Le terme d’algorithme est aujourd’hui omniprésent. Mais ses contours ne sont pas toujours bien définis. Ceux-ci peuvent varier par exemple selon le contexte de son utilisation et le niveau de complexité de l’algorithme. De manière générale, un algorithme comprend plusieurs étapes successives et vise à obtenir un résultat. Pour cela, des éléments seront fournis en entrée, comme des données.
La CNIL, dans sa définition, cite ainsi l’exemple d’une recette de cuisine. Une recette s’apparente à un algorithme dans le sens où elle décrit le moyen d’obtenir un plat, le résultat, à partir d’ingrédients. Ceux-ci constituent les éléments de départ ou d’entrée.
De la recette de cuisine à la prédiction épidémiologique
L’IREM de Paris, un institut de recherche en mathématiques, fournit une autre définition appliquée plus spécifiquement à l’univers de l’informatique : « un algorithme est une procédure de résolution de problèmes, s’appliquant à une famille d’instances du problème et produisant, en un nombre fini d’étapes […], la réponse au problème pour toute instance de cette famille. »
Le problème pourra par exemple consister à classer des nombres entiers d’un ensemble d’instances, chacune comportant une liste finie de nombre entiers, par exemple (5 ; 8 ; 1 ; 25 ; 46 ; 7 ; 9). Plusieurs algorithmes pourront permettre de résoudre ce problème, comme le tri à bulles ou par sélection, et cela pour l’ensemble des instances.
Un algorithme peut donc être simple ou extrêmement complexe, et servir des usages très divers. En pleine pandémie, des algorithmes de prévision ont ainsi été conçus pour établir des hypothèses de propagation de la Covid en fonction de différents paramètres. Mais les cyberacheteurs interagissent aussi régulièrement avec des algorithmes lors de leurs visites sur des sites e-commerce via des moteurs de recommandation.
Pour automatiser le fonctionnement des algorithmes à l’ère du numérique, ils sont embarqués dans des programmes informatiques, du logiciel. C’est ainsi une machine qui l’exécute. Notons que les techniques de conception d’algorithmes se sont complexifiées ces dernières années.
Les progrès réalisés dans le domaine de l’intelligence artificielle ont donné naissance à une nouvelle génération d’algorithmes. Ceux-ci sont en particulier capables « d’apprendre », c’est-à-dire d’améliorer leur taux de précision au fil du temps.
Des algorithmes dopés à l’intelligence artificielle
Ces algorithmes auto-apprenants sont exploités dans un nombre croissant de domaines, parmi lesquels la prédiction du trafic routier ou le diagnostic en imagerie médicale. Une catégorie d’algorithme d’IA connaît ainsi actuellement une adoption rapide dans les entreprises. Il s’agit des algorithmes de machine learning (ML) ou d’apprentissage automatique.
Le ML s’applique par exemple à la reconnaissance d’images. L’algorithme sera entraîné grâce à des jeux de données en entrée. Le but est d’apprendre à la machine à identifier des éléments précis, par exemple des chats au sein d’une banque d’images d’animaux.
Une fois entraîné convenablement, selon une méthode supervisée ou non (voire une autre approche), l’algorithme sera à même de reconnaître de lui-même des chats avec un taux élevé de prédiction, et ce avec de nouvelles données en entrée.
Le fonctionnement d’un algorithme d’apprentissage automatique peut se résumer à quatre principales étapes : la préparation des données d’entraînement, la sélection du type d’algorithme (en fonction notamment de la nature des données et de leur volume), et son apprentissage, qui permettra de concevoir un modèle de ML. Enfin, ce modèle est utilisé et optimisé via l’ingestion de nouvelles données.
Source: Ludovic Creative
