Deep Learning expliqué : la clé de l'IA moderne

Le film Total Recall (1990) avec Arnold Schwarzenegger dépeint 2084, près d'un siècle dans le futur. Des voitures autonomes, selon le film. Science-fiction en 1990, réalité aujourd'hui. Apple, Alphabet, Nissan, Uber et bien d'autres travaillent sur voitures autonomes. Tesla vend voitures autonomes fonctionnelles aux consommateurs, qui semblent bien marcher.

Qu'est-ce qui a fait de la science-fiction une réalité en trois décennies ? La réponse : le Deep Learning.

De l'Intelligence Artificielle au Deep Learning

Héphaïstos, dieu grec du feu et métallurgie, créa robots et machines en or. Dès le Turc mécanique (années 1770), humains développent machines imitant l'intelligence humaine. Bien que le Turc fût une supercherie, ordinateurs capables de battre humains apparurent fin 20^e siècle. Tous efforts pour créer systèmes imitant le cerveau humain.

Figure 1. Coupe transversale du Turc. Image utilisée avec l'autorisation de Humboldt University Library.

L'Intelligence Artificielle (IA) désigne tout système informatique cherchant à imiter le cerveau humain. La machine de Turing d'Alan Turing était un système IA primitif utilisant la logique pour atteindre solutions.

Le Machine Learning (ML) est un sous-ensemble de l'IA utilisant modèles pour effectuer tâches. Modèles entraînés avec gros volumes de données. Deep Blue, ordinateur ayant battu champion d'échecs Garry Kasparov en 1997, est exemple de ML.

Le Deep Learning est à nouveau un sous-ensemble du ML où modèles apprennent des données sans supervision humaine. Systèmes deep learning donc capables d'apprentissage non supervisé de données non structurées.

Deep Learning : comment ça marche ?

Le deep learning s'inspire de la structure du cerveau humain : neurones transmettant et traitant l'information. Structures utilisées : réseaux de neurones artificiels (RNA/ANN). Les RNA identifient et classifient information sans supervision humaine, dits capables d'apprentissage non supervisé. Nécessite volume de données bien plus grand que ML conventionnel (apprentissage supervisé).

Les RNA consistent en plusieurs couches : couche d'entrée → couches cachées → couche de sortie. Les couches autres qu'entrée/sortie = couches cachées. Première couche (entrée) = neurones. Neurones d'un RNA = fonctions mathématiques représentant un neurone humain.

Figure 2. Concept couches entrée/sortie RNA.

Transmission information entre couches via canaux de connexion. Chaque nœud d'une couche connecté à chaque nœud couche suivante via ces canaux. Chaque canal a une valeur = son poids ; canaux = canaux pondérés.

Tous neurones couches cachées ont un nombre unique = biais. Information passe couche à couche via canaux, prenant poids associés. Arrivant au neurone couche suivante, biais ajouté à somme pondérée des entrées.

Résultat passé à fonction d'activation. Elle décide si neurone doit être actif ou non. En appliquant fonction d'activation non-linéaire au résultat (biais + sommes pondérées). Fonctions d'activation ajoutent non-linéarité à sortie neurone.

Seuls neurones actifs après fonction d'activation envoient information à couche suivante. Continue jusqu'à couche finale (sortie). Poids des canaux et biais couches cachées constamment ajustés pour obtenir modèle bien entraîné.

Frameworks deep learning populaires :

• TensorFlow (Google)
• PyTorch (Facebook/Meta)
• Caffe (UC Berkeley)
• Microsoft Cognitive Toolkit
• OpenAI

Données pour le Deep Learning

Données = matière première du deep learning. Théoriquement, toute quantité améliore modèles. Mais considérant effort collecte, temps entraînement, puissance calcul requis, quantité ne peut être infinie. Inversement, trop peu de données → modèle peu fiable.

Pas de règle absolue pour quantité minimale. Dépend principalement du résultat des modèles entraînés. Si modèles pas assez fiables → plus de données nécessaires. Règles empiriques pour minimum :

• Au moins 20 points de données pour prédictions par régression
• Au moins 1 000 images pour classification par vision par ordinateur

Deux heuristiques pour applications courantes. Comme toute règle empirique, imparfaites, à adapter selon application spécifique.

Applications industrielles du Deep Learning

Véhicules autonomes

Voitures autonomes vendues aux consommateurs, mais aussi applications industrielles. Conduite autonome intégrable dans dispositifs transport usine ; ex. véhicules à guidage automatique (AGV) deviennent pleinement autonomes. Élimine main-d'œuvre manuelle, améliore sécurité et efficacité.

Figure 3. AGV utilisé dans entrepôt logistique.

Vision par ordinateur (Computer Vision)

Ordinateurs classifient et reconnaissent objets depuis images. Parfois partie véhicules autonomes, mais bien plus d'usages industriels. Vision par ordi automatise tri objets. Systèmes assistés vision font inspections qualité. Automatise surveillance locaux usine et processus industriels.

Gestion chaîne d'approvisionnement (Supply Chain Management)

Chaîne d'approvisionnement d'une entreprise = système complexe multi-fournisseurs, géographies, régulations. Gérer manuellement gros volume trafic marchandises = impossible. Deep learning employable pour maintenir chaîne saine en analysant gros volumes données générées avec appareils IoT dans la chaîne.

Applications médicales

Deep learning a aussi nombreuses applications médicales. Identifier anomalies imagerie médicale (radiographies, IRM, etc.). Surveiller santé patient 24/7 via dispositifs monitoring attachés. Assister découverte médicaments en donnant combinaisons moléculaires les plus probables.

Le deep learning a bien plus d'applications industrielles : aérospatial, exploration spatiale, minage, navigation, défense, cybersécurité, etc. Adopté rapidement dans tous secteurs verticaux, sera bientôt élément critique et incontournable de l'Industrie 4.0.