Deep Learning et Machine Learning : une révolution dans l’intelligence artificielle !

Aujourd’hui plus que jamais, les tendances font foi et apparaissent constamment de nouveaux termes dont le but est de vulgariser des disciplines, comportements, statuts, etc … Il n’est pas toujours simple de comprendre la réalité qui se cache derrière ses termes, entre relookage marketing et vraie évolution.

Deep learning machine learning

Le digital et l’IT sont les premiers concernés car à l’origine de nombreuses innovations. Depuis quelques années, l’Intelligence Artificielle ou « IA » et plus précisément le Machine Learning, se sont imposés comme les tendances à suivre. Mais depuis peu, un nouveau terme a fait son apparition et fait de l’ombre au Machine Learning. Il s’agit du « Deep Learning », qui, grâce à des géants comme facebook, IBM ou Netflix,  s’est peu à peu immiscé dans nos esprits.

Savez-vous à quoi le Deep Learning fait référence précisément ? Y a-t-il une réelle différence avec le Machine Learning ?

Au-delà de ce concept de langage, il faut surtout vous demander quelle technologie convient le mieux à votre structure pour digitaliser votre entreprise ?

Rappel sur ce qu’est le Machine Learning :

Le Machine Learning, ou apprentissage automatique, consiste comme son nom l’indique, est une discipline scientifique et technique qui vise à donner à des ordinateurs la capacité d’apprendre en se basant sur la data. Après cet apprentissage, les ordinateurs se trouvent dotés « d’intelligence artificielle ».

Il est aujourd’hui très convoité et les plus grands cabinets comme Gartner s’accordent à dire qu’il est à l’origine de la grande révolution digitale actuelle.

Deep Learning et Machine Learning : quelle est la différence ?

Pour tirer des connaissances utiles de la data, les algorithmes de Machine Learning ont besoin, en entrée, de disposer de « caractéristiques » issues des données.

Deep learningSi l’on parle, par exemple, de reconnaissance faciale, les algorithmes de Machine Learning se concentreront sur des éléments différenciants comme la taille du nez, la forme de la bouche, la couleur des yeux, la position des traits du visage, etc …

Lorsque l’on assemble des dizaines de caractéristiques de ce type, on arrive à observer des règles qui permettent de reconnaitre un visage de façon plutôt fiable.

Cependant, l’humain n’est pas toujours capable d’identifier l’exhaustivité des caractéristiques déterminantes d’une situation. C’est là que le Deep Learning intervient.

Un algorithme de Deep Learning va parcourir un grand nombre d’exemples identifiés comme semblables (des photos d’une même personne ou d’un objet donné dans différents contextes pour la reconnaissance d’images, un passage piéton sur la route pour les voitures autonomes…) et va de lui-même, identifier des caractéristiques communes à tous ces exemples, et utiles pour la reconnaissance.

Des campagnes de test ont démontré que le taux d’erreur de reconnaissance est alors réduit de 65%, car le Deep Learning ne passe pas à côté des caractéristiques importantes contrairement à l’humain qui peut parfois en négliger ou n’est pas en capacité de les remarquer.

Evidemment, les applications du deep learning ne se limitent pas à la reconnaissance d’images. La prévision de la demande peut aussi être concernée par les algorithmes de Deep Learning, qui pourront récupérer les caractéristiques d’une situation (par exemple, une opération commerciale) qu’ils ont identifié en amont, et prédire quel en sera l’impact dans le futur.

Mais alors, pourquoi tous les algorithmes de Machine Learning ne se basent-ils pas sur le Deep Learning ?

Le Deep Learning est certes puissant, mais il est très gourmand en données et en puissance de calcul. Un algorithme de Deep Learning va tester un nombre d’exemples à 6 voire 7 chiffres, pour pouvoir déterminer efficacement des caractéristiques, c’est pourquoi l’apprentissage nécessite d’utiliser des processeur massivement parallèles (GPU) plutot que des processeurs classiques (CPU). L’essor du Big Data lui fournit un nombre incroyable de données dans de nombreux domaines, mais d’autres secteurs plus complexes ne sont pas capables d’alimenter le Deep Learning en entrées assez fiables ou assez nombreuses. Cela explique pourquoi le deep learning n’est pas généralisable à tous les sujets. Par exemple, pour la prévision de la demande, on ne dispose pas assez souvent d’une base d’apprentissage suffisamment complète et « informative » du phénomène à caractériser.

Quelles technologies choisir pour digitaliser son activité ?

Vous l’aurez compris, on n’y a pas lieu de choisir entre Deep Learning et Machine Learning. Le deep Learning est un outil de plus dans la boîte à outil Machine Learning. A l’heure actuelle, le Deep Learning est reconnu comme puissant, mais il est encore limité à quelques applications, et dans une phase active de recherche.

Les autres algorithmes de Machine Learning, quant-à eux, ont déjà quelques années d’utilisation et sont plus matures que le deep learning, ce qui leur procure une fiabilité et une robustesse compatible avec les applications industrielles. C’est déjà révolutionnaire pour votre entreprise. L’expertise de grande qualité présente en France fait de notre pays un territoire d’excellence pour le Machine Learning.

Pour mieux vous projeter dans la digitalisation intelligente de votre enseigne, nous vous invitons à assister au retour d’expérience de Mr. Bricolage, qui a injecté le Machine Learning dans sa Supply Chain avec des résultats impressionnants.