Intelligence artificielle vs apprentissage automatique vs apprentissage en profondeur | La différence

Les termes Intelligence Artificielle (IA), Machine Learning (ML) et Deep Learning (DL) sont devenus très courants de nos jours. Ils sont souvent utilisés de manière interchangeable, en particulier lorsqu'il s'agit de Big Data, d'analyse, de recherche et d'indexation. Bien que ces trois termes soient très liés, ce n'est pas la même chose.

Dans l'histoire d'aujourd'hui, nous vous expliquerons ce qu'est exactement l'IA, le ML et le DL, et en quoi ils sont différents les uns des autres. Ne t'inquiète pas; nous n'utiliserons aucun terme scientifique compliqué - nous le garderons court et aussi simple que possible.

Intelligence Artificielle

L'IA est la subdivision informatique, inventée pour la première fois en 1956 par John McCarthy. L'ordinateur effectue généralement des tâches que nous commandons. Cependant, l'IA est un moyen de construire une machine ou un logiciel qui peut penser intelligemment et s'exécuter, tout comme les humains. Cela inclut des choses comme la compréhension du langage, la reconnaissance des sons et des images, l'apprentissage, la planification et la résolution de problèmes.

Par exemple, un programme conventionnel ne peut répondre qu'à des questions spécifiques, mais le programme d'IA peut répondre aux questions génériques.

Il existe quatre types d'IA –

1. Complètement réactif : Type de base, ne peut pas tirer de conclusions. Exemple :AlphaGo de Google, DeepBlue d'IBM
2. Mémoire limitée : Peut prendre les bonnes décisions et entreprendre des actions. Exemple – Chatbots, véhicules autonomes
3. Théorie de l'esprit : Peut comprendre les pensées, les émotions et interagir socialement. — Pas encore construit*
4. Conscience de soi : Peut former des représentations sur lui-même, conscient de son état de soi et peut prédire les sentiments des autres. –Pas encore construit*

*Bien que les troisième et quatrième types de machines n'existent pas vraiment, ils sont démontrés dans des films de science-fiction, tels que R2D2 (type-3) de Star Wars et Eva (type-4) d'Ex Machina.

Apprentissage automatique

Le ML est un sous-ensemble de l'IA qui fournit au système la capacité d'apprendre, d'agir et de s'améliorer à partir de l'expérience sans être explicitement programmé. Ainsi, au lieu d'écrire explicitement toutes les méthodes avec des instructions spécifiques pour accomplir une tâche particulière, le ML est une technique d'entraînement d'un programme afin qu'il puisse apprendre des expériences passées. Ici, la formation fait référence au fait de fournir une grande quantité de données au programme et de permettre au programme de se configurer et de s'améliorer.

Par exemple, si vous fournissez des milliers d'images de chats à l'algorithme ML, il commencera à reconnaître à quoi ressemble un chat - sa taille, sa couleur, la forme de son visage, etc. Finalement, il peut identifier et marquer automatiquement les chats dans les images. Une fois que le niveau de précision est suffisamment élevé, l'algorithme peut dire avec précision à quoi ressemble un chat.

Types d'apprentissage automatique :

1. Supervisé : Permet à la machine d'apprendre de manière explicite via des données avec des sorties définies.
2. Sans surveillance : La machine comprend les données (modèle/structure) et tire des inférences à partir des ensembles de données.
3. Renforcement : Une approche de l'IA, apprenez du renforcement positif et négatif, et récompensez les résultats positifs.

Apprentissage approfondi

L'apprentissage profond est un sous-domaine de l'apprentissage automatique qui traite des algorithmes inspirés de la structure et de la fonction du cerveau humain, ou de l'interconnexion de nombreux neurones. Ces algorithmes sont connus sous le nom de réseaux de neurones artificiels (ANN) qui imitent la structure biologique du cerveau.

Les neurones ont des couches discrètes et des connexions à d'autres neurones. On peut visualiser ces couches comme une hiérarchie imbriquée de concepts ou d'arbres de décision liés. Chaque couche est capable de sélectionner une caractéristique particulière pour apprendre ou suivre un chemin spécifique. La profondeur est construite par plusieurs couches :plus un réseau a de couches, plus il est profond/complexe.

Pour être bien formés, les réseaux d'apprentissage en profondeur nécessitent de grandes quantités d'éléments. Plutôt que d'écrire du code pour chaque bord qui définit les éléments, le système apprend de l'exposition à des millions de points de données.

Le cerveau de Google est un exemple parfait d'apprentissage en profondeur pour reconnaître les chats après avoir pris plus de dix millions d'échantillons d'images. Ces réseaux n'ont pas besoin d'être codés avec des critères spécifiques qui définissent les éléments ; ils peuvent identifier les bords après avoir été exposés à un grand nombre d'échantillons.

En octobre 2017, Jeff Dean, chef de Google Brain, a déclaré lors du VB Summit à Berkeley :

Aujourd'hui, les systèmes de reconnaissance d'images développés sur l'apprentissage en profondeur sont meilleurs que les humains - cela va de la reconnaissance des chats à l'identification des indicateurs de cancer du sang et de tumeurs dans les IRM.

Google AlphaGo s'est entraîné au jeu de Go (beaucoup plus compliqué que les échecs), et il a fait progresser son réseau de neurones en jouant contre lui-même encore et encore. En mars 2016, il est devenu le premier programme informatique à vaincre un joueur de Go humain professionnel.

Lire : 18 meilleurs moteurs d'échecs en fonction de leurs notes

Visualiser AI ML et DL

Crédit image :Nvidia 

La façon la plus simple de penser à la relation IA, ML et DL est de les visualiser comme des cercles concentriques, dans lesquels l'intelligence artificielle vient en premier, puis l'apprentissage automatique et enfin l'apprentissage en profondeur qui est à l'origine de l'explosion actuelle de l'IA.

Du buste au boom

L'intelligence artificielle fait partie de l'imagination humaine et mijote dans les laboratoires de recherche depuis 1956. Nous avons fait plus de progrès en 7 ans depuis 2012 que nous n'en avons fait au cours des 25 années précédentes sur de nombreux problèmes clés de l'IA tels que la sous-estimation du texte, le traitement du signal, la voix et l'image reconnaissance (un travail difficile).

La principale raison de l'explosion de l'IA au cours des dernières années est la grande disponibilité des GPU qui rendent le traitement parallèle encore plus rapide et moins cher. Cela a également à voir avec un stockage pratiquement infini et l'ensemble du mouvement Big Data - texte, image, transactions, etc.

Aujourd'hui, toutes les entreprises géantes de la technologie investissent massivement dans des projets d'IA, et des milliards de personnes interagissent quotidiennement avec les logiciels d'IA via les moteurs de recherche Web, les réseaux sociaux et les plateformes de commerce électronique. Et l'un des types (ou vous pouvez dire le seul) d'IA avec lequel nous interagissons le plus est l'apprentissage automatique.
Selon statista, les revenus mondiaux du marché de l'IA dépasseraient les 59 000 milliards de dollars d'ici 2025.

Lire : 18 faits les plus intéressants sur les ordinateurs quantiques

L'IA est l'avenir, grâce à l'apprentissage en profondeur

L'apprentissage profond a permis plusieurs applications pratiques de l'apprentissage machine, en décomposant les tâches de manière à rendre possibles tous les types d'assistance machine. De meilleures recommandations de produits et suggestions d'histoires, de meilleurs soins de santé préventifs, des véhicules sans conducteur - aujourd'hui, toutes ces choses sont possibles. Avec l'aide du Deep Learning, l'IA peut même atteindre cet état de science-fiction que les humains imaginent depuis longtemps.