Le lexique informatique et numérique est inondé de termes spécifiques dont la mise en vogue se traduit souvent par de la confusion ou même de la désinformation. Le public est en majorité tenté d’utiliser les nouveaux mots sans trop de discernement, car les explications à leur sujet sont trop simples ou carrément ésotériques. Les notions de ML ou Machine Learning et de Deep Learning (DL) sont parmi ces expressions à la mode, de longue date pourtant, dont la compréhension est pour le moins approximative. Voici quelques éclaircissements à leur propos.
ML et DL : des fonctions de l’intelligence artificielle
Quel est le lien entre Machine Learning, Deep Learning et intelligence artificielle ? L’IA ou intelligence artificielle fonctionne tout simplement grâce aux processus de ML ou de DL. Ces deux expressions indiquent deux techniques de compréhension par la machine du monde humain ou des activités humaines. On peut partir de définitions simples :
- Intelligence artificielle : capacité de la machine à mimer l’intelligence humaine
- Machine Learning ou apprentissage automatique : capacité de la machine à apprendre par elle-même
- Deep learning ou apprentissage profond : capacité de la machine à modéliser des abstractions de haut niveau pour aboutir à une interprétation très précise.
Donc, à la question « quelle est la différence entre l’intelligence artificielle et la Machine Learning ? », la réponse peut être résumée comme suit : l’IA est un concept d’imitation de l’intelligence humaine par la machine, tandis que le ML et le DL sont des moyens pour la créer.
Machine learning : à la base de l’IA
L’apprentissage automatique consiste en l’analyse et au déchiffrage des données qu’un opérateur humain entre préalablement dans un système d’IA. La machine est en même temps formée ou apprend d’elle-même à effectuer correctement une tâche à partir de ses analyses. Cela aboutit à une prédiction, une vérité ou une définition en fonction de la situation en présence.
Comment fonctionne le Machine Learning ?
Le machine learning est une méthode de programmation informatique qui permet à la machine de construire sa propre logique et ses propres solutions. Pour ce faire, elle utilise un certain nombre d’algorithmes qui peuvent fonctionner individuellement ou en commun, et que l’on regroupe dans 2 principales catégories de ML :
- Le machine learning ou ML supervisé qui nécessite l’intervention d’un humain aussi bien dans la saisie des données que l’entrée des solutions, mais qui laisse à la machine le soin de déterminer le lien entre les deux. (Exemples d’algorithmes : Random Forest ou forêts aléatoires, Régression linéaire, Régression logistique…)
- Le machine learning non supervisé consiste à demander à l’ordinateur de trouver une relation et une solution à partir de données entrées de façon aléatoire pour une certaine situation. (Exemples d’algorithmes : K-Means, clustering par décalage moyen…).
De manière générale, le machine learning ou apprentissage automatique élimine la nécessité pour l’humain de coder ou d’analyser en permanence des données pour élaborer une solution ou présenter une logique.
Deep learning : version perfectionnée du machine learning
Le deep learning traite plus de données que le machine learning basique. Si on dispose donc de d’informations en quantité considérable, l’apprentissage profond est la solution. De ce fait, ayant besoin de beaucoup de données pour aboutir au meilleur résultat, les algorithmes d’apprentissage profond ou de deep learning sont puissants et nécessitent des machines puissantes.
Fonctionnement du deep learning
Les algorithmes d’apprentissage profond réalisent des tâches compliquées, pour ne citer que les multiplications de matrices qui nécessitent une unité de traitement graphique (GPU) à rendement élevé. Ils essaient également d’apprendre des caractéristiques et des tâches de haut niveau. Par exemple, en matière de technologie de reconnaissance faciale, l’algorithme de deep learning donnera lieu à l’image brute proche de la version RAW en réplication, tandis que le résultat serait flou avec l’apprentissage automatique.
En somme, Le Machine Learning et le Deep Learning sont deux choses différentes, mais constituent le socle commun de l’Intelligence Artificielle. À utiliser dans des scénarios différents, certes, l’apprentissage profond et l’apprentissage automatique se chevauchent dans la pratique. Cela étant dit, les spécialistes des données informatiques et numériques annoncent qu’à un moment donné dans le futur, le deep learning va dépasser le stade des conjectures et sera plus susceptible de résoudre la plupart de nos problèmes au quotidien touchant l’IA et l’informatique, mais aussi les problématiques en matière de marketing, de commerce, de logistique, ainsi de suite.
