Un des grands obstacles auxquels nous faisons souvent face lorsqu’on collabore avec une entreprise, c’est qu’elle ne sait pas toujours quoi faire avec les données qu’elle recueille. Bien souvent, elles accumulent des données au fil du temps, mais quand vient le moment de prendre une décision, elles n’utilisent que les données en temps réel, sans considérer le potentiel prédictif que les données historiques pourraient avoir pour améliorer la prise de décision. Pourtant, les données historiques peuvent être très précieuses. Ce dont beaucoup d’entreprises ont besoin, c’est de l’aide de scientifiques des données pour en extraire les connaissances. Comme l’apprentissage machine (ML) et l’intelligence artificielle (IA) sont au cœur des activités de DeepSense, nous suggérons souvent ces méthodes. Une question qu’une organisation peut nous poser est :
Tous nos problèmes peuvent-ils être résolus par l’IA ou l’apprentissage machine?
La réponse courte est non. Mais, comme tout algorithme, l’apprentissage machine est un outil. C’est un outil qui peut aider à prendre des décisions, à faire des classifications et des prédictions dans différents domaines, mais il n’est évidemment pas omnipotent. Parfois, de simples méthodes statistiques suffisent. De plus, l’efficacité de l’IA/ML à résoudre un problème dépend aussi de la qualité des données et de l’expertise des scientifiques des données.
En termes simples, l’IA consiste à entraîner un ordinateur à faire ce qu’un humain ferait. Un exemple facile est la classification d’images, un type d’apprentissage supervisé. Essentiellement, un humain examine un ensemble d’images et les étiquette, par exemple « poisson » ou « non poisson ». On entraîne le modèle avec ces données étiquetées et, lorsqu’on lui fournit de nouvelles images, on lui demande de les classer selon qu’il s’agit d’un poisson ou non.
L’apprentissage machine fonctionne particulièrement bien pour des applications répétitives avec un objectif bien défini, comme la classification d’images. Un algorithme peut être appliqué à des milliers d’images, il ne se fatigue jamais et peut être copié et utilisé par d’autres partout dans le monde. Par contre, malgré son nom, l’intelligence artificielle n’est pas vraiment intelligente et peut apprendre à faire des erreurs qu’un humain ne ferait pas. Par exemple, si vous entraînez un classificateur de poissons avec des exemples positifs de poissons dans l’eau et des exemples négatifs d’animaux terrestres, il est probable qu’il classe toute image contenant de l’eau comme « poisson ». L’IA/ML apprend par exemples plutôt qu’en comprenant des concepts globaux.
Dans le domaine océanique, on peut citer de nombreux exemples d’applications de l’apprentissage machine, comme la reconnaissance acoustique des baleines, la reconnaissance visuelle des poissons à partir de caméras sous-marines, l’utilisation du sonar pour localiser des poissons dans la colonne d’eau, ou encore l’utilisation de l’AIS (système d’identification automatique) pour classifier un bateau comme navire de transport ou de pêche.
L’apprentissage machine est un outil très puissant, avec une grande variété d’applications. Cependant, il ne peut pas nécessairement résoudre tous les problèmes. DeepSense peut aider les entreprises à préparer et à comprendre leurs données, et à analyser si leurs enjeux peuvent être résolus grâce à l’IA/ML ou à d’autres techniques de calcul.