
Parcours
Comment fonctionne l’IA?
Apprentissage supervisé

L’apprentissage supervisé d’une IA repose sur l’utilisation de données étiquetées fournies par un humain pour apprendre à prédire les résultats souhaités.
Lorsqu’on montre différents types de fruits à un enfant en les lui nommant, l’enfant apprend à associer chaque fruit à son nom. Pour reconnaitre un fruit, il observe attentivement ses caractéristiques, comme sa couleur, sa forme et sa texture, et les utilise pour faire les bonnes associations. Un modèle d’apprentissage supervisé apprend de manière similaire, à partir de caractéristiques correspondant à des données dites « étiquetées ».
Les données étiquetées sont des ensembles de données où l’humain associe une étiquette à chaque donnée d’entrée. C’est grâce à ces étiquettes que le modèle apprend. Théoriquement, plus il reçoit de données étiquetées, plus il s’améliore et devient précis. L’objectif de l’apprentissage supervisé est d’améliorer les capacités de prévision du modèle. En contexte d’affaires, les données d’entrée d’un modèle peuvent provenir des bases de données de l’entreprise ou encore de sources externes, comme des médias sociaux.
Processus d’entrainement
Dans un entrainement supervisé, le rôle de l’humain est essentiel. L’humain collige, prépare, nettoie et étiquète toutes les données nécessaires à l’entrainement. La qualité des étiquettes est primordiale : elles serviront de référence pour tout l’apprentissage. Des données bien étiquetées entraineront un modèle à faire des prévisions justes. Le modèle atteindra ainsi un niveau de performance optimal et remplira ses objectifs en contexte d’affaires. En revanche, des données mal étiquetées amèneront un modèle à réaliser de fausses prédictions. Le modèle, même s’il fonctionne techniquement bien, offrira un piètre niveau de performance.
Une fois bien entrainé, un modèle fera des prévisions sur de nouvelles données en appliquant les connaissances acquises. Par exemple, un modèle formé à reconnaitre des images de pommes à partir d’un ensemble de données où chaque image d’une pomme a été correctement associée à l’étiquette « pomme » sera donc en mesure d’identifier une pomme dans une nouvelle image.
Exemple en contexte d’affaires
Pour plusieurs organisations, extraire l’information de factures et concilier les données financières sont des tâches importantes, mais répétitives et sujettes aux erreurs. L’apprentissage supervisé permet d’automatiser ces tâches en entrainant un modèle sur des exemples de factures réelles. Lors de l’entrainement, le modèle apprend à reconnaitre et à extraire des informations spécifiques comme les noms, les montants ou les dates. Une fois bien entrainé, il peut traiter des milliers de factures de façon autonome, et ce, en quelques secondes. L’utilisation de l’IA réduit ainsi les erreurs et améliore l’efficacité de l’organisation.
Contexte où l’apprentissage supervisé est préférable
L’apprentissage supervisé est surtout utilisé lorsque le résultat attendu est précis et que l’étiquetage des données est possible. Si l’objectif d’un agent d’IA est de faire des prédictions pour aider à classer des courriels ou à poser un diagnostic médical, par exemple, l’apprentissage supervisé est à privilégier.

Exemples d’utilisation en contexte de gestion
Cliquez sur les boutons pour afficher les exemples.
Dans des secteurs comme la vente au détail, des entreprises utilisent l’apprentissage supervisé pour amener l’IA à prévoir la demande de certains produits ou les besoins de la clientèle. En analysant l’historique des ventes, des tendances saisonnières ou des promotions, des modèles reposant sur la régression linéaire peuvent être entrainés pour prévoir des besoins. Cela permet une meilleure gestion des stocks. Une entreprise de vêtements pourrait prévoir les ventes d’articles saisonniers, tandis qu’un fabricant peut anticiper la demande de composantes spécifiques.
Dans des secteurs comme le commerce de détail et les services professionnels, des entreprises utilisent l’apprentissage supervisé pour classifier de l’information. Les modèles font office d’arbre décisionnel. Ils sont entrainés pour catégoriser de nouveaux produits dans les sections appropriées d’un site Web ou d’un système de gestion des stocks. De même, une entreprise de logistique peut classifier les types de marchandises pour optimiser le traitement et la gestion de ses stocks.

