Le Deep Learning contribue grandement aux progrès technologiques de notre époque. Il a déjà contribué à des progrès considérables dans la reconnaissance vocale, la vision par ordinateur, l’étiquetage d’images, etc. Ses domaines d’application sont nombreux, allant de la sécurité routière à la détection d’une tumeur.
L’intelligence artificielle continue de révolutionner notre quotidien, suscitant parfois méfiance ou enthousiasme. Le Deep Learning constitue le moteur de cette technologie.
Considéré comme un sous-domaine plus avancé du machine learning, il permet aux modèles informatiques d’apprendre comme le ferait un cerveau humain.
Ce mode de fonctionnement repose sur les réseaux neuronaux artificiels qui traitent une grande quantité de données.
Qu’est ce que le Deep Learning ?
Le Deep Learning est un sous-domaine de l’apprentissage automatique.
Un modèle d’apprentissage profond imite l’intelligence humaine dans le traitement des données via un réseau neuronal.
Il est capable de raisonner comme un être humain pour interpréter des situations complexes et faire des associations. Il peut ainsi reconnaître une voix, créer une illustration à partir d’une simple commande, conduire une voiture, etc.
Un modèle informatique classique s’appuie sur des données d’entrée pour fournir des résultats précis.
De son côté, le Deep Learning peut produire des résultats pertinents, même à partir de données arbitraires.
Prenons l’exemple de deux photos. Un programme traditionnel va trancher si elles sont identiques ou pas. C’est tout. Le Deep Learning va mettre en avant les similitudes entre les deux mêmes si elles sont différentes.
Le Deep Learning évolue rapidement grâce à une augmentation constante de la puissance de calcul et l’ampleur des données d’entraînement.
Aujourd’hui, les prestataires de cloud computing proposent un service basé sur GPU.
De leur côté, les fournisseurs de données d’entraînement se multiplient. Parmi les acteurs les plus connus, il y a Nexdata qui propose près de 2 milliards de données de traitement du langage naturel (TALN).
Zebra Technologies détient une vaste base de données spécialisée pour le diagnostic par imagerie médicale.
De son côté, Soundsmap dispose d’une bibliothèque de milliers d’effets sonores destinés à la génération de voix-off.
Qu’est-ce qu’un réseau neuronal ?
Considérons le réseau neuronal comme une équipe qui travaille pour résoudre un problème. Chaque membre contribue selon leurs aptitudes pour traiter un aspect de ce problème. Lorsqu’un membre accomplit sa part, il passe la barre à un autre membre. Ensemble, l’équipe va trouver une solution globale.
L’apprentissage automatique s’appuie sur un réseau neuronal formé de plusieurs nœuds. Chaque nœud est associé à une unité de traitement qui transmet à un autre ensuite.
Ces nœuds sont répartis en trois couches :
- Couche d’entrée : considérée comme la porte d’entrée des données,
- Couches cachées : celles qui traitent les données et les transportent ensuite vers d’autres couches,
- Couche de sortie : chargée du résultat final.
Le réseau neuronal n’est pas un concept nouveau.
Dès 1943, Pitts et McCulloch publient un article parlant de leur premier modèle.
Le Deep Learning moderne utilise trois couches, voire plus, puisque les cachées peuvent être nombreuses. Il dispose aussi d’un volume de données plus grand et d’une puissance de calcul supérieure.
Cela a largement contribué au développement de l’IA ces dernières années.
Quelle différence avec le machine learning ?
On peut considérer le Deep Learning comme un sous-ensemble du machine learning. Dans les deux cas, un programme informatique apprend de manière autonome, sans intervention humaine et sans instructions.
Par contre, les différences se situent au niveau des données d’entraînement. Le Deep Learning peut traiter plus d’un million d’unités de données.
Par conséquent, il a besoin d’appareils puissants, c’est-à-dire avec GPU. Vous comprenez maintenant pourquoi Nvidia est devenu un acteur incontournable de l’IA : en vendant ses GPU.
Des données de grande quantité signifient un temps d’exécution plus long. L’apprentissage profond a besoin de plusieurs semaines, voire des mois pour faire ses calculs.
Pour les experts de l’IA, le choix entre le machine learning et le Deep Learning dépend donc des données. Avec des données structurées, comme une base sur Excel, ils privilégient l’apprentissage automatique.
Pour des données non structurées comme des sons, de la musique, des images, ils privilégient le Deep Learning.
Les domaines dans lesquels le Deep Learning joue un rôle clé
La plupart des technologies d’IA reposent aujourd’hui sur le Deep Learning.
Voici quelques exemples :
La reconnaissance vocale
Le TALN (traitement du langage naturel et reconnaissance vocale) associe l’apprentissage automatique à la modélisation du langage humain et d’autres modèles statistiques.
La reconnaissance vocale est omniprésente chez les appareils numériques, notamment les smartphones.
Elle permet de comprendre la parole, générer du texte, répondre à des commandes vocales ou écrites, traduire une langue, reconnaître la voix d’un utilisateur, etc.
Chez les smartphones Samsung par exemple, l’assistant vocal IA s’appelle Bixby tandis que son concurrent Apple utilise Siri.
Le service client
D’après l’Observatoire des services clients, près de 78% des consommateurs français ont déjà contacté le service client au moins une fois en un an.
Face au flot d’appels et de prises de contact, les chatbots allègent le travail des êtres humains.
Il y a les chatbots classiques qui s’appuient sur le langage naturel pour répondre à des questions simples. Les plus sophistiqués intègrent le Deep Learning pour traiter des questions plus complexes en temps réel.
En fonction de la question et du retour du client, le chatbot décide d’y répondre ou de le rediriger vers un intervenant humain.
L’IA générative
Connu également sous le diminutif Gen AI, cette catégorie d’IA agit en autonome pour créer des vidéos, des textes, des images, etc. Il répond à la demande d’un utilisateur dans un langage naturel, proche de l’humain.
Les exemples les plus connus sont Gemini et ChatGPT pour la génération de texte, MidJourney et DALL-E pour la création d’images.
L’IA générative repose entièrement sur des modèles de Deep Learning. Ces derniers apprennent à partir de données existantes pour générer un contenu similaire.
Face à l’essor des chatbots comme ChatGPT, il n’est pas étonnant que ce secteur soit en effervescence. D’après une étude révélée par Sopra Steria Next, le marché de l’IA générative représente entre 20 et 25 milliards en 2024 et pourrait dépasser les 100 milliards d’ici 2028.
Le codage
Le codage fait partie des champs d’applications de l’IA générative, et par conséquent du Deep Learning. Les réseaux de neurones sont entraînés sur une vaste bibliothèque de code source. La plupart de ces codes d’entraînement proviennent des projets open source.
Résultat : un développeur peut formuler ses idées via une invite textuelle, l’outil d’IA générative lui propose des lignes de code.
Il gagne du temps considérable en supprimant les tâches répétitives, notamment le codage manuel.
La vision par ordinateur
Ce domaine concerne tout ce qui est détection d’objets, segmentation sémantique, classification d’images. Elle s’appuie sur le Deep Learning pour analyser des données visuelles comme les images et les vidéos pour en tirer des informations pertinentes.
Le champ d’application de la vision par ordinateur est très vaste. Dans le secteur industriel, on l’utilise pour détecter les défauts des actifs de production.
Dans le secteur de l’automobile, il permet déjà de développer la conduite sans conducteur.
La vision par ordinateur intègre également la radiologie pour assister les médecins dans la détection de tumeurs malignes.
