Deep learning vs machine learning : Guide pour débutants

Read in English (Lire en anglais).

Vous avez probablement entendu les termes intelligence artificielle (IA), apprentissage automatique et apprentissage profond ces dernières années. Bien que liés, chacun de ces termes a sa propre signification distincte, et ce sont plus que de simples mots à la mode utilisés pour décrire les voitures autonomes.

En termes généraux, l'apprentissage profond est un sous-ensemble de l'apprentissage automatique, et l'apprentissage automatique est un sous-ensemble de l'intelligence artificielle. On peut les imaginer comme une série de cercles concentriques qui se chevauchent, l'IA occupant le plus grand, suivi de l'apprentissage automatique, puis de l'apprentissage profond. En d'autres termes, l'apprentissage profond est de l'IA, mais l'IA n'est pas de l'apprentissage profond.

Dans cet article, vous en apprendrez davantage sur l'IA, l'apprentissage automatique et l'apprentissage profond, notamment sur leurs relations et leurs différences. Ensuite, si vous souhaitez commencer à développer vos propres compétences en apprentissage automatique, vous pourriez envisager de vous inscrire à la Spécialisation en apprentissage automatique de Stanford et DeepLearning.AI.

Deep learning vs machine learning

Grâce aux représentations de la culture populaire, de 2001 : L'Odyssée de l'espace à Terminator, beaucoup d'entre nous ont une certaine conception de l'IA. Oxford Languages définit l'IA comme « la théorie et le développement de systèmes informatiques capables d'effectuer des tâches qui nécessitent normalement l'intelligence humaine ». Britannica propose une définition similaire : « la capacité d'un ordinateur numérique ou d'un robot contrôlé par ordinateur à effectuer des tâches communément associées aux êtres intelligents ».

L'apprentissage automatique et l'apprentissage profond sont tous deux des types d'IA. En bref, l'apprentissage automatique est une IA qui peut s'adapter automatiquement avec une intervention humaine minimale. L'apprentissage profond est un sous-ensemble de l'apprentissage automatique qui utilise des réseaux neuronaux artificiels (RNA) pour imiter le processus d'apprentissage du cerveau humain.

Examinons ces différences clés avant d'approfondir le sujet.

Qu'est-ce que l'intelligence artificielle (IA) ?

À son niveau le plus élémentaire, le domaine de l'intelligence artificielle utilise l'informatique et les données pour permettre la résolution de problèmes par les machines.

Bien que nous n'ayons pas encore de robots humanoïdes essayant de conquérir le monde, nous avons des exemples d'IA tout autour de nous. Cela peut être aussi simple qu'un programme informatique capable de jouer aux échecs, ou aussi complexe qu'un algorithme capable de prédire la structure ARN d'un virus pour aider à développer des vaccins.

Pour qu'une machine ou un programme puisse s'améliorer sans intervention supplémentaire des programmeurs humains, nous avons besoin de l'apprentissage automatique.

Deep Blue, l'ordinateur joueur d'échecs

Avant le développement de l'apprentissage automatique, les machines ou programmes dotés d'intelligence artificielle devaient être programmés pour répondre à un ensemble limité d'entrées. Deep Blue, un ordinateur joueur d'échecs qui a battu un champion du monde d'échecs en 1997, pouvait « décider » son prochain coup en se basant sur une vaste bibliothèque de coups et de résultats possibles. Mais le système était purement réactif. Pour que Deep Blue s'améliore aux échecs, les programmeurs devaient intervenir et ajouter plus de fonctionnalités et de possibilités.

Qu'est-ce que l'apprentissage automatique ?

L'apprentissage automatique fait référence à l'étude des systèmes informatiques qui apprennent et s'adaptent automatiquement à partir de l'expérience sans être explicitement programmés.

Avec l'IA simple, un programmeur peut indiquer à une machine comment répondre à différents ensembles d'instructions en codant manuellement chaque « décision ». Avec les modèles d'apprentissage automatique, les informaticiens peuvent « entraîner » une machine en lui fournissant de grandes quantités de données. La machine suit un ensemble de règles — appeléalgorithme — pour analyser et tirer des conclusions des données. Plus la machine analyse de données, plus elle peut s'améliorer dans l'exécution d'une tâche ou la prise de décision.

Voici un exemple qui vous est peut-être familier : Le service de streaming musical Spotify apprend vos préférences musicales pour vous proposer de nouvelles suggestions. Chaque fois que vous indiquez que vous aimez une chanson en l'écoutant jusqu'à la fin ou en l'ajoutant à votre bibliothèque, le service met à jour ses algorithmes pour vous fournir des recommandations plus précises. Netflix et Amazon utilisent des algorithmes d'apprentissage automatique similaires pour offrir des recommandations personnalisées.

IBM Watson, le cousin en apprentissage automatique de Deep Blue

En 2011, IBM Watson a battu deux champions de Jeopardy lors d'un match d'exhibition en utilisant l'apprentissage automatique.

Les programmeurs de Watson lui ont fourni des milliers de paires de questions et réponses, ainsi que des exemples de réponses correctes. Lorsqu'on lui donnait simplement une réponse, la machine était programmée pour trouver la question correspondante. S'il se trompait, les programmeurs le corrigeaient. Cela permettait à Watson de modifier ses algorithmes, ou en quelque sorte d'« apprendre » de ses erreurs.

Au moment où Watson a affronté les champions de Jeopardy, il pouvait, en quelques secondes, analyser 200 millions de pages d'informations et générer une liste de réponses possibles, classées selon leur probabilité d'être correctes — même s'il n'avait jamais vu l'indice Jeopardy en question auparavant.

Qu'est-ce que l'apprentissage profond ?

Alors que les algorithmes d'apprentissage automatique nécessitent généralement une correction humaine lorsqu'ils se trompent, les algorithmes d'apprentissage profond peuvent améliorer leurs résultats par la répétition, sans intervention humaine. Un algorithme d'apprentissage automatique peut apprendre à partir d'ensembles de données relativement petits, mais un algorithme d'apprentissage profond nécessite de grands ensembles de données qui peuvent inclure des données diverses et non structurées.

Considérez l'apprentissage profond comme une évolution de l'apprentissage automatique. L'apprentissage profond est une technique d'apprentissage automatique qui superpose des algorithmes et des unités de calcul — ou neurones — dans ce qu'on appelle un réseau neuronal artificiel. Ces réseaux neuronaux profonds s'inspirent de la structure du cerveau humain. Les données traversent ce réseau d'algorithmes interconnectés de manière non linéaire, similaire à la façon dont notre cerveau traite l'information.

AlphaGo, un autre descendant de Deep Blue

AlphaGo a été le premier programme à battre un joueur humain de Go, ainsi que le premier à battre un champion du monde de Go en 2015. Le Go est un jeu de plateau vieux de 3 000 ans originaire de Chine et connu pour sa stratégie complexe. Il est beaucoup plus compliqué que les échecs, avec 10 à la puissance 170 configurations possibles sur le plateau.

Les créateurs d'AlphaGo ont commencé par présenter au programme plusieurs parties de Go pour lui enseigner les mécaniques. Puis il a commencé à jouer contre différentes versions de lui-même des milliers de fois, apprenant de ses erreurs après chaque partie. AlphaGo est devenu si performant que les meilleurs joueurs humains au monde sont connus pour étudier ses coups innovants.

La dernière version de l'algorithme AlphaGo, connue sous le nom de MuZero, peut maîtriser des jeux comme le Go, les échecs et Atari sans même avoir besoin qu'on lui explique les règles.

En savoir plus sur la différence entre l'IA, l'apprentissage automatique et l'apprentissage profond dans cette conférence de la Spécialisation en transformation numérique utilisant l'IA-ML avec Google Cloud pour débutants :

Pourquoi les Big Data sont-elles si importantes ?

Le terme « Big Data » fait référence aux ensembles de données trop volumineux pour être gérés par les bases de données relationnelles et les logiciels de traitement de données traditionnels. Les entreprises génèrent des quantités sans précédent de données chaque jour. L'apprentissage profond est l'un des moyens d'extraire de la valeur de ces données.

Développez vos compétences en apprentissage automatique et en apprentissage profond dès aujourd'hui

Les avancées en IA changent déjà la façon dont beaucoup d'entre nous travaillons. Développez vos compétences fondamentales en apprentissage automatique et en apprentissage profond avec ces programmes sur Coursera :

Pour une vue d'ensemble de l'IA, suivez le cours L'IA pour tous de DeepLearning.AI. En seulement six heures, vous découvrirez la terminologie courante de l'IA, explorerez ce que c'est que de construire des projets d'apprentissage automatique et apprendrez à travailler avec une équipe IA pour élaborer une stratégie d'IA dans votre environnement professionnel.

Pour maîtriser les concepts fondamentaux de l'IA et développer des compétences pratiques en apprentissage automatique, inscrivez-vous à la Spécialisation en apprentissage automatique de Stanford et DeepLearning.AI. En seulement deux mois, vous apprendrez à construire des modèles d'apprentissage automatique, à appliquer les meilleures pratiques de développement en apprentissage automatique, et même à construire et entraîner un réseau neuronal.

Pour les fondamentaux de l'apprentissage profond, explorez la Spécialisation en apprentissage profond de DeepLearning.AI. Dans ce cours de niveau intermédiaire, vous apprendrez à construire et entraîner des réseaux neuronaux profonds, à identifier les paramètres clés d'architecture et à entraîner des jeux de test, entre autres.

Questions fréquemment posées (FAQ)