En matière de machine learning, il est possible de distinguer deux modèles d’apprentissage, qui consistent tous deux à former une machine sur la base de données intégrées, structurées puis analysées (data crunching).
Dans sa version « supervisée », l’apprentissage de la machine s’appuie sur l’intervention humaine. C’est l’humain qui lui apporte les bases de sa connaissance pour qu’elle puisse ensuite savoir les utiliser et proposer, par elle-même, des enrichissements qui seront systématiquement validés par un humain avant d’être « appris ».
Dans la version « non supervisée », la machine n’a pas besoin d’une validation humaine. Elle fait elle-même des recherches, identifie des nouvelles connaissances et les mémorise, dès lors de que les seuils mathématiques de confiance qui lui ont été donnés sont respectés.
En savoir plus sur
