Deep learning : définition et principes de l'apprentissage profond

Le deep learning ou apprentissage profond consiste à ce qu'une intelligence artificielle parvienne à assimiler de nouvelles connaissances à travers un réseau de neurones artificiels. Il s'agit d'une pratique issue de l'apprentissage automatique, également connu sous le terme de machine learning.

Le deep learning, c’est quoi ?

Le deep learning est une méthode qui s’appuie sur le concept de machine learning. Cela permet à une intelligence artificielle (IA) de s’améliorer en intégrant de nouvelles règles. Leur ajout ne fait l’objet d’aucune intervention humaine. L’apprentissage profond utilise alors différentes couches neuronales qui forment un réseau artificiel.

Les modèles de données ainsi créés se basent sur des structures non linéaires. Autrement dit, les valeurs ne sont pas classées par ordre chronologique, mais par rapport à des éléments communs, comme pour un graphique ou un arbre de décisions. Le deep learning s’emploie dans de nombreux contextes et domaines d’expertise :

  • la reconnaissance vocale ou faciale ;
  • le traitement du langage ;
  • la robotique ;
  • la cybersécurité ;
  • la bio-informatique…

On peut également évoquer les technologies dédiées à la conduite assistée et l’aide au diagnostic dans le secteur médical.

Quelle est la place du deep learning dans l’intelligence artificielle ?

Le deep learning peut être considéré comme une nouvelle étape dans l’évolution de l’intelligence artificielle. A ses origines, cette dernière se contentait de répondre à des règles prédéterminées sur la base d’un modèle cognitiviste. L’intervention d’un programmeur demeurait alors indispensable pour perfectionner le système ou y intégrer d’autres fonctionnalités.

Le deep learning rend l’IA autonome pour apprendre de nouvelles règles en vue de se montrer plus fiable et performante. L’amélioration exponentielle des puissances de calcul et le développement d’applications connexes permettent à l’intelligence artificielle de générer des couches de neurones toujours plus complexes et denses.

Deep learning vs machine learning

Comme évoqué précédemment, le deep learning est issu du machine learning. Les deux approches s’appuient sur le principe de l’apprentissage automatique. On distingue néanmoins des différences notables. Le machine learning se sert de la technique de feature extraction pour effectuer des fonctions prédictives. Ce qui n’est pas le cas du deep learning. Pour ce dernier élément, l’algorithme traite des données brutes.

Pour le machine learning, les valeurs et les variables sont sélectionnées à l’avance. Cela permet d’exploiter uniquement des données tabulaires. Contrairement au deep learning qui inclut aussi des systèmes de vision par ordinateur et de langages naturels.

La modélisation des résultats est également sujette à variation. Il s’agit d’un modèle statistique pour le machine learning et une optimisation numérique pour le deep learning. Enfin, le matériel diffère dans les processus d’application. Il est préférable de s’appuyer sur l’architecture d’un processeur central (CPU) pour le machine learning. Le deep learning est plus adapté au processeur graphique (GPU).

Dictionnaire de l'intelligence artificielle