Apprentissage approfondi contre apprentissage automatique

Aux premiers jours des ordinateurs, les scientifiques les utilisaient principalement pour effectuer des opérations mathématiques et logiques simples. Ensuite, les ordinateurs ont lentement évolué pour exécuter des calculs complexes, élaborer des résolutions de problèmes et former l'épine dorsale de l'information du monde. Dépasser le cadre de l'informatique traditionnelle signifiait que l'ordinateur avait besoin d'intelligence.

Des chercheurs et des informaticiens se sont tournés vers l'imitation de l'intelligence humaine. L'intelligence artificielle (IA) est le domaine de l'informatique dédié à la création de systèmes informatiques aussi intelligents que les êtres humains. Les modèles d'IA initiaux étaient des systèmes informatiques qui effectuaient des opérations logiques complexes. Plus tard, des techniques plus avancées ont été développées pour effectuer des tâches plus intelligentes ou « intelligentes ».

Deux des termes les plus utilisés en IA sont l'apprentissage automatique et l'apprentissage en profondeur. Cet article examine les origines de ces deux techniques, les points communs entre elles et les différences.

Apprentissage profond et apprentissage automatique

L'apprentissage automatique et l'apprentissage en profondeur sont des sous-ensembles de l'IA. Entre eux, l'apprentissage en profondeur est le sous-ensemble de l'apprentissage automatique. Cela signifie que tout apprentissage en profondeur est un apprentissage automatique, mais que tout apprentissage automatique n'est pas un apprentissage en profondeur. Pour comprendre les différences entre eux, le terme apprentissage automatique exclut l'apprentissage profond pour le reste de cet article.

Figure 1. Un graphique montrant comment l'IA, l'apprentissage automatique et l'apprentissage en profondeur sont liés les uns aux autres. Image utilisée avec l'aimable autorisation de Avimanyu786

Apprentissage automatique

L'apprentissage automatique analyse une grande quantité de données pour comprendre les caractéristiques d'un ensemble de données d'entraînement. Ce qui a été appris de l'ensemble de données d'apprentissage est appliqué à d'autres ensembles de données pour prendre des décisions « intelligentes ». Les modèles créés avec l'ensemble de données d'apprentissage peuvent fonctionner avec d'autres ensembles de données similaires pour générer la sortie souhaitée.

L'ensemble de données d'apprentissage pour les modèles d'apprentissage automatique doit être étiqueté et les développeurs doivent superviser et ajuster le processus d'apprentissage pendant l'apprentissage du nouveau modèle. En plus de l'informatique de base, les modèles statistiques sont largement utilisés pour l'entraînement des modèles d'apprentissage automatique.

La distinction entre les chats et les chiens est un exemple courant dans l'espace d'apprentissage artificiel. Voici un aperçu de la façon dont les modèles d'apprentissage automatique sont entraînés avec des données.

Le modèle d'entraînement est alimenté par des milliers d'images de chats et de chiens. Chacune de ces images est étiquetée « chat » ou « chien ». Le modèle en formation identifie les caractéristiques des images qui distinguent les chats, les chiens et le reste des objets. Les traits sont identifiés à partir des images à l'aide de techniques statistiques. Une fois que le modèle a été entraîné avec suffisamment de données, il est alimenté par des images non étiquetées. Si le modèle entraîné parvient à distinguer les images de chats et de chiens avec la précision souhaitée, il s'agit d'un modèle d'apprentissage automatique réussi.

Apprentissage approfondi

L'apprentissage profond est l'évolution de l'apprentissage automatique conventionnel. Les humains n'apprennent pas avec des milliers d'exemples étiquetés; ils apprennent automatiquement sans beaucoup d'aide ou de validation externe. L'apprentissage en profondeur rapproche l'apprentissage automatique de ce modèle d'apprentissage intelligent.

Les modèles d'apprentissage en profondeur doivent également être entraînés avec un grand volume de données, mais les modèles ne sont pas entraînés avec des données étiquetées. Toutes les données fournies au modèle d'apprentissage en profondeur ne sont pas étiquetées. Le modèle identifie différents éléments des données pour donner le résultat requis.

Figure 2. Une représentation visuelle des réseaux de neurones utilisés dans l'agriculture.

Les modèles d'apprentissage en profondeur utilisent des systèmes mathématiques complexes appelés réseaux de neurones pour apprendre à partir des données. Il contient plusieurs couches de fonctions mathématiques avec des poids différents. Le « profond » dans le terme d'apprentissage en profondeur provient de ces couches de traitement.

Voyons comment les modèles d'apprentissage en profondeur abordent la distinction entre les chats et les chiens. Un réseau de neurones est alimenté par de nombreuses images non étiquetées de chats et de chiens. Le réseau neuronal doit découvrir qu'il y a deux ensembles d'animaux dans les images, puis identifier comment faire la distinction entre les deux animaux. Aucune donnée étiquetée n'est requise ni aucune supervision de la part des développeurs.

Une fois qu'un modèle est entraîné avec succès, il peut distinguer n'importe quel nombre d'images de chats et de chiens.

Comparer le Machine Learning et le Deep Learning

Le tableau suivant est une comparaison rapide des différences entre l'apprentissage automatique et l'apprentissage en profondeur. Gardez à l'esprit que l'apprentissage en profondeur est exclu du terme apprentissage automatique pour cette comparaison, même si l'apprentissage en profondeur est un sous-ensemble de l'apprentissage automatique.

	Apprentissage automatique	Apprentissage approfondi
Données d'entraînement	Données étiquetées	Données non étiquetées
Surveillance	Apprentissage supervisé	Apprentissage non supervisé
Techniques	Principalement des techniques statistiques	Fonctions mathématiques avancées
Volume de données	Relativement moins de données d'entraînement requises	Un très gros volume de données est nécessaire
Précision	Précision relativement faible	Plus grande précision avec un grand volume de données
Temps de formation	Relativement moins	Temps de formation très élevé

Figure 3. Un tableau comparant l'apprentissage automatique et l'apprentissage en profondeur.

Applications industrielles pour l'apprentissage en profondeur

L'apprentissage automatique et l'apprentissage en profondeur ont tous deux des applications industrielles. L'apprentissage en profondeur peut être utilisé dans toutes les applications qui peuvent être accomplies par l'apprentissage automatique. Mais l'apprentissage en profondeur nécessite plus d'expertise, un volume de données beaucoup plus important, une puissance de calcul plus élevée et du temps. En raison de ces facteurs, le choix entre les deux techniques implique la prise en compte d'une multitude de facteurs.

Lorsqu'une plus grande précision est requise, les modèles d'apprentissage en profondeur sont préférables. Cependant, pour obtenir une plus grande précision avec les modèles d'apprentissage en profondeur, un très grand volume de données doit être traité, impliquant ainsi une période d'apprentissage beaucoup plus longue. Les algorithmes d'apprentissage automatique peuvent être utilisés de manière routinière dans la plupart des cas.

Une autre caractéristique générale à considérer est la complexité du problème. À mesure que la complexité augmente, les modèles d'apprentissage en profondeur fonctionnent mieux que les modèles d'apprentissage automatique. Cependant, il n'y a pas de règle absolue sur l'endroit où utiliser les techniques. Par exemple, l'apprentissage automatique est suffisant pour analyser et prédire la consommation d'énergie dans une usine. Cependant, il ne suffit pas de créer un système de contrôle qualité automatisé. Des algorithmes d'apprentissage en profondeur sont nécessaires dans de tels scénarios.

Aujourd'hui, le machine learning est bien plus accessible que le deep learning, même dans l'industrie. Mais en temps voulu, les modèles d'apprentissage en profondeur s'amélioreront, réduisant les coûts de mise en œuvre et les barrières à l'entrée, ce qui signifie que davantage de puissance de calcul sera disponible à un prix inférieur. L'adoption de l'apprentissage en profondeur dans l'industrie augmentera avec le temps.