « entraînés » à reconnaitre des caractéristiques ou motifs dans les données et à en tirer des « leçons ». Ils appliquent ensuite ces « leçons » à de nouvelles données pour faire des prédictions ou prendre des décisions.

Il existe deux grands types d’apprentissage :

• L’apprentissage supervisé expose les algorithmes à des jeux de données d’entraînement étiquetées où les entrées et les sorties sont prédéfinies par les data scientists. Cette méthode permet de réaliser des tâches de classification (attribuer une classe à une donnée) ou de régression (attribuer une valeur mathématique, absolue ou pourcentage, à une donnée).

• L’apprentissage non supervisé expose les algorithmes à des données non étiquetées dans lesquelles ils cherchent à identifier des caractéristiques récurrentes ou des connexions. Cette méthode permet de réaliser des tâches de clustering (regrouper des données dans des ensembles les plus homogènes possibles) ou de filtrage collaboratif (système de recommandations personnalisées).

Une approche comportementale de l’apprentissage s’ajoute à ces deux grands types : l’apprentissage par renforcement. Il consiste à mettre en place un système de « récompenses » et de « punitions » dans un environnement fermé. Ce système permet à l’algorithme de développer, par essais successifs, la séquence d’actions ou de décisions optimale pour résoudre un problème.

Les modèles de Machine Learning ont des structures et des processus d’apprentissage variés, où les méthodes « classiques » côtoient et intègrent des approches plus récentes basées notamment sur les réseaux de neurones artificielles (Artificial Neural Networks ou ANN en anglais).

Le Deep Learning (apprentissage profond en français) est un sous-domaine du Machine Learning. Les modèles de Deep Learning sont basés sur des réseaux de neurones profonds qui sont des réseaux de neurones artificiels avec plusieurs couches cachées. Dans ces réseaux, chaque couche affine les conclusions de la couche précédente. Le terme « profond » fait référence à la profondeur du réseau de neurones, définie par le nombre de couches cachées qu’il contient.

Au croisement de la linguistique et des sciences informatiques, le NLP (TALN ou traitement automatique du langage naturel en français) est une branche de l’intelligence artificielle qui aide les ordinateurs à déchiffrer et comprendre le langage humain (écrit ou parlé). Le NLP utilise des modèles algorithmiques pour identifier et extraire les éléments et règles du langage naturel non structuré, afin de le transformer en données exploitables par un système informatique.

La Computer Vision (ou vision par ordinateur en français) est une autre branche de l’intelligence artificielle. Cette technologie reproduit certains aspects complexes de la vision humaine et permet aux ordinateurs de reconnaitre et de traiter des objets, personnes ou mouvements dans des images et des vidéos. La vision par ordinateur a grandement bénéficié des progrès récents dans le domaine du Deep Learning. Elle est désormais capable d’égaler ou de surpasser les performances humaines dans certaines tâches de détection et d’identification d’objets.

Bien que le code ML soit l’essence d’une solution de Machine Learning et commande toutes ses décisions, il ne représente qu’une petite partie du système global qui doit être mis en place pour répondre à une problématique.

Le MLOps (ou Machine Learning Operations) est une discipline d’ingénierie émergente qui vise à unifier le développement et le déploiement des modèles de Machine Learning. Inspiré par le DevOps, le MLOps consiste à créer un environnement de production automatisé (workflow ML), de la collecte et préparation des données au déploiement et à la surveillance du modèle. Son but est de maintenir les performances d’un modèle ML dans le temps et d’assurer ainsi la réussite d’une solution d’automatisation.