L'apprentissage profond et l’apprentissage machine : est-ce la même chose?
Valérie Bécaert Valérie Bécaert
23 août 6 min

L'apprentissage profond et l’apprentissage machine : est-ce la même chose?

Il existe de nombreuses technologies différentes qui entrent dans la vaste catégorie de l’intelligence artificielle. Il existe des types d’IA et, à l’intérieur de ceux-ci, il y a aussi des sous-types – différentes variations avec parfois des distinctions très marquées. L’apprentissage profond et l’apprentissage machine en sont des exemples.

Voyons en quoi ces deux technologies diffèrent.

La technologie peut être entraînée

L’apprentissage machine est né avec l’étude de la « reconnaissance des formes » c’est à dire avec le développement des capacités d’une machine à reconnaître des modèles de données, mais la technologie a évolué bien au-delà de ces frontières depuis lors. Aujourd’hui, elle s’intéresse à la façon dont un algorithme peut apprendre à exécuter une tâche en analysant des données liées à cette tâche. Il apprend constamment à mieux interpréter ces données afin d’être meilleur à effectuer la tâche.

L’idée d’une « machine avec un travail à faire » en est une importante à saisir. Accomplir une tâche, et s’efforcer de le faire plus efficacement, est la base de toute la technologie humaine – depuis que nous avons commencé à faire du feu, commencé à utiliser des outils en pierre et inventé la roue. Et l’intelligence artificielle n’en est que la dernière expression.

Lorsque l’on pense à l’apprentissage machine et à l’IA dans son ensemble, il est utile de s’attarder à la racine slave du mot « robot » : robotnik qui signifie « travailleur ». Une intelligence artificielle fonctionne principalement comme un travailleur, avec une tâche spécifique ou un ensemble de tâches à accomplir et l’impératif de les accomplir aussi bien que possible. De nos jours, une grande partie du développement de l’intelligence artificielle porte sur la façon dont une machine peut apprendre à faire son travail et à continuer d’apprendre à le faire encore mieux.

Apprentissage machine en action

Un exemple simple d’apprentissage machine en action serait de charger une machine de trier des images en deux catégories : par exemple, des photographies de la mer et d’autres de montagnes. L’algorithme d’apprentissage doit commencer avec des données structurées.

Dans ce cas, ce sont des images déjà étiquetées « mer » ou « montagnes » pour qu’il puisse commencer à les distinguer. Une fois qu’il s’est entraîné à utiliser ces données structurées, il peut ensuite continuer à trier le reste des images sans avoir besoin des étiquettes. Il a « appris » à les différencier.

Un niveau de raisonnement plus élevé

L’apprentissage profond (AP) est essentiellement une application très sophistiquée de l’apprentissage machine (AM). Un algorithme d’apprentissage profond apprend automatiquement à extraire une représentation utile des entrées (par exemple pour une image -> l’algorithme choisi automatiquement quelques caractéristiques de celle-ci comme représentation), afin de tirer ses propres conclusions sans l’aide humaine. Alors que pour l’apprentissage machine “régulier”, il faut spécifier manuellement comment cette représentation est extraite.

C’est parce qu’il n’utilise pas seulement un simple algorithme pour prendre une décision comme le fait un apprentissage machine plus simple. Il utilise un réseau neuronal artificiel – une sorte de structure inspirée du cerveau humain, bien qu’actuellement pas aussi complexe – qui consiste essentiellement en de nombreux composants qui traitent les données différemment et les envoient les uns aux autres, avant de parvenir à une décision.

Autrement dit, les modèles d’apprentissage profond sont composés de plusieurs couches de petits modèles (appelés neurones) qui transforment progressivement les données en une représentation qui permet une décision précise.

Comment l’apprentissage profond s’attaque aux tâches

Dans l’exemple de la différenciation entre les images de la mer et celles des montagnes, le réseau neuronal examinerait divers aspects spécifiques des images. Différentes parties du réseau analyseraient chaque photographie, appliqueraient leurs propres critères pour en juger le contenu, tireraient leurs propres conclusions, compareraient ces conclusions (chacune tenant compte des « pensées » des autres dans son raisonnement) et finalement feraient appel à un jugement; mer ou montagne.

Et, bien sûr, parce qu’il s’agit d’une forme d’apprentissage machine, le réseau neuronal se souvient des connaissances qu’il a tirées de chaque processus décisionnel et les applique lors de ses évaluations futures. Il devient de plus en plus intelligent.

Penser comme nous

C’est semblable au fonctionnement du raisonnement humain et à la façon dont notre cerveau analyse les données sensorielles. Nous faisons l’expérience de quelque chose (le voir, l’entendre, etc.) et cela se traduit par des impulsions électriques qui circulent dans le réseau des neurones de notre cerveau, chacun effectuant une étape de notre analyse.

Ce n’est pas une réplique exacte d’un cerveau humain, mais l’idée du réseau neuronal artificiel est un moyen utile de présenter le concept d’apprentissage machine profond et hiérarchique à ceux qui ne connaissent pas l’IA. Et c’est ce qui se rapproche le plus des processus de la pensée biologique complexe.

Machines plus intelligentes

Il y a un dicton populaire de nos jours : « every company is a tech company » (chaque entreprise est une entreprise de technologie). Cela reflète à quel point les technologies comme l’apprentissage profond sont devenues une réalité pour tous les types d’entreprises. Dans le secteur de l’assurance par exemple, l’apprentissage machine peut remplir une série de fonctions précises, allant de la fourniture d’informations sur les besoins des clients à la détection des niveaux tarifaires appropriés et de la fraude.

Par ailleurs, dans le monde financier, les tendances futures du marché peuvent être prédites avec plus de précision que jamais. Dans le domaine des services bancaires aux particuliers, les robots de clavardage alimentés par l’IA peuvent désormais répondre aux demandes des clients avec plus de sophistication, ce qui réduit la charge de travail du service d’assistance et augmente la satisfaction des clients.

L’avenir de l’apprentissage machine

L’apprentissage profond apporte un nouveau niveau d’avancement dans le domaine de l’intelligence artificielle. Alors que les méthodes plus simple d’apprentissage automatique se résument en fin de compte à « imiter comme de petits singes », le raisonnement plus complexe de l’apprentissage profond est un pas de plus vers le but ultime de l’IA : des machines avec une capacité mentale égale ou supérieure à celle d’un humain. Et avec les bonds en avant que constitue l’apprentissage profond, cela ne semble pas très loin, mais ne soyez pas inquiets, ils nous reste encore beaucoup à comprendre et découvrir avant qu’une machine de silicone surpasse réellement la machine de carbone.