Le deep learning est un système d’intelligence artificielle. Il fonctionne par autoapprentissage. L’objectif du deep learning est qu’un robot ou une machine puisse agir de la même manière qu’un cerveau humain à partir de données collectées et analysées. Cette technologie offre des avantages certains dans plusieurs domaines, notamment le fait qu’elle permette de réduire l’intervention humaine et ainsi, d’économiser du temps et de l’argent.

Définition du deep learn­ing

Le deep learning signifie textuellement “apprentissage profond”. C’est l’une des technologies d’intelligence artificielle. L’in­tel­li­gence arti­fi­cielle est une activ­ité sci­en­tifique qui con­sis­te à faire réalis­er par une machine ou un robot une mission ou une série de tâch­es que l’in­tel­li­gence humaine est capa­ble de faire. 

Quand on parle de deep learning, on utilise également le terme de machine learning (apprentissage automatique). Le deep learning s’inspire en effet du cerveau humain, car il fonctionne avec un réseau de couches de neurones artificiels. À l’image du cerveau humain, chaque couche de neurones artificiels reçoit puis interprète de l’information. En fait, le deep learning est un système d’autoapprentissage.

Fonctionnement du deep learning

La tech­nique du deep learning se base globalement sur des méthodes d’algo­rithmes, des sta­tis­tiques et un niveau d’abstraction structuré pour analyser des informations provenant de diverses bases de don­nées. Pour faire fonctionner une machine avec le système du deep learning, il faut tout d’abord lui fournir un certain nombre de données initiales. Leur traitement conduit la machine à accumuler des expériences qui vont lui permettre de devenir performante. En effet, à chaque traitement d’information, les mauvaises réponses sont supprimées puis renvoyées vers les niveaux en amont pour ajuster le modèle mathématique. Petit à petit, le programme réorganise toutes ces informations dans des blocs plus complexes. 

Le véritable défi des ingénieurs réside donc dans la capac­ité à faire assimiler à des ordi­na­teurs l’intel­li­gence humaine en leur permettant de se cor­riger eux-mêmes et à prendre des décisions de forme autonome.

Domaines d’application

Le deep learning a pour objectif de réduire voire d’éliminer toute intervention humaine dans la réalisation de certaines tâches. Cette tech­nolo­gie est aussi un moyen d’amélior­er la pro­duc­tiv­ité et l’effi­cac­ité de ces tâches. Par conséquent, le deep learning intéresse de plus en plus divers secteurs d’activité.

Il s’agit en plus d’une branche en pleine inno­va­tion et expansion qui profite des nombreux pro­grès sci­en­tifiques impor­tants en la matière. En effet, la mon­tée en puissance de l’automatisation et de la numéri­sa­tion engen­dre des enjeux économiques, soci­aux et com­mer­ci­aux considérables où la cncurrence est rude et l’appétit des gains élevé. 

Le deep learning est aujourd’hui utilisé dans plusieurs domaines, comme :

  • La reconnaissance d'image (reconnaissance faciale sur les photos)  
  • L’assistance vocale (pour étoffer de manière autonome le vocabulaire et renforcer la compréhension du langage) 

  • Les services de traduction (l’apprentissage profond est déjà présent dans certains programmes de traduction automatique)

  • La rédaction de textes (un ordinateur est capable d’utiliser le deep learning pour rédiger un texte grammaticalement et orthographiquement correct qui puisse être aussi fidèle au style d'un auteur)

  • La cybersécurité (les systèmes qui s’appuient sur le deep learning sont particulièrement adaptés à la détection d’anomalies et peuvent repérer d'éventuelles attaques de pirates informatiques) 
  • Les finances (capacité à détecter des irrégularités ou des fraudes lorsqu’il est question de transactions financières) 

  • Le commerce et le marketing (en analysant les données collectées, les systèmes disposant du deep learning peuvent prévoir les comportements permettant d’engendrer des décisions d’achat ou de désabonnement)

  • La conduite autonome (voitures sans conducteur qui reconnaissent les panneaux de signalisation ou qui localisent grâce à des procédés de combinaisons d’algorithmes) 

  • Les robots industriels (la machine observe le comportement d’une personne et le reproduit de forme autonome) 

  • La maintenance (la machine veille à un fonctionnement sans erreur ou à anticiper des interventions de maintenance)

  • La médecine (l’intelligence artificielle permettrait plus de précision qu'un œil humain, de plus, il est possible d’utiliser aujourd’hui des systèmes intelligents pour effectuer des diagnostics médicaux et détecter les maladies en amont, ce qui améliorerait les chances de guérison)

Points forts et faiblesses du processus

Il est souvent dit que le deep learning est l’avenir de l’intelligence artificielle. En effet, dans de nombreuses applications, il permet d’obtenir des résultats nettement meilleurs qu’avec les autres méthodes existantes. L’un des arguments les plus forts repose sur la qualité des résultats obtenus dans les secteurs de la reconnaissance d’image et du traitement du langage parlé. 

  • Liste des points forts :
    • Un constat de meilleurs résultats qu’avec d’autres méthode ou robots
    • Pas de développement manuel ni d’intervention humaine
    • Une éxécution efficace et de qualité de tâches quotidiennes 
    • Un traitement de données non structurées (capacité d’analyse de diverses sources de données)

Malgré certains progrès, il reste cependant difficile de comprendre dans le détail la motivation des décisions prises via le deep learning. Le réseau de neurones artificiels reste une sorte de boîte noire. C’est pourquoi cette technologie ne peut pas être utilisée dans toutes les applications où la traçabilité est un enjeu crucial.

  • Liste des points faibles :
    • Puissance de calcul (maintenance des réseaux de neurones artificiels, traitement d’une masse considérable de données)
    • Longue durée du développement d’algorithmes d’apprentissage
    • Beaucoup de données d’instruction initiales requises 
    • Décisions incompréhensibles
    • Technologie coûteuse

Histoire et évolution vers d’autres technologies

L’expression deep learning est relativement récente mais la méthode et le concept d’utilisation de réseaux de neurones artificiels pour permettre aux ordinateurs de prendre des décisions intelligentes existait auparavant.

En effet, les débuts de la recherche fondamentale datent des années 1940. Le développement de véritables réseaux de neurones artificiels prend forme dans les années 1980. Au cours des années 2000, on voit apparaître le Big data qui vient soutenir des entreprises dans la recherche appliquée du deep learning. Enfin, une base de données regroupant des millions d’images étiquetées en provenance d’internet a été lancée en 2007 et est depuis alimentée.

Certains chercheurs sont cependant convaincus qu’il existe d’autres approches qui permettent de rendre les ordinateurs intelligents. Il s’agit de solutions qui fonctionnent à partir d’un ensemble moindre de données et qui ne sont pas basées sur la structure du cerveau humain. 

Parmi les autres techniques populaires de machine learning, on distingue l’“adaptative boosting” (“AdaBoost”). Cette technique introduite en 2001 par le groupe Mitsubishi Electric Research Laboratories permet de détecter les visages en temps réel sur une image, non pas avec un réseau de neurones interconnectés mais avec un filtre.

Les réseaux de neurones d’apprentissage profond évoluent de jour en jour et contiennent désormais plus de couches. On distingue également de nouveaux réseaux de neurones convolutifs qui ne s’inspirent pas seulement du fonctionnement du cerveau humain, mais aussi du système visuel.

Il y a eu des avancées ces dernières années qui permettent d'apporter une réelle valeur ajoutée, à tel point qu’aujourd’hui, le deep learning fait partie intégrante de notre quotidien. De grands organismes comme Google investissent massivement dans ce secteur pour permettre d’établir un lien avec toute machine connectée.

Dernière mise à jour le 02/09/2020