L’apprentissage profond est un sous-ensemble de l’apprentissage automatique qui utilise des réseaux neuronaux, une puissance de calcul considérable et d’énormes ensembles de données pour créer des systèmes capables d’apprendre de manière autonome. Il peut effectuer des actions plus complexes que les modèles traditionnels d’apprentissage automatique.
Comprendre l’apprentissage profond
Pour comprendre l’apprentissage profond et ses différences avec l’apprentissage automatique, il faut comprendre les réseaux neuronaux.
Couches de réseaux neuronaux
Les réseaux neuronaux – ou, plus précisément, les réseaux neuronaux artificiels – sont des systèmes informatiques composés de plusieurs couches ou nœuds. Les couches sont de petits systèmes dédiés à des types de tâches spécifiques. Lorsque ces couches sont combinées, le système résultant peut apprendre à s’attaquer à des tâches complexes et multidimensionnelles d’une manière qui simule le cerveau humain.
Les systèmes d’apprentissage profond comportent au moins trois couches, mais généralement plus (beaucoup ont 100+ couches). Dans ce cas, "deep" fait référence aux multiples couches de ces systèmes et contraste avec les outils d’apprentissage automatique moins complexes.
Au minimum, les systèmes d’apprentissage profond comportent trois couches : entrée, traitement et sortie. Les données sont introduites dans le système au niveau de la couche d’entrée, la couche de traitement exécute les fonctions prévues par le système et la couche de sortie fournit les résultats ou les actions. Plus la technologie d’apprentissage profond comporte de couches, plus le système est puissant et capable d’exécuter des tâches complexes.
Besoins du système
L’exploitation d’un système comportant autant de couches nécessite une puissance de calcul considérable. Il faut également d’énormes ensembles de données pour former le système d’apprentissage profond à ses tâches. Comme certains modèles d’apprentissage automatique, l’apprentissage profond est formé à l’aide de données étiquetées et structurées.
Après la formation initiale, les systèmes de Deep Learning ont tendance à nécessiter moins d’intervention humaine que les modèles de ML. Plus ils fonctionnent longtemps, plus les systèmes d’apprentissage profond parviennent à analyser les données, à détecter des modèles, à faire des prédictions et à prendre des mesures.
Comment fonctionne l’apprentissage profond ?
L’apprentissage profond est une application d’intelligence artificielle dans laquelle plusieurs couches de réseaux neuronaux sont combinées en un système unique et puissant. Supposons que l’intelligence artificielle soit la catégorie la plus large pour ce type d’informatique. Dans ce cas, l’apprentissage automatique est un sous-domaine de l’intelligence artificielle, tandis que l’apprentissage profond est un sous-domaine de l’apprentissage automatique. Par conséquent, ces systèmes contribuent souvent à alimenter l’IA.
La technologie de l’apprentissage profond (Deep Learning) peut exécuter plus de fonctions que l’apprentissage automatique (Machine Learning). Elle nécessite également une puissance de traitement informatique nettement supérieure, car ses fonctions sont encore en cours de développement et d’affinement. Néanmoins, le matériel nécessaire à sa mise en œuvre – des ordinateurs extrêmement puissants à des prix relativement abordables et d’énormes ensembles de données – n’est devenu disponible qu’au cours des dernières années, ce qui a conduit à une augmentation de son utilisation.
Apprentissage profond et apprentissage automatique
Les deux principales différences entre l’apprentissage profond et l’apprentissage automatique résident dans la manière dont ils définissent les caractéristiques et agissent.
Les modèles de ML peuvent être entraînés à détecter des modèles ou à reconnaître des objets. Toutefois, pour ce faire, un programmeur humain doit définir les caractéristiques de ces objets (si le modèle est censé détecter un panneau d’arrêt, le programmeur doit définir les caractéristiques d’un panneau d’arrêt pour le modèle). Les systèmes d’apprentissage profond, en revanche, peuvent déterminer les caractéristiques d’un panneau stop sans aucune intervention humaine, puis appliquer ces caractéristiques à des tâches d’analyse.
La capacité d’action est un autre facteur de différenciation entre l’apprentissage profond et l’apprentissage automatique. Les modèles d’apprentissage automatique sont souvent mieux utilisés pour analyser les données, faire des prédictions et exécuter des tâches d’une complexité ou d’un risque limités (comme le filtrage des spams ou la recommandation de contenu).
Si le Deep Learning peut faire tout cela, il peut aussi être chargé d’effectuer des actions complexes sans supervision humaine et à un rythme extrêmement rapide. Les systèmes automatisés de négociation d’actions utilisés dans l’industrie financière en sont un bon exemple.
Un modèle de ML pourrait analyser les performances historiques des actions et faire des recommandations à un courtier en bourse. Un modèle d’apprentissage profond pourrait analyser les performances et, au lieu de faire une recommandation, achèterait et vendrait automatiquement des actions, sur la base de sa logique, sans impliquer un humain et à des vitesses plusieurs fois supérieures à celle d’une personne.
Utilisations courantes
L’apprentissage profond étant composé de plusieurs couches spécialisées et puissantes, il peut effectuer des tâches très complexes. Il est utilisé dans des secteurs tels que :
- Services financiers : Utilisés pour les transactions boursières automatisées et algorithmiques, pour les décisions quasi-instantanées sur les demandes de crédit, ainsi que pour la détection et la réponse aux fraudes éventuelles.
- Soins de santé : Elle est utilisée pour certaines recherches médicales et pour l’examen de l’imagerie médicale des résultats des tests afin d’établir des diagnostics plus précis et plus rapides que les humains.
- Interfaces vocales : Cette technologie excelle dans la gestion de l’ambiguïté ou des situations manquant de clarté, ce qui la rend précieuse pour les systèmes d’interface vocale. Le langage parlé pouvant être indirect, le sens et l’intention incertains (pensez à la façon dont le même mot peut avoir des significations différentes en fonction du contexte), la capacité du Deep Learning à apprendre progressivement l’aide à fournir des résultats précieux pour les interfaces vocales telles que Siri, Google Now ou les outils de traduction linguistique.
- Véhicules autonomes : Les véhicules autonomes présentent certains des défis les plus complexes en matière d’informatique. Ces systèmes permettent de relever ces défis grâce à leur capacité à effectuer de nombreux calculs complexes presque instantanément. Par exemple, une voiture sans conducteur doit pouvoir calculer la distance qui la sépare des autres voitures et des piétons, prédire le comportement des autres véhicules et objets (cette personne va-t-elle descendre du trottoir ? ce ballon va-t-il rebondir sur la route ?) et s’adapter à la volée.
FAQ
- Qu’est-ce que l’apprentissage par transfert dans l’apprentissage profond ?
L’apprentissage par transfert vise à tester la capacité d’un système d’apprentissage profond à résoudre des problèmes similaires à ceux qu’il a déjà étudiés. Par exemple, les chercheurs peuvent prendre un programme qui a été formé pour identifier des fourchettes et voir s’il fonctionne bien avec des cuillères.
- Qu’est-ce que l’épochage dans l’apprentissage profond ?
Un epoch est un processus qui utilise toutes les données d’apprentissage d’un algorithme en une seule fois. En d’autres termes, il s’agit d’un seul "cycle" au cours duquel toutes les informations passent par le système.
