au sommaire


    Définition simple de Deep Learning : Le deep learning ou apprentissage profond est un type d'intelligence artificielle dérivé du machine learning (apprentissage automatique) où la machine est capable d'apprendre par elle-même, contrairement à la programmation où elle se contente d'exécuter à la lettre des règles prédéterminées.

    Fonctionnement du deep Learning

    Le deep Learning s'appuie sur un réseau de neurones artificiels s'inspirant du cerveaucerveau humain. Ce réseau est composé de dizaines voire de centaines de « couches » de neuronesneurones, chacune recevant et interprétant les informations de la couche précédente. Le système apprendra par exemple à reconnaître les lettres avant de s'attaquer aux mots dans un texte, ou détermine s'il y a un visage sur une photo avant de découvrir de quelle personne il s'agit. 

    À travers un processus d’autoapprentissage, le deep Learning est capable d’identifier un chat sur une photo. À chaque couche du réseau neuronal correspond un aspect particulier de l’image. © MapR, C.D, Futura
    À travers un processus d’autoapprentissage, le deep Learning est capable d’identifier un chat sur une photo. À chaque couche du réseau neuronal correspond un aspect particulier de l’image. © MapR, C.D, Futura

    À chaque étape, les « mauvaises » réponses sont éliminées et renvoyées vers les niveaux en amont pour ajuster le modèle mathématique. Au fur et à mesure, le programme réorganise les informations en blocs plus complexes. Lorsque ce modèle est par la suite appliqué à d'autres cas, il est normalement capable de reconnaître un chat sans que personne ne lui ait jamais indiqué qu'il n'ai jamais appris le concept de chat. Les données de départ sont essentielles : plus le système accumule d'expériences différentes, plus il sera performant.

    Le saviez-vous ?

    S'il est un métier où la nécessité d'expertise en Deep Learning est fondamentale c'est bien celui de data scientist. En effet , il sera attendu de ce spécialiste des données d'utiliser des techniques d'intelligence artificielle pour le Deep Learning. Pour ce faire, le data scientist doit maîtriser des outils de Deep Learning tels que Tensorflow et Keras. Il est possible de se former grâce à des formations en deep learning spécialisées. 

    Applications du deep Learning

    Le deep Learning est utilisé dans de nombreux domaines :

    C'est aussi grâce au deep Learning que l'intelligence artificielle de GoogleGoogle Alpha Go a réussi à battre les meilleurs champions de Go en 2016. Le moteur de recherche du géant américain est lui-même de plus en plus basé sur l'apprentissage par deep Learning plutôt que sur des règles écrites.

    Aujourd'hui le deep Learning est même capable de « créer » tout seul des tableaux de Van Gogh ou de Rembrandt, d'inventer un langage totalement nouveau pour communiquer entre deux machines.

    Le deep learning c’est quoi ?

    Le deep learning ou apprentissage profond est un sous-domaine de l'intelligence artificielle (IA). Ce terme désigne l'ensemble des techniques d'apprentissage automatique (machine learning), autrement dit une forme d'apprentissage fondée sur des approches mathématiques, utilisées pour modéliser des données. Pour mieux comprendre ces techniques, il faut remonter aux origines de l'intelligence artificielle en 1950, année pendant laquelle Alan Turning s'intéresse aux machines capables de penser.

    Cette réflexion va donner naissance au machine learning, une machine qui communique et se comporte en fonction des informations stockées. Le deep learning est un système avancé basé sur le cerveau humain, qui comporte un vaste réseau de neurones artificielsréseau de neurones artificiels. Ces neurones sont interconnectés pour traiter et mémoriser des informations, comparer des problèmes ou situations quelconques avec des situations similaires passées, analyser les solutions et résoudre le problème de la meilleure façon possible.

    Comme chez les êtres humains, le deep learning consiste à apprendre des expériences vécues ou, dans le cas des machines, des informations enregistrées.

    A quoi sert le deep learning ?

    Le deep learning est d'une grande utilité dans l'universunivers des technologies de l'information et de la communication.

    Il est employé dans les systèmes de reconnaissance faciale et vocale qu'embarquent certains smartphones, et en robotique pour que les équipements intelligents puissent avoir la réaction attendue dans une situation donnée (par exemple un réfrigérateur intelligent qui émet un signal d'alarme s'il détecte une porteporte restée ouverte ou une température anormale au sein des compartiments).

    Vous vous demandez comment FacebookFacebook reconnaît vos amis sur les photos que vous publiez ? Vous avez désormais la réponse : deep learning. Les chercheurs, notamment ceux qui étudient et/ou manipulent l'ADNADN, ont recours au deep learning pour effectuer leurs recherches.

    Ces technologies sont aussi présentes dans les systèmes de traduction automatique, dans les voitures et autres véhicules autonomesvéhicules autonomes, en médecine pour établir un diagnosticdiagnostic à partir d'un examen d'imagerie (radio, IRMIRM, scanner), en physiquephysique pour rechercher des particules et dans le domaine artistique pour reproduire une œuvre. 

    Comment fonctionne le deep learning ?

    Comme à l'intérieur du cerveau humain, les signaux voyagent entre les neurones du cerveau artificiel. Le secret de cette prouesse repose en grande partie sur les algorithmes. Dans le cas de la reconnaissance visuelle, pour être performant, l'algorithme du deep learning doit être capable d'identifier toutes les formes existantes et dans tous les angles.

    Ainsi, il sera capable de détecter une voiture sur la route au milieu du paysage. Ceci n'est possible que si la machine a suivi un entraînement poussé. Et ceci passe par la visualisation de milliers de photographiesphotographies sur lesquelles apparaissent une voiture, de toutes les formes et dans tous les angles possibles.

    Lorsque l'image nouvelle apparaît, elle est envoyée au réseau de neurones qui se charge de les analyser et de déterminer si l'objet au milieu du cliché est bel et bien une voiture. La machine a gagné son pari ? Elle garde sa bonne réponse au chaud, car elle l'aidera à résoudre d'autres situations similaires le jour où elle devra reconnaître une autre voiture.

    Cet article contient un contenu partenaire.