Gabriel BRÉMOND, Mobile Expert
Le Machine Learning et la réalité augmentée sont aujourd’hui des technologies matures. Si elles sont encore principalement utilisées séparément, les nouveaux outils à la disposition des développeurs et les évolutions récentes des terminaux mobiles permettent de les associer pour créer des applications d’une puissance inédite. Étendant et enrichissant la portée du numérique, cette association de technologies sera au cœur des usages et des pratiques de demain. Une bonne raison de s’y intéresser dès maintenant.
Avec la réalité augmentée (AR) et le Machine Learning (ML), nous sommes en présence de deux technologies génériques récentes, mais d’ores et déjà très utilisées. Elles le sont d’autant plus que les géants du numérique qui les ont développées les diffusent massivement, à travers des applications utilisées quotidiennement par des centaines de millions d’individus. Les conditions sont aujourd’hui réunies pour que ces technologies convergent et donnent naissance à une nouvelle génération d’applications intégrant plus étroitement que jamais le numérique dans le monde réel. Pour imaginer ces futures applications, il faut commencer par comprendre ce que sont ces technologies et quels ont été leurs apports respectifs.
CE QUE LE MACHINE LEARNING A RENDU POSSIBLE
Composante clé de l’intelligence artificielle actuelle, le Machine Learning est devenu en quelques années une technologie incontournable pour automatiser de nombreuses tâches et repousser les limites de l’informatique traditionnelle. Il s’agit d’une technologie générique basée sur des algorithmes d’apprentissage statistique qui éliminent, pour les développeurs, la nécessité de coder tous les cas possibles et toutes étapes de processus requises pour aboutir au résultat voulu – qu’il s’agisse de traduire un texte, de reconnaître une personne ou de trouver le meilleur candidat pour pourvoir un poste. L’approche, commune à tous les cas d’usage, consiste à utiliser des données représentatives de la problématique à traiter pour entraîner un modèle de données jusqu’à l’obtention d’un résultat satisfaisant. Après cet apprentissage initial, le modèle peut être perfectionné en étant périodiquement ré-entraîné à partir des données d’usage et de résultat.
Deux raisons majeures expliquent le phénoménal succès du Machine Learning : . Sa capacité à rendre l’informatique plus efficace et plus simple, grâce à l’automatisation de tâches cognitives chronophages, fastidieuses ou rébarbatives. S’y ajoute la possibilité d’étendre l’automatisation à des domaines où elle était jusque-là très ou trop coûteuse à mettre en œuvre. C’est notamment le cas de la vision par ordinateur (computer vision) dont les cas d’usage ont littéralement explosé grâce aux capacités d’apprentissage des algorithmes d’analyse et de reconnaissance visuelle (de texte, de formes, de textures, d’objets ou de personnes sur des images fixes ou mobiles). La « Computer vision » (basée sur les technologies de Machine Learning) trouve sa place dans l’industrie, la recherche médicale, la logistique, l’immobilier (détection d’anomalies, surveillance d’installations…), mais aussi dans le commerce, la publicité, le marketing, etc. Pilier de la reconnaissance faciale, elle est aussi au cœur des...
Pour lire l'intégralité de cet Avis d'expert, téléchargez-le.
