Deep learning : à quoi ça sert ?

Deep learning : à quoi ça sert ?

Table des matières

Le Deep Learning ou Apprentissage Profond est l’une des technologies principales du Machine Learning qui s’inspire du fonctionnement du cerveau humain — et de ses réseaux de neurones — pour analyser, apprendre et accomplir certaines tâches ou certains calculs très complexes à partir de gros volumes de données.
Dans cet article, découvrez ce qu’est le Deep Learning et comment des applications et des services que nous utilisons tous au quotidien comme Google Maps, Skype, Google Trad ou encore Facebook mettent à profit cette forme d’intelligence artificielle pour offrir un service de meilleure qualité à leurs utilisateurs.



Les concepts clés de l’intelligence artificielle


L’intelligence artificielle est devenue une thématique très à la mode. Revenons brièvement sur quelques concepts clés pour ne pas tout mélanger.
L’intelligence artificielle, c’est un champ de recherche qui s’intéresse à la compréhension et à la reproduction du fonctionnement du cerveau humain par les machines.


Le Machine Learning, c’est l’ensemble des techniques donnant la possibilité aux machines d’apprendre de manière automatique à partir de gros volumes de données sans avoir été programmées à cet effet.


Le Deep Learning, quant à lui, est une technique de Machine Learning qui repose sur les modèles de réseau de neurones, mais ceux-ci sont artificiels cette fois. Il s’agit donc pour la machine d’imiter la manière dont les humains acquièrent certaines connaissances.
L’Apprentissage Profond se base sur des dizaines, voire des centaines de couches (ou layers en anglais) de neurones qui, tour à tour, reçoivent et interprètent les informations de la couche précédente.
Dans sa forme la plus simple, on pourrait dire que le Deep Learning est une technologie qui vise à automatiser l’analyse prédictive à grande échelle.



Comment fonctionne le Deep Learning ?


Alors que les algorithmes de Machine Learning traditionnels sont linéaires, les algorithmes de Deep Learning sont empilés dans une hiérarchie de complexité et d’abstraction croissantes.



Un exemple pour comprendre le Deep Learning


Pour comprendre le Deep Learning, imaginez un jeune enfant qui fait la découverte et l’apprentissage du mot « oiseau ». Il apprend ce qu’est un oiseau — et ce qu’il n’est pas — en regardant des objets et en prononçant le mot « oiseau ». Le parent dit « Oui, c’est un oiseau » ou « Non, ce n’est pas un oiseau ». En continuant à montrer des objets au jeune enfant, le parent fait prendre conscience à celui-ci des caractéristiques que possèdent tous les oiseaux.
Ce que le jeune enfant fait, sans le savoir, c’est clarifier une abstraction complexe — le concept d’oiseau — en construisant une hiérarchie dans laquelle chaque niveau d’abstraction est créé grâce aux connaissances acquises dans la couche précédente de la hiérarchie.


Apprentissage hiérarchisé et couches de neurones


Les programmes informatiques qui utilisent le Deep Learning suivent à peu près le même processus que le petit enfant qui a appris à identifier un oiseau. Chaque algorithme applique une transformation non linéaire en entrée et utilise ce qu’il apprend pour créer un modèle statistique en sortie.
Les itérations se poursuivent jusqu’à ce que l’information de sortie ait atteint un niveau de précision acceptable. Le nombre de couches de traitement par lesquelles les données doivent passer est ce qui a inspiré l’utilisation du vocable Deep.
Du fait de sa capacité à traiter un grand nombre d’informations en très peu de temps, le Deep Learning surpasse parfois les capacités cognitives de l’homme.



Deep Learning : à quoi ça sert ?


Sans que nous en ayons toujours conscience, le Deep Learning fait déjà partie de notre vie quotidienne. La plupart du temps, il est si bien intégré aux services que nous utilisons que nous ne nous rendons pas du tout compte de la complexité de la technologie employée pour nous permettre d’effectuer certaines tâches.
Voici quelques exemples.



Détection des fraudes et réduction de la criminalité


Les algorithmes de Deep Learning peuvent scanner les transactions bancaires pour identifier des patterns potentiellement dangereux qui sont les signes d’une tentative de fraude ou d’arnaque.
La reconnaissance vocale, la catégorisation d’images ou de vidéos à grande échelle permet également d’identifier des comportements suspects, rassembler des preuves ou déclencher une intervention pour venir en aide à une victime.


Finance et Deep Learning


Les institutions financières se servent bien sûr du Deep Learning pour faire de l’analyse prédictive à grande échelle. Elles espèrent ainsi réduire le facteur risque tout en faisant de meilleurs choix d’investissements.


Le Deep Learning leur vient aussi en aide pour détecter le risque de défaut client ou la fraude notamment dans tous les processus liés à l’octroi de crédits bancaires.



Customer service


Beaucoup d’entreprises intègrent le Deep Learning à leurs process de service client. Les chatbots sont le parfait exemple d’une utilisation directe de l’intelligence artificielle. Au fur et à mesure que le robot interagit avec les clients, il va pouvoir proposer des réponses de plus en plus précises et nuancées.
Les chatbots les plus évolués sont même aujourd’hui capables d’envisager plusieurs réponses possibles à une question complexe. En cas de difficulté, le chatbot peut décider tout seul de rediriger l’internaute vers un humain.
Les assistants virtuels comme Siri d’Apple ou Alexa d’Amazon sont des technologies qui s’inspirent de l’idée du chatbot en lui ajoutant la reconnaissance vocale. L’idée est ici de créer un lien émotionnel entre l’utilisateur et la machine. Ce qui n’est d’ailleurs pas sans faire penser à des films d’anticipation comme Ex Machina ou Her dont les scénarii sont basés sur la relation ambigüe entre les hommes et des machines qui les imitent presque à la perfection.



Deep Learning et secteur de la santé


La recherche médicale a accompli de grandes découvertes grâce au Deep Learning. La reconnaissance d’images — très utilisée par les radiologues — a la capacité d’émettre des diagnostics plus précis que celui de l’homme dans de nombreux cas, car elle puise dans d’immenses volumes de données, réduisant ainsi sa marge d’erreur.
Les chercheurs en cancérologie utilisent également l’Apprentissage Profond pour détecter automatiquement les tumeurs. Des équipes de l’UCLA (Université de Los Angeles) ont par exemple construit un microscope 3.0 qui produit de gros volumes de données utilisées pour entraîner une application de Deep Learning afin d’identifier avec précision les cellules cancéreuses.



Voiture autonome


Les acteurs de l’industrie automobile utilisent aussi le Deep Learning pour détecter automatiquement des objets tels que les panneaux STOP et les feux de signalisation. En outre, l’Apprentissage Profond est utilisé pour détecter les piétons, ce qui contribue à réduire les accidents.



Conclusion


On le voit, les applications du Deep Learning sont presque infinies tant la data est aujourd’hui placée au centre de nos processus de création et de décision.
Récemment, un parti politique progressiste danois a même indiqué être dirigé par une intelligence artificielle. Il s’agit bien sûr d’un acte politique destiné à montrer l’inefficacité de la classe politique au pouvoir. Néanmoins, le programme proposé par ce parti n’est pas dénué de cohérence et se base sur des données économiques et climatiques très précises.


D’ailleurs, il se peut que dans quelques années, des articles tels que celui que vous venez de parcourir soient écrits par un algorithme et pas par un humain. D’ailleurs, êtes-vous certain que ce n’est pas déjà le cas ?