L'apprentissage non supervisé est une catégorie de apprentissage automatique dans laquelle un modèle reçoit des données sans sorties étiquetées et doit découvrir par lui-même des structures, des motifs ou des regroupements, plutôt que d'être entraîné à reproduire une réponse correcte connue comme dans le apprentissage supervisé. Comme les méthodes non supervisées ne nécessitent pas d'étiquettes annotées par des humains, elles peuvent être appliquées directement aux vastes quantités de données brutes et non étiquetées disponibles dans le monde, telles que des textes non structurés, des images ou des journaux de transactions, ce qui rend cette approche attrayante partout où l'étiquetage est coûteux, lent ou simplement impossible à grande échelle.
Tâches principales
La tâche non supervisée la plus courante est le regroupement (clustering), qui regroupe des points de données similaires sans aucune catégorie prédéfinie, en utilisant des algorithmes tels que les k-moyennes ou le regroupement hiérarchique ; un détaillant pourrait regrouper des clients selon leur comportement d'achat sans savoir à l'avance quels segments devraient en résulter. Les techniques de réduction de dimensionnalité, y compris l'analyse en composantes principales et l'autoencodeur, compressent des données de haute dimension en un plus petit nombre de variables tout en préservant autant que possible leur structure sous-jacente, souvent utiles pour la visualisation ou comme étape de prétraitement pour d'autres modèles. La détection d'anomalies utilise des méthodes non supervisées pour signaler les points de données qui diffèrent considérablement de la majeure partie d'un ensemble de données, appliquée à la détection de fraude et à la surveillance industrielle. L'estimation de densité et la modélisation générative, illustrées par le réseau antagoniste génératif et le modèle de diffusion, apprennent la distribution de probabilité sous-jacente d'un ensemble de données suffisamment bien pour générer de nouveaux échantillons réalistes à partir de celui-ci.
Histoire
Les techniques non supervisées telles que le regroupement et l'analyse en composantes principales ont des racines en statistique qui remontent bien avant l'apprentissage automatique moderne, et les approches neuronales de l'apprentissage non supervisé, y compris les premiers autoencodeurs et les réseaux de Hopfield développés par John Hopfield dans les années 1980, précèdent l'ère de l'apprentissage profond. Pendant une grande partie des années 2000 et du début des années 2010, cependant, l'apprentissage supervisé sur de grands ensembles de données étiquetées a surpassé les approches non supervisées sur la plupart des références pratiques, et l'apprentissage non supervisé était considéré principalement comme un outil d'analyse exploratoire ou comme une étape de prétraitement plutôt que comme une voie vers des résultats de pointe.
Relation avec l'apprentissage auto-supervisé
La distinction entre l'apprentissage non supervisé et l'apprentissage auto-supervisé est une source de confusion fréquente. L'apprentissage auto-supervisé est parfois décrit comme un sous-ensemble ou une reformulation moderne de l'apprentissage non supervisé : les deux travaillent à partir de données non étiquetées, mais les méthodes auto-supervisées construisent une tâche de prédiction explicite et générée automatiquement à partir des données elles-mêmes, comme prédire un mot masqué ou le jeton suivant dans une séquence, ce qui leur donne un signal d'entraînement clair, similaire dans son mécanisme à l'apprentissage supervisé, même si aucun humain n'a jamais étiqueté les données. Cette distinction est importante car le pré-entraînement auto-supervisé, et non l'apprentissage non supervisé classique au sens du regroupement ou de la réduction de dimensionnalité, est ce qui alimente l'entraînement des grands modèles de langage modernes et d'autres modèles de fondation.
Applications et importance
L'apprentissage non supervisé reste largement utilisé pour l'analyse exploratoire des données, la segmentation de la clientèle, la modélisation thématique, le pré-entraînement des systèmes de recommandation, et comme composant des pipelines de détection d'anomalies et de fraude. En apprentissage profond en particulier, sa branche générative, les GAN et plus tard les modèles de diffusion, est devenue la base des systèmes modernes de texte vers image et de texte vers vidéo en apprenant à modéliser et à échantillonner des distributions de données complexes telles que l'espace des images naturelles.
Limites
Parce que l'apprentissage non supervisé n'a pas de réponse de vérité terrain à vérifier, l'évaluation de ses résultats est intrinsèquement plus difficile et plus subjective que l'évaluation des modèles supervisés : un résultat de regroupement ne peut pas être noté simplement comme « correct » ou « incorrect » comme le peut une prédiction de classification, et différents algorithmes non supervisés appliqués aux mêmes données peuvent produire des regroupements significativement différents et tout aussi défendables. Cette ambiguïté explique en partie pourquoi les plus grands succès récents du domaine, en particulier dans la génération de langage et d'images, ont reposé sur le paradigme auto-supervisé plus structuré plutôt que sur les méthodes classiques de regroupement et d'estimation de densité non supervisées.