Deep Learning vs Machine Learning : comprendre les différences clés

Aux débuts de l'informatique, les scientifiques l'utilisaient principalement pour opérations mathématiques et logiques simples. Puis les ordinateurs ont évolué vers calculs complexes, résolution de problèmes élaborés, devenant l'épine dorsale informationnelle du monde. Aller au-delà du calcul traditionnel signifiait que l'ordinateur avait besoin d'intelligence.

Chercheurs et ingénieurs informaticiens se sont tournés vers l'imitation de l'intelligence humaine. L'intelligence artificielle (IA) est le domaine de l'informatique dédié à créer des systèmes aussi intelligents que les humains. Les premiers modèles IA étaient des systèmes effectuant des opérations logiques complexes. Plus tard, techniques plus avancées ont été développées pour tâches plus « intelligentes ».

Deux des termes les plus utilisés en IA sont machine learning et deep learning. Cet article examine leurs origines, points communs, et différences.

Deep Learning et Machine Learning

Machine learning et deep learning sont des sous-ensembles de l'IA. Entre eux, le deep learning est un sous-ensemble du machine learning. Cela signifie : tout deep learning est du machine learning, mais tout machine learning n'est pas du deep learning. Pour comprendre les différences, le terme « machine learning » exclut le deep learning dans la suite de l'article.

Figure 1. Graphique montrant comment IA, machine learning et deep learning s'articulent. Image utilisée avec l'autorisation d'Avimanyu786.

Machine Learning

Le machine learning analyse une grande quantité de données pour comprendre les caractéristiques d'un jeu de données d'entraînement. Ce qui a été appris est appliqué à d'autres jeux de données pour prendre des décisions « intelligentes ». Les modèles créés avec le jeu d'entraînement fonctionnent avec d'autres jeux similaires pour générer la sortie souhaitée.

Le jeu d'entraînement pour modèles machine learning doit être étiqueté, et les développeurs doivent superviser et ajuster le processus d'apprentissage pendant l'entraînement. En plus du calcul de base, les modèles statistiques sont fortement utilisés pour l'entraînement.

Distinguer chats et chiens est un exemple classique. Aperçu de l'entraînement :

Le modèle reçoit des milliers d'images de chats et chiens, chacune étiquetée « chat » ou « chien ». Le modèle identifie des caractéristiques distinctives via techniques statistiques. Une fois entraîné avec suffisamment de données, on lui donne des images non étiquetées. S'il distingue chats et chiens avec la précision souhaitée, c'est un modèle machine learning réussi.

Deep Learning

Le deep learning est l'évolution du machine learning conventionnel. Les humains n'apprennent pas avec des milliers d'exemples étiquetés ; ils apprennent automatiquement sans aide/validation externe. Le deep learning rapproche le machine learning de ce modèle d'apprentissage intelligent.

Les modèles deep learning doivent aussi être entraînés avec gros volumes de données, mais pas avec des données étiquetées. Toutes les données fournies sont non étiquetées. Le modèle identifie lui-même les différents éléments pour donner la sortie requise.

Figure 2. Représentation visuelle de réseaux de neurones utilisés en agriculture.

Les modèles deep learning utilisent des systèmes mathématiques complexes appelés réseaux de neurones pour apprendre des données. Ils contiennent plusieurs couches de fonctions mathématiques avec différents poids. Le « deep » (profond) vient de ces couches de traitement.

Comment le deep learning distingue chats et chiens : un réseau de neurones reçoit de nombreuses images non étiquetées. Il doit comprendre qu'il y a deux ensembles d'animaux et identifier comment les distinguer. Pas de données étiquetées, pas de supervision développeurs.

Une fois entraîné avec succès, il distingue n'importe quel nombre d'images chats/chiens.

Comparaison Machine Learning vs Deep Learning

Tableau comparatif rapide des différences. Rappel : deep learning exclu du terme « machine learning » pour cette comparaison, bien qu'il en soit un sous-ensemble.

	Machine Learning	Deep Learning
Données d'entraînement	Données étiquetées	Données non étiquetées
Supervision	Apprentissage supervisé	Apprentissage non supervisé
Techniques	Principalement techniques statistiques	Fonctions mathématiques avancées
Volume de données	Volume d'entraînement relativement faible requis	Très gros volume de données requis
Précision	Précision relativement faible	Précision plus élevée avec gros volume
Temps d'entraînement	Relativement court	Très long

Figure 3. Tableau comparatif machine learning vs deep learning.

Applications industrielles du Deep Learning

Les deux ont des applications industrielles. Le deep learning peut tout faire ce que fait le machine learning. Mais il demande plus d'expertise, bien plus de données, plus de puissance de calcul, plus de temps. Le choix implique de multiples facteurs.

Quand une précision plus élevée est requise, les modèles deep learning sont préférables. Mais pour l'atteindre, il faut traiter un très gros volume de données → entraînement bien plus long. Les algorithmes machine learning suffisent pour l'usage courant dans la plupart des cas.

Autre caractéristique : la complexité du problème. Plus elle augmente, plus le deep learning surpasse le machine learning. Pas de règle absolue. Exemple : machine learning suffit pour analyser/prédire la consommation d'énergie d'une usine. Mais insuffisant pour un système de contrôle qualité automatisé — là, algorithmes deep learning nécessaires.

Aujourd'hui, le machine learning est bien plus accessible que le deep learning, même dans l'industrie. Mais avec le temps, les modèles deep learning s'amélioreront, réduisant coûts d'implémentation et barrières à l'entrée, plus de puissance de calcul à prix moindre. L'adoption du deep learning dans l'industrie augmentera.