La croissance future de l’IA et du ML

Par Rachel Roumeliotis

Nous avons tous accepté le fait que l’intelligence artificielle (IA) transforme le fonctionnement des entreprises et dans quelle mesure elle peut aider une entreprise à long terme. Au cours des dernières années, cette compréhension a entraîné un pic dans les entreprises qui expérimentent et évaluent les technologies d’IA et qui les utilisent maintenant spécifiquement dans les déploiements de production.

Bien sûr, lorsque les organisations adoptent de nouvelles technologies telles que l’IA et l’apprentissage automatique (ML), elles commencent progressivement à envisager comment de nouveaux domaines pourraient être affectés par la technologie. Cela peut concerner plusieurs secteurs, notamment la production et la logistique, la fabrication, l’informatique et le service client. Une fois que l’utilisation des techniques d’IA et de ML sera ancrée dans le fonctionnement des entreprises et dans les différentes manières dont elles peuvent être utilisées, les organisations seront en mesure d’acquérir de nouvelles connaissances qui les aideront à s’adapter à l’évolution des besoins.

En explorant la plateforme d’apprentissage d’O’Reilly, il est possible de découvrir une variété d’informations sur les différentes tendances et sujets que les chefs d’entreprise et les chefs d’entreprise doivent connaître. Cela leur permettra de mieux comprendre leur travail et garantira que leurs entreprises continueront de prospérer. Au cours des derniers mois, nous avons analysé l’utilisation de la plateforme par les utilisateurs et avons découvert les sujets les plus populaires et les plus recherchés en IA et ML. Nous explorerons quelques-unes des découvertes les plus importantes ci-dessous, qui nous donnent une image plus large de l’état de l’IA et du ML et, en fin de compte, de sa direction.

L’IA dépasse la croissance du ML

Tout d’abord, notre analyse a mis en lumière la façon dont l’intérêt pour l’IA continue de croître. En comparant 2018 à 2019, l’engagement dans l’IA a augmenté de 58% – dépassant de loin la croissance du sujet beaucoup plus vaste de l’apprentissage automatique, qui n’a augmenté que de 5% en 2019. En regroupant tous les sujets d’IA et de ML, cela représente près de 5% de toute l’utilisation activité sur la plateforme. Bien qu’il s’agisse d’un peu moins que des sujets de haut niveau et bien établis tels que l’ingénierie des données (8% de l’activité d’utilisation) et la science des données (5% de l’activité d’utilisation), l’intérêt pour ces sujets a augmenté 50% plus rapidement que la science des données. L’ingénierie des données a en fait diminué d’environ 8% au cours de la même période en raison de la baisse de l’engagement avec les sujets de gestion des données.

Nous avons également découvert les premiers signes que les organisations expérimentent des outils et des méthodes avancés. De nos résultats, l’engagement dans un contenu d’apprentissage non supervisé est probablement l’un des plus intéressants. Dans l’apprentissage non supervisé, un algorithme d’IA est formé pour rechercher des modèles précédemment non détectés dans un ensemble de données sans étiquettes ou classification préexistantes avec un minimum de supervision ou de conseils humains. En 2018, l’utilisation des sujets d’apprentissage non supervisés a augmenté de 53% et de 172% en 2019.

Mais qu’est-ce qui motive cette croissance? Alors que les noms de ses méthodes (clustering et association) et de ses applications (réseaux de neurones) sont familiers, l’apprentissage non supervisé n’est pas aussi bien compris que son homologue d’apprentissage supervisé, qui sert de stratégie par défaut pour le ML pour la plupart des gens et la plupart des cas d’utilisation .

Cette augmentation des activités d’apprentissage non supervisé est probablement due à un manque de familiarité avec le terme lui-même, ainsi qu’avec ses utilisations, ses avantages et ses exigences par des utilisateurs plus sophistiqués qui sont confrontés à des cas d’utilisation difficiles à traiter avec des méthodes supervisées. Il est également probable que le succès visible de l’apprentissage non supervisé dans les réseaux de neurones et l’apprentissage profond a aidé notre intérêt, tout comme la diversité des outils open source, des bibliothèques et des didacticiels, qui prennent en charge l’apprentissage non supervisé.

Une résurrection d’apprentissage en profondeur

Alors que l’apprentissage en profondeur s’est légèrement refroidi en 2019, il représentait toujours 22% de toute l’utilisation de l’IA et du ML. Nous soupçonnons également que son succès a contribué à stimuler la résurrection d’un certain nombre d’autres idées désaffectées ou négligées. Le plus grand exemple de ceci est l’apprentissage par renforcement. Ce sujet a connu une croissance exponentielle, avec une croissance de plus de 1500% depuis 2017.

Même avec des taux d’engagement en baisse de 10% en 2019, le deep learning lui-même est l’une des méthodes de ML les plus populaires parmi les entreprises qui évaluent l’IA, de nombreuses entreprises choisissant la technique pour prendre en charge les cas d’utilisation en production. Il se peut que l’engagement avec des sujets d’apprentissage profond ait plafonné parce que la plupart des gens s’engagent déjà activement avec la technologie, ce qui signifie que la croissance pourrait ralentir.

Le traitement du langage naturel est un autre sujet qui a connu une croissance constante. Bien que son taux de croissance ne soit pas énorme – il a augmenté de 15% en 2018 et de 9% en 2019 – le traitement du langage naturel représente environ 12% de toute l’utilisation de l’IA et du ML sur notre plateforme. Cela représente environ 6 fois la part de l’apprentissage non supervisé et 5 fois la part de l’utilisation de l’apprentissage par renforcement, malgré la croissance significative que ces deux sujets ont connue au cours des deux dernières années.

Cependant, toutes les méthodes AI / ML ne sont pas traitées de la même manière. Par exemple, l’intérêt pour les chatbots semble décliner, l’engagement diminuant de 17% en 2018 et de 34% en 2019. Cela est probablement dû au fait que les chatbots ont été l’une des premières applications de l’IA et reflète probablement la maturité relative de son application.

L’engagement croissant dans l’apprentissage non supervisé et l’apprentissage par renforcement démontre que les organisations expérimentent des outils et des méthodes d’analyse avancés. Ces outils et techniques ouvrent de nouveaux cas d’utilisation pour les entreprises à expérimenter et à tirer parti, y compris l’aide à la décision, les jeux interactifs et les moteurs de recommandation de vente au détail en temps réel. Nous ne pouvons qu’imaginer que les organisations continueront d’utiliser l’IA et le ML pour résoudre des problèmes, augmenter la productivité, accélérer les processus et fournir de nouveaux produits et services.

À mesure que les organisations adoptent des technologies analytiques, elles en découvrent davantage sur elles-mêmes et sur leur monde. L’adoption du ML, en particulier, incite les gens à tous les niveaux d’une organisation à commencer à poser des questions qui remettent en question ce qu’une organisation pense savoir d’elle-même. Avec le ML et l’IA, nous formons des machines à faire apparaître de nouveaux objets de connaissance qui nous aident à nous poser des questions nouvelles, différentes et parfois difficiles sur nous-mêmes. Selon toutes les indications, nous semblons avoir un certain succès avec cela. Qui sait ce que l’avenir nous réserve, mais à mesure que les technologies deviendront plus intelligentes, il ne fait aucun doute que nous deviendrons plus dépendants