Qu’est-ce que le Deep Learning ?

Le Deep Learning est un sous-domaine du Machine Learning, dans lequel les ordinateurs traitent de grandes quantités de données à l’aide de réseaux neuronaux artificiels inspirés du cerveau humain.

Le Deep Learning met l’accent sur le processus d’apprentissage autonome de ces réseaux neuronaux. Ils se composent d’une couche d’entrée, d’une ou plusieurs couches intermédiaires (layers) et d’une couche de sortie. Les informations arrivent sur la couche d’entrée sous forme de vecteur d’entrée, sont pondérées par des neurones artificiels dans les couches intermédiaire ; pour finir, un modèle déterminé est émis sur la couche de sortie. Plus un réseau neuronal artificiel contient de couches, plus les tâches que l’intelligence artificielle peut accomplir sont complexes.

Comment fonctionne le Deep Learning ? Exemple de la reconnaissance d’images

Pour un ordinateur, trier des images en fonction de ce qu’elles représentent (par exemple, des chiens, des chats ou des êtres humains) est une tâche difficile, bien que les humains la réalisent facilement. N’importe qui est capable de faire la différence au premier coup d’œil, mais de son côté, l’ordinateur doit d’abord procéder à une analyse dans le but d’identifier les caractéristiques de chaque image.

Dans le cadre du Deep Learning, l’information d’entrée (ici une image) est analysée couche après couche. Par exemple, la première couche d’un réseau de neurones artificiel peut vérifier la couleur des pixels de l’image. Chaque pixel est alors traité par un neurone différent. Dans la couche suivante, ce sont les contours et les formes qui sont éventuellement identifiés, puis des caractéristiques encore plus complexes dans la suivante.

Les informations ainsi collectées sont cartographiées de façon à constituer un algorithme flexible. Le résultat de l’analyse d’une couche est transmis à la couche suivante et, ce faisant, modifie l’algorithme. L’ordinateur est ainsi capable, au terme d’une multitude d’opérations, de déterminer à quelle catégorie une image appartient.

Au début du processus, le système reçoit des instructions humaines qui visent à corriger les éventuelles erreurs d’allocation. L’algorithme est modifié en conséquence. Ce n’est qu’après cette phase que le système acquiert la capacité d’améliorer de manière autonome sa reconnaissance d’image. En modifiant les connexions établies entre les neurones du réseau et en ajustant la pondération des variables à l’intérieur de l’algorithme, on arrive à faire en sorte que la variation des motifs d’entrée (par exemple des images de chats présentées de façons différentes) conduise de plus en plus aux mêmes modèles de sortie (détection du chat) sans erreur. Plus on nourrit le système d’images à « apprendre », plus il peut s’améliorer.

Pour un observateur extérieur, il n’est pas toujours possible de comprendre quels motifs ont été reconnus par l’ordinateur en Deep Learning pour aboutir à sa prise de décision. C’est d’autant plus difficile que le système lui-même optimise en permanence ses règles de prise de décision.

Historique du Deep Learning

L’expression « Deep Learning » est relativement récente, puisqu’elle n’est apparue pour la première fois qu’au début des années 2000. En revanche, la méthode elle-même, le concept d’utilisation de réseaux de neurones artificiels pour permettre aux ordinateurs de prendre des décisions intelligentes, remonte à plusieurs décennies.

Les débuts de la recherche fondamentale dans ce domaine datent des années 1940. C’est dans les années 1980 que de véritables réseaux de neurones artificiels ont été développés pour la première fois. Toutefois, la qualité de la prise de décisions s’est révélée décevante à l’époque. En effet, pour être efficace, le Deep Learning nécessite de nourrir l’ordinateur de grandes quantités de données sous format numérique, ce qui n’était tout simplement pas possible à l’époque. Ce n’est qu’au tournant du millénaire, avec l’arrivée du Big Data, que la recherche appliquée en Deep Learning a repris son essor avec le soutien des entreprises.

Forces et faiblesses

Le Deep Learning a permis d’augmenter considérablement la puissance des intelligences artificielles. Mais pour que cette technologie réalise son plein potentiel, il convient de corriger certaines de ses faiblesses.

Les points forts du Deep Learning

L’un des arguments les plus forts en faveur du Deep Learning repose sur la qualité des résultats obtenus. Dans les domaines de la reconnaissance d’image et du traitement de la parole, cette technologie est nettement supérieure à toutes les autres. À condition de disposer de données de haute qualité, le Deep Learning permet d’effectuer des tâches routinières de manière beaucoup plus efficace et rapide que n’importe quelle autre méthode, sans aucun signe de fatigue.

D’autres formes de Machine Learning nécessitent une intervention des développeurs pour analysent les données brutes et définir régulièrement des caractéristiques supplémentaires que l’algorithme doit prendre en compte pour améliorer la puissance prédictive de l’IA. En Deep Learning, le système identifie et sélectionne ainsi automatiquement les variables les plus pertinentes pour améliorer ses performances. Au terme d’une phase d’instruction initiale, il est capable de se former de façon autonome, sans intervention humaine. Cette conception permet d’économiser du temps et de l’argent, puisqu’il n’est pas nécessaire d’y affecter un personnel qualifié pour garantir le développement de ses fonctionnalités.

Par le passé, il fallait insérer manuellement de grandes quantités de données pour permettre l’apprentissage machine. Par exemple, dans le cas de la reconnaissance d’images de chiens et de chats, des préparateurs étaient chargés d’alimenter la machine en images à la main. Avec le Deep Learning, cette phase d’instruction manuelle est beaucoup plus courte. C’est un facteur d’une importance non négligeable. En effet, dans l’économie réelle, les entreprises acquièrent quotidiennement de grandes quantités de données, mais il n’arrive que très rarement qu’elles soient disponibles sous une forme structurée (numéros de téléphone, adresses, cartes de crédit, etc.). Elles sont généralement stockées sous un format non structuré (photos, documents, emails, etc.). Contrairement aux méthodes alternatives de Machine Learning, le Deep Learning est capable d’analyser différentes sources de données non structurées en fonction de la tâche à accomplir.

L’argument selon lequel cette technologie est trop coûteuse pour une production de masse perd de sa force. De plus en plus de services comme Google Vision ou IBM Watson permettent aux entreprises de s’appuyer sur des réseaux de neurones artificiels existants, au lieu de devoir les développer à partir de rien. Ce sont ces points forts qui permettront au Deep Learning de s’imposer dans le monde de l’entreprise.

Les points forts en un coup d’œil

• Meilleurs résultats qu’avec d’autres méthodes de Machine Learning
• Aucun développement manuel des fonctionnalités nécessaire, aucun étiquetage des données nécessaire
• Exécution efficace des tâches de routine, sans écarts de qualité
• Traitement des données non structurées
• Diversification des services visant à simplifier l’utilisation des réseaux de neurones artificiels

Les faiblesses du Deep Learning

Le Deep Learning nécessite une énorme puissance de calcul, qui dépend dans une large mesure à la fois de la complexité et de la difficulté de la tâche à résoudre et de la masse de données utilisée. Jusqu’à présent, cette technologie se révélait donc coûteuse et par conséquent réservée au domaine de la recherche et à quelques géants du secteur.

Des progrès ont certes été réalisés dans ce domaine. Malgré tout, il n’est toujours pas possible de comprendre dans le détail la motivation des décisions prises via Deep Learning. Le réseau de neurones artificiels reste pour l’essentiel, jusqu’à nouvel ordre, une sorte de boîte noire. Cette technologie n’est donc pas utilisable pour le moment dans toutes les applications où la traçabilité est un enjeu crucial.

Pour fonctionner correctement, le Deep Learning doit pouvoir s’appuyer sur un grand nombre de données. Dans le cas contraire, aucun ordinateur soutenu avec les technologies de Deep Learning n’est pour l’instant capable de donner de bons résultats. Il existe désormais des bibliothèques de réseaux neuronaux artificiels mises à disposition du grand public pour simplifier l’utilisation du Deep Learning, mais celles-ci présentent encore certaines limites : ces services ne conviennent pas à toutes les utilisations. Par conséquent, il reste nécessaire d’investir beaucoup de temps dans l’élaboration d’algorithmes d’apprentissage, voire parfois plus de temps qu’avec les méthodes alternatives de Machine Learning.

Les faiblesses en un coup d’œil

• Nécessite une grande puissance de calcul
• Le développement d’algorithmes d’apprentissage prend un temps relativement long
• Nécessite une vaste base de données
• Davantage de données d’instruction initiales requises qu’avec d’autres méthodes de Machine Learning
• Décisions difficilement ou pas du tout compréhensibles (boîte noire)

Domaines d’application du Deep Learning

Le Deep Learning est déjà utilisé dans divers secteurs et son influence sur notre vie quotidienne devrait continuer à croître.

• Expérience d’utilisateur : certains chatbots sont déjà optimisés par Deep Learning et utilisent le traitement automatique du langage naturel, ce qui leur permet de mieux répondre aux demandes des clients et de soulager les services clients.

• Assistants vocaux : le Deep Learning est utilisé pour le fonctionnement de divers assistants vocaux existants, comme Siri, Alexa ou celui de Google, par le biais de la synthèse vocale. Cela leur permet d’étoffer de manière autonome leur vocabulaire et de renforcer leur compréhension du langage.

• Traductions : le Deep Learning est déjà à l’œuvre dans certains programmes de traduction comme DeepL. Grâce à cette technologie, même les dialectes et les textes sur images peuvent être automatiquement traduits dans d’autres langues.

• Rédaction de textes : les Large Language Models (LLM) comme ChatGPT peuvent utiliser le Deep Learning pour créer des textes dont la grammaire et l’orthographe sont non seulement correctes, mais qui imitent également le style d’un auteur ; à condition qu’ils reçoivent suffisamment de matériel d’entraînement. Lors des premiers essais, les systèmes IA ont créé des articles pour Wikipedia et des textes de Shakespeare à s’y méprendre !

• Cybersécurité : les systèmes d’IA s’appuyant sur le Deep Learning sont particulièrement adaptés à la détection d’irrégularités dans les activités d’un système en raison de leur capacité de se former en continu et de manière autonome. C’est une méthode désormais éprouvée pour repérer d’éventuelles attaques de pirates informatiques.

• Finances : cette capacité à détecter les anomalies se révèle particulièrement utile dans le domaine sensible des transactions financières. Sous réserve d’instruire l’algorithme en conséquence, il est possible de repousser les attaques contre les réseaux bancaires et de repérer les fraudes à la carte de crédit de façon plus efficace qu’auparavant.

• Marketing et ventes : les systèmes d’IA peuvent effectuer des analyses de sentiment des clients à l’aide du Deep Learning, et sont capables de prendre des mesures prédéfinies de manière indépendante pour préserver la satisfaction des clients.

• Conduite autonome : les voitures sans conducteur roulant de manière totalement sécurisée ne sont pas encore tout à fait au point ; cependant, la technologie nécessaire existe déjà. Il s’agit ici du fruit de la combinaison de différents algorithmes de Deep Learning. Par exemple, un algorithme reconnaît les panneaux de signalisation tandis qu’un autre se spécialise dans la localisation des piétons.

• Robots industriels : les robots dotés d’une IA avec Deep Learning peuvent être utilisés dans de nombreux secteurs industriels. Il suffirait à un système d’observer le comportement d’une personne pour faire fonctionner les machines, puis à optimiser de façon autonome le processus de production.

• Maintenance : dans le domaine de la maintenance industrielle, il existe de nombreuses possibilités d’utilisation. En effet, dans les systèmes complexes, un grand nombre de paramètres doivent être surveillés en permanence pour assurer la sécurité des processus. Le Deep Learning peut aussi anticiper les interventions de maintenance nécessaires sur telle ou telle unité du système (Predictive Maintenance ou maintenance prévisionnelle).

• Médecine : les IA de Deep Learning ont la capacité de scanner les images avec beaucoup plus de précision qu’un œil humain, même entraîné. Cette technologie peut être utilisée sur les radiographies ou scans pour détecter en amont certaines maladies.

Deep Learning : un grand potentiel, mais pas la panacée

Dans le discours public, on a parfois l’impression que le Deep Learning est l’avenir unique de l’IA. De fait, dans de nombreuses applications, il permet d’obtenir des résultats nettement meilleurs que les méthodes précédentes.

Toutefois, le Deep Learning n’est pas la meilleure solution technologique à apporter à tous les problèmes. Il existe d’autres approches qui permettent de rendre les ordinateurs « intelligents », des solutions qui fonctionnent à partir d’ensembles de données plus petits et dont le processus de prise de décision reste analysable.

Certains chercheurs en intelligence artificielle sont convaincus que le Deep Learning n’est qu’un phénomène temporaire et sont convaincus qu’il existera à l’avenir de meilleures approches qui ne sont pas basées sur la structure du cerveau humain. La stratégie d’entreprise de Google montre qu’il ne faut pas négliger les voix critiques : le Deep Learning ne représente qu’une partie de leur stratégie d’intelligence artificielle. L’entreprise travaille d’ailleurs sur d’autres méthodes de Machine Learning et sur le développement d’ordinateurs quantiques.