IA, apprentissage machine et deep learning : différences clés et fonctionnement

Les termes Intelligence Artificielle (IA), Apprentissage Machine (ML) et Apprentissage Profond (Deep Learning) sont devenus très courants aujourd'hui. Ils sont souvent utilisés de manière interchangeable, notamment lorsqu'on traite le Big Data, l'analytique, la recherche et l'indexation. Bien que ces trois termes soient très liés, ils ne désignent pas la même chose.

Dans cet article, nous vous expliquerons ce qu'est exactement l'IA, le ML et le DL, et en quoi ils diffèrent les uns des autres. Pas d'inquiétude ; nous n'utiliserons pas de termes scientifiques compliqués — nous resterons courts et aussi simples que possible.

Intelligence Artificielle

L'IA est une subdivision de l'informatique, terme forgé pour la première fois en 1956 par John McCarthy. L'ordinateur exécute habituellement les tâches que nous lui commandons. Cependant, l'IA est une façon de construire une machine ou un logiciel capable de penser intelligemment et d'agir de manière autonome, comme les humains. Cela inclut 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 un programme d'IA peut répondre à des questions génériques.

Il existe quatre types d'IA :

1. Purement réactive : Type de base, ne peut pas tirer de conclusions. Exemple : AlphaGo de Google, DeepBlue d'IBM
2. Mémoire limitée : Peut prendre des décisions appropriées et agir. Exemple : Chatbots, véhicules autonomes
3. Théorie de l'esprit : Peut comprendre les pensées, émotions et interagir socialement. — Pas encore construit*
4. Conscience de soi : Peut former des représentations sur elle-même, être consciente de son état et prédire les sentiments d'autrui. — Pas encore construit*

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

Apprentissage Machine (Machine Learning)

Le ML est un sous-ensemble de l'IA qui donne au système la capacité d'apprendre, d'agir et de s'améliorer par l'expérience sans être explicitement programmé. 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 pour qu'il apprenne de ses expériences passées. Ici, l'entraînement consiste à fournir une grande quantité de données au programme et à lui permettre de se configurer lui-même et de s'améliorer.

Par exemple, si vous fournissez des milliers de photos de chats à l'algorithme de 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 étiqueter automatiquement les chats dans les photos. Une fois que le niveau de précision est suffisamment élevé, l'algorithme peut dire précisément à quoi ressemble un chat.

Types d'apprentissage machine :

1. Supervisé : Fait apprendre la machine explicitement via des données avec des sorties définies.
2. Non supervisé : La machine comprend les données (structure/motifs) et tire des inférences des ensembles de données.
3. Par renforcement : Approche de l'IA, apprend par renforcement positif et négatif, et récompense les résultats positifs.

Apprentissage Profond (Deep Learning)

L'apprentissage profond est un sous-domaine de l'apprentissage machine qui traite d'algorithmes inspirés par la structure et le fonctionnement du cerveau humain, ou l'interconnexion de nombreux neurones. Ces algorithmes sont connus sous le nom de Réseaux de Neurones Artificiels (RNA) qui imitent la structure biologique du cerveau.

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

Pour être bien entraînés, les réseaux d'apprentissage profond nécessitent de grandes quantités de données. Plutôt que d'écrire du code pour chaque arête définissant les éléments, le système apprend par l'exposition à des millions de points de données.

Google Brain est un exemple parfait d'apprentissage profond pour reconnaître des chats après avoir analysé plus de dix millions d'échantillons d'images. Ces réseaux n'ont pas besoin d'être codés avec des critères spécifiques définissant les éléments ; ils peuvent identifier les arêtes après avoir été exposés à un grand nombre d'échantillons.

En octobre 2017, Jeff Dean, responsable de Google Brain, a déclaré au VB Summit à Berkeley :

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

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

À lire : 18 meilleurs moteurs d'échecs basés sur leurs classements

Visualiser l'IA, le ML et le DL

Crédit image : Nvidia

La façon la plus simple de concevoir la relation entre l'IA, le ML et le DL est de les visualiser comme des cercles concentriques, dans lesquels l'intelligence artificielle vient en premier, puis l'apprentissage machine, et enfin l'apprentissage profond qui alimente l'explosion actuelle de l'IA.

De l'hiver à l'essor

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 dans les 25 années précédentes sur de nombreux problèmes clés de l'IA tels que la compréhension de texte, le traitement du signal, la reconnaissance vocale et d'image (un travail difficile).

La principale raison de l'explosion de l'IA ces dernières années est la large disponibilité des GPU qui rendent le traitement parallèle encore plus rapide et moins cher. Cela a aussi à voir avec le stockage pratiquement infini et tout le mouvement Big Data — texte, images, transactions, vous avez tout.

Aujourd'hui, toutes les grandes entreprises technologiques investissent massivement dans des projets d'IA, et des milliards de personnes interagissent quotidiennement avec des logiciels d'IA via les moteurs de recherche, les réseaux sociaux et les plateformes e-commerce. Et l'un des types (ou le seul type) d'IA avec lequel nous interagissons le plus est l'apprentissage machine. Selon Statista, le revenu mondial du marché de l'IA dépasserait 59 000 milliards de dollars d'ici 2025.

À lire : 18 faits les plus intéressants sur les ordinateurs quantiques

L'IA est l'avenir, grâce au deep learning

L'apprentissage profond a permis plusieurs applications pratiques de l'apprentissage machine, en décomposant les tâches de manière à rendre possibles tous types d'assistance machine. Meilleures recommandations de produits et suggestions d'histoires, meilleure santé préventive, véhicules sans conducteur — aujourd'hui, tout cela est possible. Avec l'aide de l'apprentissage profond, l'IA pourrait même atteindre cet état de science-fiction que les humains imaginent depuis longtemps.