L’apprentissage machine (machine learning) devient extrêmement puissant, mais il nécessite des quantités énormes de données.
Vous pouvez, par exemple, entraîner un algorithme d’apprentissage machine à identifier l’espèce d’un chat aussi bien que le ferait un amateur de chat, mais vous devrez d’abord lui donner des dizaines voire des centaines de milliers d’images de félins avec une gigantesque quantité de variation : en taille, forme, texture, avec différents éclairages et orientations. Il serait beaucoup plus efficace si, un peu comme une personne, un algorithme pouvait appréhender le chat en moins d’exemples. Une startup basée à Boston appelée Gamalon a développé un système d’IA qui permet aux ordinateurs de le faire dans certaines situations, et vient de commercialiser deux produits basés sur cette approche bayésienne.