L’intelligence artificielle (IA) est omniprésente de nos jours, mais comprendre les bases de cette technologie influente peut être complexe. Deux des domaines les plus importants dans le développement de l’IA sont le « machine learning » (apprentissage automatique). Et son sous-domaine, le « deep learning » (apprentissage profond). Bien que ces termes soient parfois utilisés de manière interchangeable, ils désignent des concepts différents. Voici une explication rapide de ces deux disciplines importantes et de leur contribution à l’évolution de l’automatisation.
D’abord, qu’est-ce que l’IA ?
Les défenseurs de l’intelligence artificielle espèrent créer un jour une machine capable de « penser » par elle-même.
Le cerveau humain est un instrument magnifique, capable de réaliser des calculs qui dépassent de loin les capacités de toute machine existante. Cependant, les ingénieurs en IA espèrent finalement créer une machine qui puisse non seulement effectuer toutes les tâches intellectuelles qu’un humain peut accomplir, mais aussi les surpasser.
Actuellement, les applications de l’IA dans les affaires et le gouvernement se limitent largement à des algorithmes prédictifs. Du type qui suggère votre prochaine chanson sur Spotify ou vous propose un produit similaire à celui que vous avez acheté la semaine dernière sur Amazon.
Cependant, les évangélistes de l’IA croient que la technologie pourra, à terme, raisonner et prendre des décisions beaucoup plus complexes. C’est là que le machine learning et le deep learning entrent en jeu.
Comprendre le Machine Learning
Le Machine Learning, ou apprentissage automatique, est une catégorie large de l’intelligence artificielle qui se réfère au processus par lequel les programmes logiciels sont « enseignés » à faire des prédictions ou à prendre des « décisions ».
Un ingénieur d’IBM, Jeff Crume, décrit le Machine Learning comme une « forme très sophistiquée d’analyse statistique ». Selon Crume, cette analyse permet aux machines de faire des « prédictions ou des décisions basées sur des données ». Plus le système reçoit d’informations, plus il est capable de fournir des prédictions précises.
Contrairement à la programmation générale où une machine est conçue pour accomplir une tâche très spécifique. Le machine learning repose sur l’entraînement d’un algorithme à identifier des motifs dans les données par lui-même. L’apprentissage automatique englobe une grande variété d’activités.
Comprendre le Deep Learning
Le Deep Learning est un sous-domaine du Machine Learning qui se concentre sur l’enseignement aux algorithmes de « penser ».
Contrairement à certaines autres formes de Machine Learning, le Deep Learning permet aux algorithmes de faire une grande partie de leur travail de manière autonome.
Les modèles mathématiques appelés réseaux de neurones artificiels (ANNs) alimentent le Deep Learning. Ces réseaux cherchent à imiter les processus qui se produisent naturellement dans le cerveau humain — comme la prise de décision et l’identification de motifs.
Différence clé entre Machine Learning et Deep Learning
Une des principales différences entre le Deep Learning et les autres formes de Machine Learning est le niveau de « supervision » qu’une machine reçoit.
Dans les formes moins complexes de Machine Learning, l’ordinateur est souvent engagé dans un apprentissage supervisé. Un processus où un humain aide la machine à reconnaître des motifs dans des données structurées et étiquetées. Améliorant ainsi sa capacité à réaliser des analyses prédictives.
Le Machine Learning repose sur de grandes quantités de « données d’entraînement ». Ces données sont souvent compilées par des humains via l’étiquetage des données. Grâce à ce processus, les ingénieurs construisent un ensemble de données d’entraînement, qu’ils peuvent ensuite alimenter dans l’algorithme d’IA et utiliser pour lui apprendre à identifier des motifs.
Par exemple, si une entreprise veut entraîner un algorithme à reconnaître une marque spécifique de voiture dans des photos, elle alimentera l’algorithme avec de grandes quantités de photos de ce modèle de voiture, étiquetées manuellement par le personnel.
En revanche, le Deep Learning engage une machine dans un processus appelé « apprentissage non supervisé ». L’apprentissage non supervisé implique qu’une machine utilise son réseau de neurones pour identifier des motifs dans ce qu’on appelle des données non structurées ou « brutes ». Des données que personne n’a encore étiquetées ou organisées dans une base de données.
Les entreprises peuvent utiliser des algorithmes automatisés pour trier des quantités massives de données non organisées, évitant ainsi une grande partie du travail humain.
Le fonctionnement des réseaux de neurones
Les réseaux de neurones artificiels (ANNs) sont composés de ce qu’on appelle des « nœuds ».
Selon le MIT, un ANN peut avoir « des milliers ou même des millions » de nœuds. Ces nœuds relaient et traitent des informations de manière similaire aux neurones dans le cerveau humain.
Dans un réseau de neurones, les nœuds sont organisés en couches. Les réseaux d’apprentissage profond impliquent donc plusieurs couches de nœuds. Les informations circulent à travers le réseau et interagissent avec ses différents environnements. Ce qui contribue au processus de prise de décision de la machine lorsqu’elle est soumise à une sollicitation humaine.
Un autre concept clé dans les ANNs est le « poids », que certains comparent aux synapses dans un cerveau humain. Les valeurs numériques que représentent les poids se distribuent dans le réseau de neurones d’une IA et aident à déterminer le résultat final du système d’IA. Les poids sont des entrées informatives qui aident à calibrer un réseau de neurones pour qu’il puisse prendre des décisions.
En résumé, les réseaux de neurones sont structurés pour aider un algorithme à tirer ses propres conclusions à partir des données qui lui sont fournies. En fonction de sa programmation, l’algorithme peut identifier des connexions utiles dans de grandes quantités de données. Aidant les humains à tirer leurs propres conclusions basées sur son analyse.