Deep Learning - Machine Learning : Qu'est-ce que c'est ?

La rapidité et l'immédiateté avec lesquelles les données sont générées dans notre société d'aujourd'hui ont créé des environnements de Big Data qui nécessitent l'application de technologies capables de les organiser.

C'est en vue d'atteindre cet objectif que l'Intelligence Artificielle (IA) a prêté main-forte aux petites et grandes organisations.

Nous analysons ici le Deep Learning vs le Machine Learning : qu'est-ce qui les rend différents ? Les deux semblent être liés, mais ces termes ont chacun leurs propres caractéristiques. Avant d'aborder ces concepts, il convient de garder à l'esprit qu'ils font tous deux font partie des technologies utilisées par l'Intelligence Artificielle. Plus précisément, l'Intelligence Artificielle appliquée (Weak AI). Un domaine dans lequel les algorithmes et l'apprentissage supervisé entrent en jeu.

Téléchargez gratuitement le document !

L'Intelligence Artificielle et l'algorithme d'apprentissage

Il y a encore de cela une soixantaine d'années, il fallait se démener pour trouver des logiciels rendant les machines aussi intelligentes ou même plus qu'un humain - il s'agissait dans ce cas d'Intelligence Artificielle robuste (Strong AI) -, aujourd'hui, bien que nous soyons conscients qu'un tel objectif prendra beaucoup de temps, pour y parvenir, des efforts sont conduits sur une ligne de travail qui cherche à rendre plus intelligentes les machines d'une façon différente: en utilisant la Weak AI.

L'Intelligence Artificielle appliquée suscite de nombreux débats et est chaque fois plus étudiée dans ses mécanismes d'innovation. Parmi eux se trouve le Machine Learning, une pratique qui utilise des algorithmes qui parcourent tous les enregistrements d'une base de données, en extrait des modèles de comportement et résout ensuite un problème ou réalise une prévision.

Exemples de Machine Learning

Un exemple très simple de Machine Learning est celui de la catégorisation des e-mails entre ceux qui sont considérés comme spams et ceux qui ne le sont pas. Grâce à l'apprentissage supervisé, les machines reconnaissent que certaines adresses e-mail sont gênantes pour l'utilisateur (par exemple, celles qui incluent derrière le at, le terme @noreply.com) et les envoient automatiquement dans le dossier spam. Au premier abord, cela semble simple mais derrière cette action, un grand nombre de variables sont développées et perfectionnées par les programmeurs afin d'être aussi précises que possible. En d'autres termes, avec le Machine Learning, il est nécessaire de guider la machine dans chacune des phases du processus afin qu'elle apprenne, par la pratique, à identifier de façon automatique ce que nous désirons.

Pour aller plus loin, on trouve le Deep Learning (apprentissage en profondeur), un concept qui fait partie du Machine Learning et fonctionne différemment. Dans ce cas, au lieu de programmer la machine pour qu'elle suive certaines règles afin de résoudre un problème, c'est l'algorithme de la machine qui doit identifier des patrons ou des anomalies afin de créer un modèle.

Téléchargez gratuitement le document !

Exemples de Deep Learning

L'exemple classique utilisé pour expliquer le Deep Learning est de le comparer avec une simulation de réseaux neuronaux artificiels. Si un cerveau humain travaille à travers la connexion entre les neurones de différentes couches - une couche est chargée de reconnaître les odeurs, une autre les saveurs, puis une autre les couleurs, etc. - afin de développer un « apprentissage profond », les programmeurs ont dû fournir suffisamment d'informations aux « couches neuronales » des machines pour qu'elles puissent reconnaître les patrons et les classer dans un groupe spécifique.

En d'autres termes: chacune de ces « couches » de Deep Learning est experte dans une seule forme de connaissance mais, dans leur ensemble, elles savent comment se comporter pour tirer des conclusions. Grâce à « l'apprentissage approfondi », un ordinateur peut savoir, par exemple, qu'une voiture figure sur une photographie parce que ses différentes couches lui donnent une série de données individuelles qui, ensemble, extraient le patron d'une voiture : elle a des roues, un volant, des feux avant et arrière, etc. Avec le Deep Learning, la machine apprend par elle-même à chaque nouvelle entrée d'informations qu'elle reçoit. Si elle utilise des données erronées, elle apprend de ces erreurs.

Il y a encore quelques années, il fallait des milliers d'ordinateurs pour qu'une machine puisse reconnaître un véhicule sur une image. Aujourd'hui, les nouvelles technologies ont grandement simplifié le processus et des entreprises aussi importantes au niveau international qu'IBM, Amazon ou Microsoft permettent l'application du Machine Learning et du Deep Learning de manière beaucoup moins coûteuse. Bien loin sont les 16 000 ordinateurs nécessaires en 2012 pour reconnaître un chat dans pas moins de 10 000 vidéos YouTube.

Différences entre Machine Learning et Deep Learning

En résumé, les principales différences entre ces deux formes d'intelligence artificielle sont que :

• Dans le Machine Learning, il est nécessaire de guider la machine dans chacune des phases du processus afin qu'elle apprenne, par la pratique, à identifier automatiquement ce que nous voulons.
• Dans le Deep Learning, la machine apprend par elle-même à chaque nouvelle entrée d'informations qu'elle reçoit. Si elle utilise des données erronées, elle apprend de ces erreurs et emploie d'autres données qui vont lui permettre de s'approcher du résultat correct de plus en plus vite et de manière de plus en plus fiable. Ces erreurs ne se reproduiront plus jamais.

Le Machine Learning dans notre vie quotidienne

En plus de l'exemple de filtrage du spam dans la boîte de réception, il existe d'autres cas dans lesquels nous pouvons nous rendre compte de la façon dont cette forme d'intelligence artificielle est mise en œuvre dans notre vie quotidienne. Parfois, dans des environnements aussi importants que celui de la médecine, le Machine Learning peut aider à détecter les patients ayant des tendances suicidaires. Après un simple entretien verbal avec les patients, l'ordinateur est en mesure d'analyser des particularités telles que l'intonation ou la vitesse de réponse pour en extraire des résultats. Une étude réalisée sur ce modèle s'est achevée avec un surprenant taux de réussite de 93%.

Du monde médical, passons au monde du sport. Le Machine Learning met en échec la figure du commentateur sportif en permettant d'inclure des commentaires avec peu de retard lors de la visualisation, par exemple, d'un match de football. Les premiers progrès ont été réalisés en Inde, avec un taux de succès de 90% lors de la diffusion d'un match de cricket.

Avons-nous eu affaire à des exemples de Deep Learning sans le savoir ?

La réponse à cette question est clairement affirmative. Quiconque utilise Facebook aura pu constater comment ce réseau social est capable de marquer les visages qui apparaissent sur une photo et, en même temps, d'identifier l'endroit où la photo a été prise. Un autre exemple clair de Deep Learning est celui dans lequel l'équipe Brain Team de Google a voulu aller encore plus loin avec son projet « Show and Tell ».

Comme on peut le lire dans le blog de l'IEBS School (Innovation and Entrepreneurs Businesses School), ce projet qui utilise le Big Data « emploie le système de reconnaissance TensorFlow disposant d'un moteur d'une précision de 93,9%, montre dans un texte court ce qui se passe dans l'image: non seulement à qui un visage appartient, mais également enseigne les détails d'une photo, tels que le lieu, l'environnement, les personnes, etc. ».

Google fait également face à l'un des grands défis du Deep Learning: obtenir des traductions en ligne aussi proches que possible de l'excellence. Les services de traduction virtuelle utilisent cette forme d'Intelligence Artificielle afin de ne plus faire d'erreurs, grâce aux corrections de certaines traductions, et offrir aux utilisateurs la meilleure option pour leurs futures requêtes.
Vous allez retrouvez ci-dessous toutes les pages qui regroupent les modèles de lettres de motivation selon votre secteur, emploi ou formation :