Le Deep Learning (ou « apprentissage profond ») est un sous-domaine du Machine Learning, lui-même faisant partie de la grande famille de l’intelligence artificielle. Il correspond à toutes les techniques de réseaux de neurones artificiels. Pour fonctionner de façon optimale, le Deep Learning a besoin d’une quantité importante de données. Découvrez sa définition et ses applications.
Qu’est-ce que le Deep Learning ?
Le Deep Learning est une catégorie d’intelligence artificielle qui exploite des réseaux de neurones artificiels, inspirés directement du fonctionnement des neurones humains, pour assimiler de nouvelles connaissances. Ces réseaux sont constitués de plusieurs couches de neurones artificiels connectés entre eux. Plus le nombre de couches est élevé, plus le réseau est « profond » et puissant.
Quelle est la différence entre le Deep learning et le Machine Learning ?
Contrairement au Machine Learning, qui se repose le plus souvent sur la création manuelle, par le data scientist, de variables explicatives, cette tâche est réalisée automatiquement par l’algorithme en fonction des données d’entraînement dans le cas des réseaux de neurones, car chaque couche peut générer des variables plus avancées, se reposant sur celle de la couche précédente. On peut donc les considérer comme des « générateurs hiérarchiques de variables ».
La conséquence directe est que la quantité de données nécessaires à l’algorithme pour le Deep Learning est bien plus importante que pour le Machine Learning. Autre conséquence : il est pratiquement impossible pour le cerveau humain de comprendre le « raisonnement » d’un algorithme de Deep Learning. Pourtant, les résultats obtenus sur-performent ceux des humains en majorité.
Comment ça fonctionne ?
Un algorithme de Deep Learning est constitué de réseaux de neurones artificiels, aussi appelés « perceptrons ». Chaque perceptron reçoit des données et réalise une série d’opérations basiques, dont le résultat est ensuite transformé par une fonction non linéaire qu’on appelle « fonction d’activation ». Dit simplement, cette fonction change la perception d’une donnée. Par exemple, 10 % des clients achètent une célèbre marque de pâte à tartiner chaque semaine, sera changé en 10 % des clients aiment le chocolat.
Le résultat final d’un neurone est donc la somme des données d’entrées pondérées par leurs poids, soumis à la fonction d’activation dudit neurone. Le résultat prédit est comparé avec le résultat obtenu. En cas de différence, l’erreur est rétro-propagée au perceptron pour lui permettre d’ajuster ses poids.
Chaque couche de neurones est constituée de perceptrons en parallèle, qui se transmettent les résultats des calculs. Ces résultats se propagent d’une couche à l’autre jusqu’à la couche finale, qui réalise les prédictions.
Quelles applications du Deep Learning ?
Si des algorithmes de Deep Learning existent depuis les années 1950, l’augmentation considérable de données disponibles (le big data), l’explosion des capacités de calculs disponibles des ordinateurs et le développement de nouveaux algorithmes toujours plus performants leur ont permis de devenir plus performants et de s’imposer dans de nombreux domaines, du numérique à la santé, en passant par la banque et l’assurance. Le Deep Learning est désormais utilisé par des entreprises de toutes les industries, pour une multitude d’applications. Qui plus est, le Cloud Computing démocratise son accessibilité.
C’est également une technologie prioritaire aux yeux de l’État, qui -cela avait été particulièrement médiatisé- a lancé une stratégie ambitieuse en faveur de l’intelligence artificielle, englobant le Deep Learning.
Applications dans le digital
Le Deep Learning s’applique à de nombreux domaines et secteurs des technologies et du numérique, notamment :
- L’analyse de texte (Natural Language Processing) – pour extraire le sens des mots et des phrases, faire de la traduction automatique, générer automatiquement des devis et factures, faire fonctionner des chatbots…
- L’optimisation des ressources humaines grâce à l’analyse prédictive de la demande ;
- L’assistance de métiers support tels que la comptabilité et la gestion, grâce à une meilleure connaissance et analyse des règles fiscales et comptables changeantes ;
- La sécurité et la détection de fraudes ;
- La reconnaissance vocale – utilisée pour les outils d’assistance virtuelle comme Siri ou OK Google ou pour améliorer le support client par téléphone.
Bénéfices pour les métiers de gestion
Avec l’augmentation des données nativement numériques, de nombreuses activités relatives à la gestion des entreprises vont bénéficier du développement du Deep Learning. Grâce à l’émergence de ces « cerveaux de silicium », les métiers tels que la comptabilité, la gestion des ressources humaines, la gestion commerciale ou encore la facturation vont bénéficier d’une aide précieuse pour réaliser leurs tâches de manière plus performante et mieux prendre en compte la complexité croissante des règles comptables, fiscales et autres règlementations en tout genre.
L’évolution du Deep Learning
- En 2012, la compétition ImageNet, qui compare chaque année les solutions de classification d’images des plus grands laboratoires de Computer Vision, voit pour la première fois de son histoire un algorithme de Deep Learning s’imposer, en réduisant de moitié le taux d’erreur. C’est le début d’une ère nouvelle pour le Deep Learning.
- En 2016, nouvelle victoire de l’IA sur l’humain : le système AlphaGo, développé par Google DeepMind, bat Lee Sedol, champion du monde de jeu de Go. Le Deep Learning investit également le domaine des jeux vidéos, avec notamment DeepMind AlphaStar sur Starcraft.
- En 2017, Google développe un nouvel algorithme de Deep Learning pour améliorer les performances de leur traduction automatique. Son efficacité est telle que de nombreux groupes de chercheurs décident d’appliquer une architecture similaire pour résoudre d’autres tâches de Natural Language Processing, avec succès.
- Aujourd’hui, Google utilise une version personnalisée de cet algorithme pour améliorer les résultats de son moteur de recherche.
