Intelligence Artificielle, Machine Learning, Deep Learning : une histoire de poupées russes

Pourquoi l’Intelligence Artificielle, le Machine Learning et le Deep Learning fonctionnent-ils comme des matriochkas ?

Dans un contexte où l'innovation technologique ne cesse d'accroître les attentes en matière de performance et d'efficacité, l'IA, le ML et le DL semblent offrir des solutions adaptées à cette quête incessante. Mais pourquoi ces trois concepts fonctionnent-ils comme des poupées russes, chacun se logeant à l'intérieur de l'autre dans une harmonieuse complexité ? La réponse réside dans l'évolution et la diversification continues des domaines d'application et des usages potentiels de l'IA. Que ce soit pour analyser et comprendre le langage humain, pour interpréter des images ou vidéos, pour automatiser des processus robotiques ou pour rendre les machines complètement autonomes, l'IA et ses sous-branchements que sont le ML et le DL, représentent une révolution dans la manière dont l'information est traitée et mise en œuvre.

Le Machine Learning et le Deep Learning sont de l'Intelligence Artificielle

L'Intelligence Artificielle (IA) telle que nous la connaissons est une Intelligence Artificielle faible, par opposition à l'IA forte, qui n'existe pas encore. Aujourd'hui, les machines sont capables de reproduire un comportement humain, mais sans conscience. Plus tard, leurs capacités pourraient croître au point de se transformer en machines dotées de conscience, de sensibilité et d'esprit.

Si le Machine Learning (ML) et le Deep Learning (DL) sont des Intelligences Artificielles, l'inverse n'est pas vrai. Par exemple, les graphiques de connaissances ou les moteurs de règles sont des Intelligences Artificielles mais ne relèvent pas du ML ni du DL. Le Deep Learning est, quant à lui, une branche du Machine Learning.

L’IA a beaucoup évolué grâce notamment à l’émergence du Cloud Computing et du Big Data, soit d’une puissance de calcul peu coûteuse et de l’accessibilité à un grand nombre de données. Ainsi, les machines ne sont plus programmées; elles apprennent.

Le Machine Learning : un apprentissage autonome

Le Machine Learning, ou apprentissage automatique, est capable de reproduire un comportement grâce à des algorithmes, eux-mêmes alimentés par un grand nombre de données. Confronté à de nombreuses situations, l'algorithme apprend quelle est la décision à adopter et créé un modèle. La machine peut automatiser les tâches en fonction des situations.

Par exemple, pour qu'une machine apprenne le concept de chat, un ingénieur compile un grand nombre d'exemples sur l'animal qu'il transmet à un algorithme. Auparavant, l'ingénieur devait établir la carte d'identité d'un chat (il a une fourrure, des moustaches, il retombe sur ses pattes, etc.) et représenter ces règles dans un programme informatique. Aujourd’hui, il lui suffit de collecter les données, ce qui rend la tâche plus facile et plus rapide. Cette nouvelle façon d’automatiser conduit à des progrès considérables.

Aujourd’hui, les nouvelles technologies se robotisent. Oracle a lancé une base de données autonome, Autonomous Database, qui automatise la gestion des données grâce à l’exploitation d’algorithmes de Machine Learning. Sa solution de data warehouse permet ainsi de réduire l’erreur humaine, et donc d’accroître la sécurité, tout en permettant aux DBA de se concentrer sur des tâches à plus haute valeur ajoutée.

Le Deep Learning : une compréhension précise

Le Deep Learning est un apprentissage en profondeur. Il va chercher à comprendre des concepts avec davantage de précision, en analysant les données à un haut niveau d'abstraction. Comment ? Grâce à une compréhension non linéaire. Son fonctionnement s'apparente à celui du cerveau. Dans un réseau de neurones, des couches successives de données sont combinées pour apprendre les concepts. Les réseaux les plus simples ne présentent que deux couches : une d’entrée et une de sortie, sachant que chacune peut disposer de plusieurs centaines, milliers, voire millions de neurones. Plus elles augmentent, plus la capacité du réseau à apprendre des représentations de plus en plus abstraites se développe.

Le Deep Learning est un apprentissage en profondeur. Il va chercher à comprendre des concepts avec davantage de précision, en analysant les données à un haut niveau d'abstraction.

Pour illustrer le fonctionnement du Deep Learning, imaginez que les réseaux de neurones veulent apprendre à reconnaître les visages humains. Une première couche conçoit qu’il existe des pixels, les suivantes saisissent que plusieurs pixels forment un bord, et ainsi de suite, jusqu’à ce qu’elles acquièrent la notion de « visage ». Finalement, elles seront même capables de distinguer des visages spécifiques.

Google a utilisé le Deep Learning pour Alphago, la machine qui a battu le champion du monde humain du jeu de Go. Le nombre de positions possible sur le plateau est supérieur au nombre d’atomes du monde humain !

Le terme d’Intelligence Artificielle est souvent employé pour désigner le Machine Learning et le Deep Learning. En réalité, il désigne la capacité d’une machine à apprendre des concepts de manière autonome. Cette compétence est une véritable révolution technologique qui se développe notamment dans les domaines de la Business Intelligence ou encore de l’analyse de fichiers log.

En conclusion, l'Intelligence Artificielle, et ses sous-disciplines que sont le Machine Learning et le Deep Learning, représentent une véritable révolution technologique. À mesure que ces technologies continuent d'évoluer et de se raffiner, elles ouvrent la voie à des applications et des possibilités jusqu'alors inimaginables, redéfinissant ce que les machines peuvent apprendre et accomplir.