Les applications du Deep Learning
Méthode d’apprentissage en Intelligence Artificielle, le Deep Learning est une technologie qui fait beaucoup parler d’elle ses derniers temps. Elle a investi progressivement un bon nombre de corps de métier, et fait maintenant partie des outils utilisés par les professionnels de divers milieux. Nous avons concocté pour vous une photographie des applications du Deep Learning dans divers secteurs.
Reconnaissance d'image
Diagnostic médical
L’utilisation de l’Intelligence Artificielle dans le domaine médical est progressivement en train de se démocratiser. La technologie est utilisée principalement pour reconnaître des maladies à travers des images de scanner. Aujourd’hui, certaines maladies sont presque indétectables par les médecins, ou demandent de nombreuses analyses et recherches avant de pouvoir lancer des soins appropriés. Avec la reconnaissance d’image, l’IA peut repérer des signes de maladies plus rapidement que les médecins. Cela permet de détecter beaucoup plus tôt des maladies rares ou des maladies graves. Par exemple, en cardiologie, les IA basées sur le Deep Learning peuvent détecter les maladies cardio-vasculaire grâce à une combinaison d’analyse de flux sanguin, de visualisation scanner et de connaissances acquises en pathologies vasculaires.
Personnalisation et détection
Le géant Facebook a développé une IA capable de détecter le contenu des images et vidéos postées sur les réseaux sociaux qu’il détient. Ainsi, il est possible de personnaliser les contenus qui apparaissent sur les murs Facebook des utilisateurs du réseau, en leur proposant des éléments liés à leurs centres d’intérêts par exemple. Cette IA permet également la prévention de contenus qui ne respectent pas la charte d’utilisation du réseau.
Reconnaissance vocale et chatbots
Depuis 2015, nous avons vu arriver dans nos foyers les biens connus assistants vocaux. Ils font partie de notre quotidien et nous assistent dans des tâches jusqu’à présent simples telles que mettre de la musique ou fermer les volets. Il est de même possible d’échanger avec l’assistant vocal. Ces conversations se font par le biais de la technologie du Deep Learning.
Analyses prédictives
On va ici utiliser l’Intelligence Artificielle en analysant des milliers de données (Big Data). Ces données seront combinées à des statistiques pour tirer des prédictions des événements à venir les plus probables en fonction des paramètres indiqués.
Jeux
En 1996, l’Intelligence Artificielle battait déjà Garry Kasparov, six fois champion du monde au jeu d’échec. L’IA a depuis longtemps investi dans le milieu des jeux, en passant par le jeu de GO jusqu’à aujourd’hui dans des jeux vidéo tel que Starcraft II, où les IA y battent les meilleurs joueurs.
Marketing
Les analyses prédictives sont de plus en plus utilisées en marketing, par le biais de la suggestion de contenu selon notre profil de consommateurs. On retrouve ce genre d’initiatives sur certains sites internet e-commerce, où l’on peut voir des suggestions de produits se basant sur nos intérêts et comportements. C’est aussi le modèle économique sur lequels sont basés certains sites de vidéos, qui proposent du contenu selon les préférences de consommation.
Prédiction financière et trading automatique
Chez Robank Hood, nous avons aussi pris le pas du Deep Learning, et nous l’avons appliqué au trading dans le but d’améliorer les performances financières et réduire les risques liés à l’activité des traders, tant au niveau du risque financier qu’au niveau du risque émotionnel encouru par les traders.
Le Deep Learning est une technologie très prometteuse, qui a envahis l’ensemble de ses secteurs en l’espace de quelques mois. Elle promet des améliorations de conditions de travail, facilitation des tâches à réaliser et un apport d’expertise et de précision dans ses domaines d’application. On lui prédit un avenir glorieux !
Le mot de l'expert
Peut-on tout à apprendre à une Intelligence Artificielle basée sur la technologie du Deep Learning ?
« Le Deep Learning peut s’appliquer à tout type de données : de l’imagerie au langage naturel en passant par les séries temporelles. Il s’applique donc à tout domaine et tout usage.
En revanche, de part ses performances et de son aspect « boite noire », il peut s’apparenter à une solution magique qui superforme toutes les compétences humaines.
Et cela nous amène à un deuxième point, le Deep Learning se rapproche plus à une optimisation probabilistique qu’à une méthode déductive de causalité. De fait, il est en l’état impossible de demander au Deep Learning de trouver des déductions raisonnées sans intervention humaine. Afin d’obtenir une IA qui se rapproche de notre vision parcourue par la science fiction, il lui manque la notion du sens commun : les déductions que nous réalisons tous les jours en observant simplement notre environnement. »
Christophe Renaudineau, CEO de Robank Hood
