Technique

Qu’est-ce que l’apprentissage profond (ou deep learning) ?

Le deep learning est une méthode d’apprentissage associée à l’intelligence artificielle. Elle est une sous-catégorie plus avancée du machine learning

L’IA qui fonctionne par deep learning s’appuie sur un réseau de « neurones artificiels » (des couches d’algorithmes), à l’image de ce que ferait le cerveau humain. Comme pour le machine learning en général, son intention est de permettre à la machine d’apprendre des différentes expériences auxquelles elle est confrontée et d’ainsi améliorer les réponses qu’elle apporte. Mais le deep learning va beaucoup plus loin car son apprentissage se fait par couches neuronales successives. 

En fonction du type de problème que l’on souhaite qu’il résolve, l’architecture de ce réseau neuronal pourra totalement varier : nombre de couches, agencement de chaque couche, nombre de neurones par couche,… Plus le problème sera complexe, plus le nombre de couches nécessaires sera élevé. Il peut varier de dizaines à des milliers de couches pour les IA les plus performantes, comme celles utilisées par des géants comme Google ou Amazon.

Souvent, le deep learning est associé aux données non structurées, c’est-à-dire non classées. Il permet aux intelligences artificielles de travailler avec des données non quantitatives, comme le son, l’image, le texte,… en les classant, en les identifiant…

Pour donner un exemple simple, c’est ce genre de méthodologie qui permet à nos appareils photo de reconnaître les sourires avant une prise de vue ou à Facebook de repérer le visage des personnes en suggérant l’identification d’un utilisateur. Contrairement au cerveau humain, l’IA n’est pas capable de repérer immédiatement le visage de la personne ou son sourire. L’IA de l’appareil photo et celle de Facebook doivent donc d’abord décomposer progressivement chacun des pixels de l’image. Chaque couche neuronale, spécialisée dans une tâche, va ensuite petit à petit recomposer l’image et identifier les différentes parties : les oreilles, le nez, la bouche… jusqu’à trouver, en recomposant l’image dans son intégralité et par corrélation avec ce qu’elles ont appris préalablement, où se trouve le visage ou le sourire de l’individu.

Si le deep learning est extrêmement performant, il possède aussi quelques défauts :

• Vu la quantité de couches qui le composent pour être performant et la quantité colossale de données qu’il doit traiter, il demande une puissance de calcul très importante et donc beaucoup d’énergie pour fonctionner. C’est d’ailleurs un enjeu écologique important, de mieux en mieux pris en compte par les développeurs. Il n’est cependant pas nécessaire de disposer soi-même de l’infrastructure informatique nécessaire. Le cloud computing offre une alternative aux petites structures comme les PME.

• Il nécessite un très grand nombre de données pour fonctionner. Plus la tâche demandée sera précise et complexe, plus l’apprentissage devra être important et plus l’IA fonctionnant en deep learning aura besoin de données.

• Vu la multiplicité des couches et la complexité des calculs effectués, il est difficile d’expliquer pourquoi les algorithmes de deep learning ont abouti à un résultat donné. Ce défaut d’explicabilité pourrait potentiellement poser d’importants problèmes légaux et éthiques.

Pour en apprendre plus sur ces derniers, visitez notre page « Les risques et enjeux éthique de l’IA ».

Cliquez sur le micro et énoncez votre question
Chatbot
Visitez notre FAQ pour découvrir la réponse à toutes vos questions.
La fonction vocale n'est pas disponible sur votre navigateur. Veuillez utiliser un navigateur plus récent.