Machine Learning vs. Deep Learning, quelle différence ?

L’Intelligence Artificielle va sans aucun doute possible changer nos vies. Elle a déjà commencé.  De la robotique industrielle aux diagnostics médicaux en passant par le référencement SEO de Google, l’IA permet aujourd’hui de résoudre des problématiques qui dépassent mêmes les capacités de l’homme. Sujet de fantasme ou de crainte, l’IA a fait des progrès immenses grâce à l’explosion récentes des Big Data et à la puissance calculatoire et de stockage du Cloud Computing. Les machines ne sont désormais plus programmées mais apprennent par elles-mêmes.

Les faux frères jumeaux de l’IA, le machine learning et le deep learning constituent les deux principales approches de méthode d’apprentissage de l’IA. Inspirées des capacités cognitives du cerveau, les deux méthodes s’appuient sur des algorithmes qui fonctionnent par mimétisme.

 

Classer et prédire, les 2 vocations du Machine Learning 

Les deux objectifs principaux du machine learning sont la classification et la prédiction. L’algorithme doit pouvoir distinguer les données et les classer, c’est le cas lors du filtrage de spam sur une boîte mail par exemple. Une fois classées, les algorithmes observent les comportements du passé à partir des données classées, essayent de repérer les schémas récurrents et prédisent avec une certaine probabilité l’issue.

C’est ainsi que les algorithmes peuvent fonctionner par mimétisme. Pour distinguer les chats des oiseaux, vous ne construisez pas de règles, ni de caractéristiques propres aux deux animaux, il vous suffit de montrer à la machine des images de chacun. Celle-ci va trouver la structure cachée des données, une partie des données invisible à l’homme et que seule la machine peut reconnaître. Elle construit ensuite deux groupes. Il restera à nommer chacun des groupes et la machine saura désormais reconnaître les chats et les oiseaux. La complexité de ces algorithmes est telle qu’il est impossible de savoir comment la machine a pris sa décision au moment de créer les groupes. La segmentation illustre bien cette idée : la technique du clustering qui décrit des groupes de consommateurs, on ne connaît pas à l’avance les groupes ni leurs caractéristiques. La machine répond et on lui fait confiance.

Le Deep Learning, au plus près du cerveau humain 

Les progrès dans le machine learning ont conduit à appréhender le fonctionnement de l’algorithme comme celui d’un cerveau humain. Le deep learning est inspiré et conçu à partir du fonctionnement d’un réseau de neurones. Sans rentrer dans les détails, les neurones sont un ensemble de cellules biologiques reliées par des axiomes, qui reçoivent, traitent décident ou non de transmettre des signaux. Cette décision est prise par le neurone lui-même et dépend des influences synaptiques. Un neurone fait peu de chose seul, c’est son empilement avec d’autres neurones qui permet de réaliser des tâches complexes. Des couches de neurones échangent entre elles de manière hiérarchique et chacun gère un niveau d’information. 

blocs neurones

La conception des algorithmes en réseaux de neurones est au cœur des méthodes d’apprentissage. Cette technique apporte une vision plus complète avec un niveau de lecture des données sur plusieurs niveaux. La machine traite l’image en plusieurs passes pour la reconnaître à la fin de processus. Jeff Dean, Vice-Président de Google, affirme que tout ce qu’un humain peut faire en 0,01 secondes, la machine peut le faire au moins aussi bien que lui. Il faut alors 24 couches tandis que pour 0,02 secondes de temps de process il faudra 100 couches (croissance exponentielle). Grâce à cette mécanique en blocs de neurones, le deep learning permet à la machine de comprendre les mots dans leur contexte contrairement aux méthodes plus anciennes. Ainsi on peut traiter des problématiques plus complexes.

2 méthodes d’apprentissage pour 2 utilisations 

Pourquoi le machine learning est-il pourtant encore actuel ? Le deep learning peut être utile à des organisations de taille très importante dont les bases de données sont immenses. La quantité d’informations à fournir à l’algorithme du deep learning est bien supérieur à celle du machine learning, d’où l’attirance des entreprises plus modestes ou moins gourmandes en données pour la méthode traditionnelle. Par ailleur, là où le deep learning est encore en phase de conception, le machine learning est aujourd’hui maîtrisé par un grand nombre de logiciels.

Alfred Essa, vice-président de McGraw-Hill, pense que les entreprises qui trouveront les moyens de tirer parti de “l’apprentissage profond” (terminologie préférée par les canadiens) le feront pour élaborer de nouveaux produits et de nouveaux business modèles. Le Machine Learning traditionnel, lui, se verrait essentiellement relégué aux tâaches d’optimisation des opérations existantes.

Pour conclure, l’adoption du deep learning dépend de la personnalité de l’entreprise : une entreprise avec une volonté de disrupter ira sans doute bien plus loin dans l’intelligence artificielle analytique avec le deep learning.

Nous tenons à remercier David Deraedt, expert chez ADOBE, pour sa conférence sur l’Intelligence Artificielle et les techniques de méthode d’apprentissage. Cet article reprend quelques une des notions qu’il a enseignées à la Majeure Marketing à l’ère digitale ce semestre.  

http://www.universalis-edu.com/encyclopedie/nerveux-systeme-le-neurone/

https://www.lemagit.fr/tribune/Machine-Learning-Deep-Learning-AI-Informatique-cognitive-quelles-differences

Abonnez-vous à Make it digital

Recevez par email chaque lundi matin l'ensemble des articles publiés sur le blog Make it Digital. La garantie de suivre les dernières évolutions du digital !

Garantie sans spam.

Leave a Comment