Le Deep learning est un ensemble de méthodes d’apprentissage informatique non supervisé qui permet à un programme d’apprendre par lui-même. Cette technique permet à l’Intelligence Artificielle de devenir totalement experte dans son domaine d’activité. Grâce à cette expertise, elle dépasse le savoir-faire humain dans le domaine dans lequel l’IA a été entraînée. C’est une méthode dérivée du Machine Learning, qui a réellement bouleversée le domaine de l’Intelligence Artificielle depuis la démocratisation et l’intensification des recherches.

Cette technologie a connu un véritable essor à l’ère numérique, notamment avec l’amélioration technologique de la puissance de calcul des ordinateurs ainsi que l’arrivée en masse du Big Data.

L'apprentissage profond - les réseaux de neurones

Le Deep Learning (ou « apprentissage profond », en français) est une méthode d’apprentissage de l’Intelligence Artificielle.

Sa différence avec une Intelligence Artificielle « classique » se trouve au niveau de son architecture. Avec le Deep Learning, l’IA est constituée d’un réseau de neurones, qui fonctionne tel qu’il le fait dans un cerveau humain.

Cette technologie a été inventé et popularisé notamment par le Français Yann LeCun, le Britannique Geoffrey Hinton et le Canadien Yoshua Bengio, s’inspirant notamment des travaux du biologiste Jean Piaget.

Comment fonctionnent les réseaux de neurones ?

Un neurone artificiel va recevoir des signaux électriques. Lorsqu’il en aura reçu suffisamment pour émettre lui-même des signaux, il va alors envoyer des signaux électriques à un autre neurone artificiel. Ainsi, lorsque l’on met bout-à-bout une multitude de neurones, cela forme alors des réseaux de neurones. Cette technologie permet de résoudre des problèmes trop complexes pour le cerveau humain, en un temps infiniment réduit car la transmission d’information d’un neurone à l’autre se compte en quelques millisecondes.

fonctionnement deep learning

Ainsi, l’ensemble des neurones sont en interaction les uns avec les autres, formant des dizaines de « couches » de données et de calculs. C’est pour cela que l’on qualifie cet apprentissage comme étant « profond ». Chacun des neurones effectuent des calculs, qui vont être communiqués aux couches, qui vont elles-mêmes communiquer entre couches et valider ou invalider les résultats qu’elles attendaient en fonction de l’information transmise par les neurones artificiels. Cela va permettre à l’IA de réaliser la mission pour laquelle elle est créée.

À chaque niveau de neurones artificiels, il peut y avoir plusieurs couches. Grâce aux interactions entre les neurones artificiels, l’IA va, au fur et à mesure, approfondir ses connaissances dans un domaine donné. Elle devient alors experte, car elle pourra prendre en compte l’ensemble des paramètres nécessaires à sa compréhension de l’environnement qu’elle étudie.

Le Deep Learning est dans un processus d’auto-apprentissage. Au fur et à mesure de son accès à des milliers de données, il va être capable d’apprendre par lui-même à détecter les éléments qu’il doit connaître ou reconnaître pour réaliser sa mission.

le mot de l'expert

Où réside la force de la technologie du Deep Learning ?

« Le Deep Learning a permis de réaliser un véritable boost dans la communauté de l’Intelligence Artificielle. Et cette explosion d’intérêt au Deep Learning réside en 3 points majeurs :

Cette technologie n’est pas nouvelle, et existe depuis de nombreuses années, mais a souvent été dénigré. Il aura fallu attendre les années 2000 pour faire renaître l’intérêt de cette méthode d’apprentissage notamment grâce à l’incroyable croissance de la puissance des ordinateurs, et plus particulièrement celle des cartes graphiques, qui aujourd’hui sont des véritables ordinateurs a elles toutes seules. Elles procurent ainsi des performances de calcul inégalées. C’est justement grâce à cela que le Deep Learning a pu être ainsi autant démocratisé. Le contructeur NVidia a bien compris ce virage IA, et fait ainsi en sorte que toutes ses productions soient IA Ready avec une suite logicielle (CUDA, cuDNN) dédiée. Ainsi votre PC Gaming a toutes les pré-requis pour réaliser une IA championne de GO ou de Starcraft 2, un véritable pas vers la démocratisation du Deep Learning. 

Le deuxième point important résulte dans l’accessibilité à la connaissance et aux outils liés au Deep Learning. Google en tête publie son Framework maison de Deep Learning en Open Source : Tensorflow, permettant à tous les développeurs d’avoir accès aux dernières avancées de Deep Learning, gratuitement. La communauté scientifique est également une véritable base de connaissance et d’accès à ces outils de pointes, notamment grâce à la mise à disposition du Framework Caffe, spécialisé dans la reconnaissance d’images. Il détient des réseaux de neurones pré-entrâiné, permettant le portage beaucoup plus simplement et avec une performance accrue. En parallèle de nombreux projets, open source pour la plupart, voient le jour et permettent d’agrandir significativement la communauté Deep Learning.

Enfin, l’intérêt du Deep Learning résulte de ces résultats remarquables : d’une IA championne de GO à, cette année encore, une IA championne de Poker. Cette technologie démontre régulièrement qu’elle est la plus adaptée pour surpasser les compétences humaines. Cette performance touche certes à sa puissance de calcul ou à son big data, mais ce qui la rend si différenciante est bien sa capacité à se rapprocher le plus possible du caractère intuitif de l’Intelligence. » 

Christophe Renaudineau, CEO de Robank Hood

Catégories : Non classé