Alors que l'intelligence artificielle (IA) continue de s'implanter dans la vie quotidienne, comprendre toutes les différentes facettes qui créent la technologie peut sembler compliqué.
Pour la plupart des gens, les termes "deep learning" et "machine learning" semblent être des mots à la mode interchangeables dans le monde de l'IA. Cependant, ce n'est pas le cas. Par conséquent, toute personne qui cherche à mieux comprendre le domaine de l'intelligence artificielle devrait commencer par comprendre les termes et leurs différences.
Le deep learning est un sous-ensemble spécialisé du machine learning qui, à son tour, est un sous-ensemble de l'intelligence artificielle. En d'autres termes, le deep learning est du machine learning.
Deep Learning vs. AI
Qu’est ce que l’Intelligence Artificielle ?
L'intelligence artificielle est utilisée pour construire des outils, des agents, des robots qui peuvent prédire le comportement humain. Les voitures de Tesla, Alexa d'Amazon et Siri sont autant d'exemples d'intelligence artificielle. Cette intelligence intégrée dans les machines peut être utilisée pour calculer des prévisions, automatiser des processus et rationaliser la production.
L'intelligence artificielle est souvent divisée en trois grandes catégories :
L'Intelligence Artificielle Faible ou Artificial Narrow Intelligence (ANI) : L'intelligence artificielle faible est conçue pour exécuter des tâches singulières et est orientée vers un objectif. L'intelligence artificielle faible est capable d'accomplir des tâches spécifiques pour lesquelles elle est programmée. Quelques exemples d'intelligence artificielle faible sont les assistants vocaux ou la reconnaissance faciale.
L'Intelligence Artificielle Forte ou Artificial General Intelligence (AGI) : C’est le concept d'une machine dotée d'une intelligence générale qui peut imiter l'intelligence et les comportements humains, avec la capacité d'apprendre à partir de données et d'appliquer son intelligence pour résoudre tout problème. L'intelligence artificielle forte peut penser, comprendre et agir d'une manière quelque peu similaire à celle d'un humain dans une situation donnée.
Un consensus général estime que l'intelligence artificielle forte devrait au moins correspondre à celle d'une fonction cognitive humaine et être capable de :
- Utiliser la raison
- Générer des décisions de bon sens
- Apprendre et planifier
- Communiquer et passer pour un être humain
- Utiliser ces capacités pour atteindre un objectif
La super intelligence artificielle ou Artificial Super Intelligence (ASI) : C’est l'hypothèse dans laquelle les machines peuvent devenir conscientes d'elles-mêmes et dépasser les capacités et l'intelligence humaines. En pratique, nous sommes loin d'atteindre cette forme d'IA dans la vie réelle.
Dans l'état actuel des choses, le machine learning et le deep learning sont encore dans la fourchette de l'intelligence artificielle faible, mais commencent à s'introduire dans l'intelligence artificielle forte.
Qu'est-ce que le Machine Learning ?
Le machine learning est un sous-ensemble de l'IA qui permet à un système d'apprendre à partir de données fournies et d'améliorer le chiffre de sortie qu'il produit. Ce processus évite au programmeur d'avoir à faire des ajustements pour générer un résultat correct à partir du système, ce qui lui permet d'apprendre de manière indépendante.
Ce processus d'apprentissage commence par l'envoi de données et d'instructions spécifiques pour déterminer si des modèles observables peuvent être détectés. Si des schémas et des séquences sont détectés, ces informations sont, dans certains cas, conservées et utilisées pour déterminer la pertinence des nouvelles données qui devraient en être affectées. L'objectif du système est d'apprendre avec un minimum de supervision humaine, si tant est qu'il y en ait une.
Un exemple de traduction automatique serait la façon dont le texte est analysé en séquences de mots ou de phrases clés. Le système utiliserait alors l'analyse sémantique pour reproduire une approche humaniste du déchiffrage de la signification d'un bloc de texte.
Les différentes types de Machine Learning :
Apprentissage Supervisé ou Supervised Learning : Les données sont déjà étiquetées, ce qui signifie qu’on connaît la variable cible. Grâce à cette méthode d'apprentissage, les systèmes peuvent prévoir les résultats futurs en se basant sur les données passées. Elle exige qu'au moins une variable d'entrée et de sortie soit donnée au modèle pour qu'il puisse être formé.
Apprentissage Non Supervisé ou Unsupervised Learning : Les algorithmes de machine learning non supervisés utilisent des données non étiquetées pour découvrir des modèles à partir de ces données. Les systèmes sont capables d'identifier des caractéristiques cachées à partir des données d'entrée fournies. Une fois que les données sont plus lisibles, les modèles et les similitudes deviennent plus évidents.
Apprentissage par Renforcement ou Reinforcement Learning : L'objectif du reinforcement learning est de former un agent à accomplir une tâche dans un environnement incertain. L'agent reçoit des observations et une récompense de l'environnement et envoie des actions à l'environnement. La récompense mesure le degré de réussite de l'action par rapport à l'objectif de la tâche.
Qu'est-ce que le Deep Learning ?
Comparer le deep learning et le machine learning est comme comparer le machine learning à l'IA. Chacun est un sous-ensemble de l'autre. Le deep learning est remarquable parce qu'il s'appuie sur des réseaux de neurones artificiels pour organiser l'information et produire un résultat utilisable. Un réseau neuronal artificiel est un système composé de neurones (nœuds) et de connexions (synapses) pour reproduire la structure d'un cerveau humain.
Ce système reçoit des données, les traite par les neurones et, dans certains programmes, retrace les neurones pour corriger les erreurs éventuelles. Ces neurones conservent les données mnésiques qui sont appliquées à une donnée, lui donnant une valeur pondérée. Si le neurone ajoute suffisamment de poids à l'information pour qu'elle puisse dépasser un seuil prédéfini, elle est transmise au neurone suivant et le processus recommence.
Les différentes types de réseaux en Deep Learning :
Réseau Neuronal Convolutif ou Convolutional Neural Network (CNN) : C’est une classe de réseaux deep learning le plus souvent utilisés pour l'analyse d'images.
Réseau Neuronal Récurrent ou Recurrent Neural Network (RNN) : Il utilise des informations séquentielles pour construire un modèle. Il fonctionne souvent mieux pour les modèles qui doivent mémoriser des données passées.
Réseaux Antagonistes Génératifs ou Generative Adversarial Network (GAN) : Ce sont des architectures algorithmiques qui utilisent deux réseaux de neurones pour créer de nouvelles instances synthétiques de données qui passent pour des données réelles.
Réseau de Croyances Profondes ou Deep Belief Network (DBN) : C’est un modèle graphique génératif composé de plusieurs couches de variables latentes appelées unités cachées. Chaque couche est interconnectée, mais les unités ne le sont pas.
Deep Learning vs. Machine Learning
La différence entre le machine learning et le deep learning ne réside pas tant dans ce qu'ils sont que dans la façon dont ils sont appliqués.
Les premiers modèles de machine learning pourraient s'adapter à de nouvelles tâches étant donné qu'ils sont continuellement alimentés en nouvelles données sous la supervision d'un technicien. Dans la plupart des cas, si un système de machine learning rencontre une erreur ou produit un résultat inexact, il devrait être ajusté manuellement. Grâce au modèle de réseau neuronal artificiel du deep learning, comme les réseaux neuronaux récurrents, il peut déterminer s'il a produit un résultat inexact et procéder à des ajustements par l'intermédiaire de ses neurones.