Qu'est-ce que l'apprentissage automatique ?

30 octobre 2021

Table des matières

Introduction à l'apprentissage automatique

Les chercheurs rêvent depuis longtemps de construire des machines imaginatives. Lorsque les PC programmables ont été inventés pour la première fois, les gens se demandaient si de telles machines deviendraient un jour intelligentes comme les humains et capables d'effectuer des tâches comme les humains. Aujourd'hui, l'intelligence artificielle est une technologie émergente avec une grande variété d'applications dans différents domaines. Le concept de l'IA consiste à simuler l'intelligence humaine dans des machines artificielles de sorte que les machines soient capables de penser et d'effectuer des tâches comme les humains.

Pourquoi avons-nous besoin d'une technologie qui fonctionne comme les humains dans tous les aspects ?



Les humains ont une très bonne précision de travail mais l'efficacité du travail n'est pas satisfaisante et il y a toujours une limite pour accélérer le travail des humains mais ce n'est pas le cas des machines et aussi le travail effectué par les machines est très précis, uniforme et évolutif.

Au XIXe siècle, la révolution du logiciel a eu lieu pour surmonter ces problèmes, mais cela ne suffit pas pour faire face à ces problèmes. Le logiciel est capable d'exécuter la tâche qui est formellement définie dans un ensemble de règles de sorte qu'il est capable d'écrire un programme par le programmeur en tenant compte de ces règles.

Par exemple, calculer la somme de deux nombres donnés. Dans le monde d'aujourd'hui, en termes de vitesse et de précision, les ordinateurs peuvent battre n'importe quel humain dans cette tâche. Mais les problèmes qui n'ont pas un ensemble de règles formelles et nécessitent une intelligence humaine alors un tel problème est très difficile à résoudre par les ordinateurs.

Par exemple, pour reconnaître les visages, les humains sont capables de reconnaître les visages très facilement mais il est très difficile pour les ordinateurs de reconnaître car il est très complexe d'écrire des règles formelles de visages. Ainsi, le véritable défi de l'intelligence artificielle est de résoudre les tâches faciles à réaliser par les humains mais difficiles à décrire formellement pour les humains.

Prenons un exemple du système de jeu d'échecs Deep Blue développé par IBM. Les règles des échecs peuvent être complètement définies par un ensemble de règles formelles. Ainsi, ces règles ont été facilement converties au programme par le programmeur et fournies à l'avance par le programmeur.

L'intelligence artificielle tente de relever ce défi en transférant l'intelligence humaine à des machines aux capacités de calcul incomparables.

Dans la vie de tous les jours, un humain a besoin de connaissances sur le monde pour résoudre sa tâche et une telle connaissance est subjective et intuitive, il est donc difficile pour le programmeur de l'articuler dans un ensemble de règles.

Donc, à partir de là, nous sommes en mesure de comprendre que, pour se comporter comme des humains ou en d'autres termes se comporter de manière intelligente, les ordinateurs nécessitent des connaissances similaires. Le principal défi de l'IA est donc de mettre ces informations informelles ou subjectives dans l'ordinateur et les chercheurs de l'Artificiel. Le domaine du renseignement essaie essentiellement d'atteindre cet objectif.

Les chercheurs avaient découvert le moyen très simple d'atteindre cet objectif. Ils ont utilisé une approche basée sur les connaissances. Dans cette approche, les chercheurs codent en dur les connaissances sur le monde dans des langages formels.

Les ordinateurs peuvent raisonner automatiquement sur les déclarations dans ces langages formels en utilisant des règles d'inférence logique. Comme il s'agit d'une approche très basique, simple et naïve, le projet utilise cette approche sans succès car les chercheurs ont du mal à concevoir des règles formelles suffisamment complexes pour concevoir avec précision le monde. Un exemple d'un tel projet est Cyc. Cycle est un moteur d'inférence.

La difficulté rencontrée par les projets ci-dessus (basés sur l'approche basée sur les connaissances) repose sur des connaissances codées en dur. Ainsi, pour surmonter cette difficulté, les systèmes d'IA doivent pouvoir acquérir leurs propres connaissances du monde, en extrayant des modèles à partir de données brutes. Cette capacité est connue sous le nom d'apprentissage automatique.

Apprentissage automatique

L'introduction de l'apprentissage automatique donne aux ordinateurs la capacité d'acquérir la connaissance du monde réel et de prendre des décisions qui semblent subjectives. De cette façon, l'apprentissage automatique est capable de surmonter les limites de l'approche basée sur les connaissances.

D'après Wikipédia

L'apprentissage automatique est l'étude d'algorithmes informatiques qui s'améliore automatiquement grâce à l'expérience.

D'après Mitchell

On dit qu'un programme informatique apprend de l'expérience E par rapport à une classe de tâches T et à une mesure de performance P, si sa performance à la tâche dans T, telle que mesurée par P, s'améliore avec l'expérience E

Il existe de nombreux types d'algorithmes d'apprentissage automatique qui existent dans la littérature. Ici, le regroupement des algorithmes est effectué sur la base du style d'apprentissage. Le large regroupement d'algorithmes d'algorithmes d'apprentissage automatique est illustré à la figure 1. Voyons en détail un par un.

apprentissage automatique

Regroupement d'algorithmes d'apprentissage automatique sur la base du style d'apprentissage

Enseignement supervisé

L'apprentissage supervisé comme son nom l'indique est la présence d'un superviseur en tant qu'enseignant. Dans l'apprentissage supervisé, nous entraînons notre machine à l'aide de données étiquetées. Les données étiquetées signifient que pour chaque entrée, il existe une sortie bien étiquetée.

Dans le processus de formation, les machines acquièrent la connaissance du monde à partir de données étiquetées. Après la formation, la machine reçoit un nouvel ensemble de données pour prédire le résultat. L'objectif est de faire en sorte que les machines apprennent à partir d'un type similaire de modèles obtenus à partir de l'ensemble de données d'apprentissage et d'appliquer les connaissances acquises sur l'ensemble de données testé pour prédire la sortie à valeur réelle.

Prenons un exemple de jeu de données Iris pour mieux comprendre. L'ensemble de données Iris est une collection de mesures de différentes parties de 150 plantes d'iris. Chaque exemple dans un ensemble de données consiste en la mesure de chaque partie de la plante comme la longueur des sépales, la largeur des sépales, la longueur des pétales, la largeur des pétales. L'ensemble de données enregistre également à quelle espèce appartient chaque plante. Trois espèces différentes sont présentes dans le jeu de données. Ainsi, comme nous le voyons ici dans l'ensemble de données Iris, chaque plante Iris est étiquetée avec son espèce.

Voir également Top 15 des meilleurs logiciels de gestion des ventes

Les algorithmes d'apprentissage supervisé peuvent étudier cet ensemble de données et apprendre à classer la plante Iris en trois espèces différentes en fonction de leurs mesures

Le terme apprentissage supervisé signifie essentiellement que l'objectif y est fourni par un enseignant qui montre à la machine ce qu'il faut faire.

Apprentissage supervisé classé en deux catégories d'algorithmes comme le montre la figure : 2.

Enseignement supervisé

Régression

Les algorithmes de régression prédisent le résultat continu (cible) en fonction d'une ou plusieurs valeurs d'entrée ou de prédicteur. En termes simples, la valeur de sortie est une valeur réelle comme des poids.

Il existe différents types d'algorithmes de régression. Les types d'algorithmes de régression différents dépendent du nombre de variables indépendantes, de la forme de la ligne de régression et du type de variable dépendante. Voyons quelques types de techniques de régression.

La régression linéaire est l'un des algorithmes de régression les plus basiques et les plus populaires pour prédire la valeur continue. Ici, il suppose la relation linéaire entre l'entrée (prédicteur) et la sortie.

Algorithme de régression linéaire

Les noms de régression linéaire suggèrent qu'il est capable de résoudre des problèmes de régression. L'objectif de ces algorithmes est de construire un système qui peut prendre un vecteur x et prédire la valeur scalaire y comme sortie. En termes simples, cet algorithme établit la relation entre l'entrée et la sortie en utilisant une ligne droite de meilleur ajustement.

y=wTx

Ici w est le vecteur des paramètres. Les paramètres sont les valeurs qui contrôlent le comportement du système.

Nous pouvons considérer « w » comme un ensemble de poids qui déterminent comment chaque caractéristique affecte la sortie. La fonctionnalité n'est rien d'autre qu'une caractéristique d'entrée.

Par example

Disons que nous voulons avoir un système capable de prédire le prix des voitures d'occasion. Ici, les caractéristiques sont des attributs de voiture qui, selon nous, affectent la valeur d'une voiture comme la marque, l'année, l'efficacité du moteur, la capacité, le kilométrage et de nombreuses autres informations.

y=w0 * capacité+w1 * kilométrage +w3 * efficacité du moteur

si ces caractéristiques reçoivent des poids positifs wi, alors l'augmentation de ces poids augmente la valeur de notre prédiction et vice versa. Si les poids « wi » sont importants, ils ont un effet important sur la prédiction. Si un poids 'wi' est égal à 0, il n'a aucun effet sur la prédiction.

Classification

La classification est un concept d'apprentissage supervisé qui tente de prédire les catégories auxquelles appartient l'entrée. Pour résoudre le problème de classification, les algorithmes d'apprentissage essaieront de produire la fonction quelque chose comme f:R-{1,2,…k}. En termes simples, lorsque la sortie est variable, c'est une catégorie comme une maladie ou une non-maladie, c'est-à-dire que dans ce problème, la sortie est discrète. Par exemple, dans le jeu de données Iris, nous devons prédire trois classes d'espèces en fonction de trois caractéristiques (longueur des sépales (sl), largeur des sépales (sw), longueur des pétales (pl), largeur des pétales (pw)) dans une entrée.

Prenons un autre exemple de reconnaissance d'objet pour bien le comprendre

Ici, l'entrée est une image et la sortie est un code numérique identifiant l'objet dans l'image.

Il existe plusieurs algorithmes de classification. Les algorithmes de classification incluent la régression logistique de la machine à vecteurs de support, l'arbre de décision, la forêt aléatoire, etc. Voyons quelques algorithmes en détail.

Soutenir la machine vectorielle

Une machine à vecteurs de support est un algorithme d'apprentissage supervisé qui peut être utilisé à la fois pour les problèmes de classification et de régression, mais il est principalement utilisé pour les problèmes de classification.

Étant donné un ensemble de données d'apprentissage, chacun étiqueté comme l'une ou l'autre des deux classes, un algorithme d'apprentissage SVM construit un modèle qui attribue de nouveaux exemples à une catégorie ou à l'autre, ce qui en fait un classificateur linéaire binaire non probabiliste.

Fondamentalement, cet algorithme essaie de trouver l'hyperplan optimal dans un lieu à n dimensions qui classe de nouveaux exemples. Dans un espace à deux dimensions (lorsque le nombre d'entités en entrée est de deux), cet hyperplan n'est rien d'autre que la ligne divisant le plan en deux parties, comme indiqué sur la figure3.

Selon Wikipédia

Un modèle SVM est une représentation des exemples sous forme de points dans l'espace, cartographiés de sorte que les exemples des catégories distinctes soient divisés par un espace clair aussi large que possible. De nouveaux exemples sont ensuite cartographiés dans ce même espace et prédits comme appartenant à une catégorie basée sur le côté de l'écart sur lequel ils tombent.

image 617dd7d8dd962

figure 3

SVM essaie de maximiser la marge entre les deux classes. La marge maximale est atteinte par l'hyperplan qui a la plus grande distance au point de données d'entraînement le plus proche de n'importe quelle classe.

C'est très intuitif à comprendre. Nous pouvons voir sur la figure que tous les points de données qui tombent du côté de la ligne seront étiquetés comme une classe, et les points qui tombent de l'autre côté de la ligne seront étiquetés comme deuxième classe. Maintenant, comme nous le voyons sur la figure 3, il y a une quantité infinie de lignes passant entre elles.

Alors, comment savons-nous quelle ligne est la plus performante ? Cet algorithme essaie de sélectionner une ligne qui non seulement sépare les deux classes, mais reste aussi éloignée que possible des échantillons les plus proches, comme le montre la figure 3.

Apprentissage non supervisé

Dans l'apprentissage supervisé, l'objectif est d'apprendre le mappage de l'entrée à la sortie dont les valeurs correctes sont fournies par le superviseur. Dans l'apprentissage non supervisé, seules les données d'entrée sont données et il n'y a pas de superviseur de ce type. L'objectif est de trouver les régularités de l'entrée.

Il existe une structure dans l'espace d'entrée telle que certains des modèles se produisent plus que d'autres.

Voir également 9 correctifs pour le problème d'exécution de plusieurs processus de Google Chrome

Il existe deux principales méthodes utilisées dans l'apprentissage non supervisé : l'analyse par grappes et la composante principale.

Dans l'analyse de cluster, l'objectif est de trouver le groupement de l'entrée.

Prenons un exemple pour bien comprendre

Toutes les entreprises ont beaucoup de données clients. Les données client contiennent des informations démographiques ainsi que la transaction passée avec l'entreprise. L'entreprise peut être intéressée de voir la répartition du profil de son entreprise, pour voir quel type de client se produit fréquemment. Dans de tels scénarios, le clustering alloue des clients similaires dans leurs attributs au même groupe. Ces groupes regroupés peuvent aider à décider des stratégies de l'entreprise, par exemple des services et des produits, spécifiques à différents groupes.

Un algorithme populaire pour effectuer cette analyse de clustering est le clustering K-means. Discutons K-means plus en détail.

K-means Clustering

Le clustering K-means est l'un des algorithmes d'apprentissage non supervisé les plus populaires et les plus simples.

K-means est un algorithme basé sur le centroïde, dans lequel nous calculons les distances de points donnés à partir du centroïde pour attribuer un point à un cluster. Dans K-Means, chaque cluster est associé à un centroïde.

Cet algorithme fonctionne comme suit :

  1. Initialiser d'abord k points appelés moyens au hasard
  2. Après cela, classez chaque élément dans sa moyenne la plus proche et mettez à jour les coordonnées de la moyenne, qui sont les moyennes des éléments classés dans cette moyenne jusqu'à présent.
  3. Répétez ces étapes pour un nombre donné d'itérations et après le nombre donné d'itérations, nous avons nos clusters.
apprentissage automatique

Figure : 4

Algorithme semi-supervisé

Dans l'apprentissage supervisé, nous avons vu que l'ensemble de données doit être étiqueté manuellement par des humains. Ce processus est très coûteux car le volume du jeu de données est très important. Dans l'apprentissage non supervisé, un jeu de données étiqueté n'est pas nécessaire mais son spectre d'application est limité.

Pour pallier ces limitations, le concept d'apprentissage semi-supervisé est introduit. Dans ce style d'apprentissage, l'algorithme est formé avec une combinaison d'une petite quantité de données étiquetées et d'une grande quantité de données non étiquetées. L'apprentissage semi-supervisé se situe entre l'apprentissage supervisé et l'apprentissage non supervisé.

Afin d'utiliser des données non étiquetées, l'algorithme semi-supervisé suppose la relation suivante concernant les données -

    Continuité :Il suppose que les points qui sont plus proches les uns des autres sont plus susceptibles de partager la même étiquette de sortie.Groupe :Si les données peuvent être divisées en clusters discrets, les points du même cluster sont plus susceptibles de partager une étiquette.Collecteur:Les données se situent approximativement sur une variété de dimension bien inférieure à l'espace d'entrée. Cette hypothèse permet d'utiliser des distances et des densités qui sont définies sur un collecteur .

Nous pouvons comprendre ces trois types de styles d'apprentissage, à savoir l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage semi-supervisé en se rapportant au monde réel.

Apprentissage supervisé où l'élève est sous la supervision de l'enseignant. Dans l'apprentissage non supervisé où un étudiant doit comprendre un concept lui-même. Apprentissage semi-supervisé où un enseignant enseigne quelques concepts en classe et donne des questions en devoir basées sur des concepts similaires.

Apprentissage par renforcement

L'apprentissage par renforcement consiste à apprendre en interagissant avec un environnement. Le processus d'apprentissage implique un acteur, un environnement et un signal de récompense. L'acteur choisit d'agir dans un environnement pour lequel l'acteur est récompensé en conséquence. Ici, la sortie du système est une séquence d'actions.

Dans un tel cas, une seule action n'est pas importante, ici une séquence d'actions correctives pour atteindre l'objectif est importante. C'est ce qu'on appelle aussi la politique. L'acteur veut augmenter la récompense qu'il reçoit et doit donc apprendre une politique optimale et bonne pour interagir avec l'environnement. Un bon exemple est les jeux. Dans le jeu, un seul mouvement en soi n'est pas important, il nécessite une séquence de bons mouvements qui est bonne (c'est-à-dire que les mouvements mènent à la victoire)

Configuration de l'apprentissage par renforcement

Figure 5 : Configuration de l'apprentissage par renforcement

«L'apprentissage par renforcement est très différent des autres types d'apprentissage que nous avons couverts jusqu'à présent. Comme nous l'avons vu dans l'apprentissage supervisé, nous recevons des données et des étiquettes et sommes chargés de prédire la sortie en fonction des données. Dans l'apprentissage non supervisé, nous ne recevons que des données et nous sommes chargés de trouver la structure sous-jacente dans les données. En renfort, on ne nous donne ni données ni étiquettes.

Les applications de l'apprentissage par renforcement sont

  1. Voiture autonome
  2. Contrôle moteur robotique
  3. Contrôle de la climatisation
  4. Optimisation du placement des annonces
  5. Stratégies de négociation en bourse
  6. Jouer au jeu

L'apprentissage en profondeur

Lorsque nous analysons l'image d'une voiture, le pixel individuel de l'image de la voiture rouge est très proche du noir la nuit. Cet exemple peut vous donner un aperçu de la difficulté rencontrée par de nombreuses applications intelligentes artificielles. Il est très difficile d'extraire des fonctionnalités aussi abstraites et de haut niveau car cela nécessite une compréhension au niveau humain.

Deep Learning s'attaque à ce problème en créant des fonctionnalités complexes à partir d'une simple. L'exemple le plus basique d'un modèle d'apprentissage en profondeur est le Perceptron multicouche. Le Perceptron multicouche n'est qu'une fonction mathématique mappant les valeurs d'entrée aux valeurs de sortie. Cette fonction est composée de nombreuses fonctions plus simples.

L'apprentissage en profondeur est un type particulier d'apprentissage automatique qui atteint une grande puissance et une grande flexibilité en représentant le monde comme une hiérarchie imbriquée de concepts. Chaque concept défini par rapport à des concepts plus simples, et des représentations plus abstraites calculées en termes de concepts moins abstraits.

Des algorithmes d'apprentissage en profondeur tels que Deep Neural Network, Deep Believe Network, Convolutional Neural Network, Recurrent Neural Network ont ​​été appliqués à des domaines tels que la vision par ordinateur, la reconnaissance vocale, le traitement du langage naturel et bien d'autres.

Réseau neuronal profond

Le Deep Neural Network s'inspire de la fonction du cerveau humain et de son fonctionnement. Le bloc de construction de base des réseaux de neurones profonds est constitué de nœuds. Les nœuds sont comme les neurones du cerveau humain. Lorsque le stimulus les frappe, un processus se déroule dans le nœud. Généralement, les nœuds sont regroupés en couches, comme illustré à la figure 6.

Réseau neuronal profond

Figure 6 : Réseau de neurones profonds

Il existe différents types de réseaux de neurones profonds et les différences entre eux résident dans leurs principes de fonctionnement, le schéma d'action et les domaines d'application.

    Réseaux de neurones convolutifs (CNN): Il est surtout utilisé pour la reconnaissance d'images car il n'est pas nécessaire de vérifier tous les pixels un par un. Les CNN se composent d'une couche d'entrée, d'une couche de sortie et de couches cachées. Les couches cachées sont généralement constituées de couches convolutives, de couches de regroupement et de couches entièrement connectées. Les couches de convolution et de regroupement maximal agissent comme un extracteur de caractéristiques et une couche entièrement connectée qui effectue des transformations non linéaires des caractéristiques extraites et agit comme un classificateur. Les couches convolutives appliquent une opération de convolution à l'entrée. La couche de regroupement est utilisée immédiatement après la couche convolutive pour réduire la taille spatiale (uniquement la largeur et la hauteur, pas la profondeur). Cela réduit le nombre de paramètres et donc le calcul est réduit et contribue à rendre les détecteurs de caractéristiques plus invariants à sa position dans l'entrée. Il est facile de comprendre l'opération de convolution avec cette animation
apprentissage automatique
    Réseau neuronal récurrent (RNN) :Les réseaux de neurones récurrents sont une classe de réseaux de neurones qui permettent d'utiliser les sorties précédentes comme entrées du modèle. Il a été introduit pour la première fois dans les années 1980. Les RNN sont différents des réseaux de neurones à anticipation car ils exploitent un type spécial de réseau de neurones, appelé couche récurrente. L'idée principale derrière le réseau de neurones récurrent est d'utiliser des informations séquentielles. Dans un réseau de neurones traditionnel comme CNN, nous avons supposé que toutes les entrées et sorties sont indépendantes les unes des autres. Mais pour de nombreuses tâches, ce n'est pas une très bonne idée d'assumer cela. Supposons que si nous voulons prédire le mot suivant dans une phrase, il est préférable de savoir quels mots l'ont précédé. Les RNN sont appelés récurrents car ils effectuent la même tâche pour chaque élément d'une séquence, la sortie dépendant des calculs précédents. En termes simples, les RNN ont une mémoire qui capture des informations sur ce qui a été calculé jusqu'à présent. En théorie, les RNN sont capables d'utiliser des informations dans de longues séquences, mais en pratique, ils sont limités à ne regarder que quelques étapes en arrière.
Voir également Les iPhones peuvent-ils attraper des virus ? Comment vérifier et supprimer les virus

Voyons la relation entre l'IA, l'apprentissage automatique et l'apprentissage en profondeur à l'aide du diagramme de Venn

apprentissage automatique

Figure 7 : Cette figure montre la relation entre Deep Learning, Machine Learning et Intelligence Artificielle.

Applications de l'intelligence artificielle

Il existe de nombreux domaines différents où l'IA est utilisée. Les domaines incluent le marketing, la banque, la finance, l'agriculture, la santé, les jeux, l'exploration spatiale, les véhicules autonomes, les chatbots, la créativité artificielle, etc.

Explorons le domaine du marketing et de la banque.

Commercialisation

Au début (lorsque l'IA n'est pas appliquée. Elle n'existe que dans les livres), si nous voulons acheter un produit dans la boutique en ligne, nous devons rechercher le produit avec son nom exact. Il est donc très difficile de trouver un produit si on ne connaît pas le nom exact du produit.

Mais de nos jours, lorsque nous recherchons un article dans n'importe quel magasin de commerce électronique, nous obtenons tous les résultats possibles liés à l'article. Nous n'avons pas à nous soucier de l'orthographe exacte ou du nom du produit pour trouver le produit. Un autre exemple est de trouver les bons films sur Netflix.

L'application ne se limite pas à trouver le bon produit. L'avancement de l'IA est capable de recommander le produit en fonction de votre intérêt en analysant votre transaction passée et votre goût d'acheter des choses. Selon ces données, l'IA est en mesure de savoir quel type de produit est pertinent pour vous et sur cette base, elle filtrera le produit et vous le recommandera.

De cette manière, l'IA joue un rôle majeur dans le marketing et l'augmentation de la vente en ligne de produits et donc d'entreprises de commerce électronique comme Flipkart, Amazone , ou des entreprises comme Netflix tirent parti de la puissance de l'IA pour vendre leurs produits très facilement et réaliser des bénéfices.

Bancaire

Dans le domaine bancaire, le système d'IA se développe plus rapidement. De nombreuses banques ont déjà adopté le système d'IA pour fournir divers services comme le support client, la détection d'anomalies, les fraudes à la carte de crédit.

Prenons un exemple de banque HDFC. Ils ont développé un chatbot basé sur l'IA appelé Electronic Virtual Assistant (EVA). Ce chatbot a déjà répondu à plus de 3 millions de requêtes clients. Eva peut fournir des réponses simples en moins de 0,4 seconde. Bank of America a son nom de chatbot Erica. American Express utilise ses chatbots AmEX au profit de ses clients.

MasterCard et RBS WorldPay ont utilisé l'IA et l'apprentissage en profondeur pour détecter les transactions frauduleuses et prévenir la fraude par carte. Ce système d'IA a permis d'économiser des millions de dollars. Les algorithmes de détection de fraude basés sur l'IA sont plus précis pour détecter la fraude avec une précision de plus de 95 %. Ils ont la capacité de s'adapter rapidement pour détecter de nouvelles tentatives de fraude en temps réel.

L'application la plus importante de l'IA dans le secteur bancaire est la gestion des risques, car les estimations montrent qu'en moyenne, les pertes des commerçants dues aux attaques frauduleuses représentent 1,5 % de leurs revenus annuels. JPMorgan a également commencé à utiliser des techniques d'intelligence artificielle pour développer un système d'alerte précoce qui détecte les logiciels malveillants, les chevaux de Troie et les virus. Ce système de détection identifie prétendument les comportements suspects bien avant que les e-mails frauduleux ne soient réellement envoyés aux employés.

Articles recommandés

  • Qu'est-ce qu'Unsecapp.exe et est-il sûrQu'est-ce qu'Unsecapp.exe et est-ce sûr ?
  • 15 meilleurs outils et logiciels de diagramme UML15 meilleurs outils et logiciels de diagramme UML
  • [RÉSOLU] Windows ne peut pas accéder à l'erreur de périphérique, de chemin ou de fichier spécifié[RÉSOLU] Windows ne peut pas accéder à l'erreur de périphérique, de chemin ou de fichier spécifié
  • 16 correctifs pour Windows Update ne fonctionnant pas sous Windows16 correctifs pour Windows Update ne fonctionnant pas sous Windows
  • 4 correctifs pour les paramètres AMD Radeon gagnés4 correctifs pour les paramètres AMD Radeon ne s'ouvriront pas
  • Outil de capture d'écran Zoom : Trucs et astucesOutil de capture d'écran Zoom : Trucs et astuces