Grand responsable de l’explosion de la popularité de l’intelligence artificielle, le Deep Learning demeure toutefois encore une créature mystérieuse pour bien des professionnels. C’est pourquoi je vous propose de plonger, ou du moins de se mouiller l’orteil, dans cet univers fascinant qu’est celui de notre ami le Deep Learning. Mais avant, laissez-moi vous introduire ses grands frères : algorithmes et Machine Learning.
Figure 1 : Intelligence artificielle vs Machine Learning vs Deep Learning [1]
Algorithme
Algorithme, l’aîné de notre famille, est simplement une séquence d’instructions générant une sortie en fonction d’une entrée. Bref, ce n’est rien de plus qu’une recette. Je vous laisse d’ailleurs ma recette de dessert préférée en référence [2] vous m’en donnerez des nouvelles!
Machine Learning
Machine Learning, son cadet, définit l’ensemble des techniques permettant à un programme informatique de faire le même job qu’un algorithme sans avoir à être programmé explicitement.
C’est comme si on avait un cuisinier à qui on donnait des ingrédients et qu’au lieu de lui donner une recette, on le laissait se pratiquer des millions de fois jusqu’à ce qu’il soit capable de nous pondre un dessert à notre goût.
Là, vous vous demandez sûrement pourquoi se donner tout ce trouble? Pourquoi ne pas simplement lui donner une recette à notre pauvre cuisinier? Eh bien, dans 90 % des cas c’est exactement ce qu’on fait. On programme un algorithme pour exécuter une tâche. Toutefois, il existe BEAUCOUP de desserts (tâches) délicieux pour lesquels on n’a pas encore trouvé de recette. Par exemple, si je désire créer un programme informatique capable de trouver où sont les défauts sur une pièce, je suis bien mieux d’apprendre sur des milliers d’images de bonnes et de mauvaises pièces que d’essayer d’imaginer puis de lister l’apparence de toutes les combinaisons des défauts possibles et imaginables.
Le Deep Learning
Deep Learning, le benjamin de notre famille, n’est ni plus ni moins qu’une technique de Machine Learning extrêmement performante! Surtout dans le contexte où nous avons beaucoup d’exemples à lui montrer.
Figure 2 : Le Deep Learning brille lorsqu’on a beaucoup d’exemples (de données) à lui montrer [3]
D’ailleurs, on utilise le terme Deep Learning pour qualifier des réseaux de neurones profonds. C’est-à-dire des réseaux de neurones à plusieurs couches cachées (hidden layers). Mais qu’est-ce qu’un réseau de neurones vous me direz? Eh bien ce n’est ni plus ni moins qu’une série de nœuds (neurones) arrangés en couches (layers) reliés par des flèches (poids ou weights). Le seul job du réseau est de transformer l’information, entrée dans l’Input Layer, lors de son passage entre les couches.
Le tout afin de ressortir une prédiction de l’autre côté. Il est ensuite possible de comparer la prédiction du réseau à la vérité afin de mesurer à quel point le réseau s’est trompé. On appelle cette mesure la Loss Function. Le réseau doit ensuite mettre à jour ses poids en fonction de cette erreur afin de minimiser ses chances de la refaire. Le tout à l’aide de l’algorithme de la Back Propagation qui repose sur la technique de la descente du gradient.
Par exemple, la Figure 3 illustre le calcul d’une Loss Function potentielle d’un réseau qui essaie d’apprendre à prédire correctement le chiffre 3. Ici, la différence entre la vérité (Actual Values) et la prédiction du modèle est punie au carré.
Figure 3 : Un réseau de neurones qui apprend à classer le nombre 3. [4]
L’utilité du Deep Learning
Étant qualifié d’approximateur universel, il est théorisé que les techniques du Deep Learning pourraient apprendre n’importe quoi. Celles-ci sont donc largement utilisées pour des tâches poussées comme :
Natural Language Processing
Résumer des textes
Traduire des textes
Analyser le sentiment des textes
Classifier des textes
Répondre à des questions
Computer Vision
Classifier des images
Détecter la présence d’objets sur des images
Compter le nombre d’objets sur des images
Reinforcement Learning
Apprendre une tâche à un robot
Systèmes de recommandations
Véhicules autonomes
Ces tâches, plus souvent qu’autrement, sont effectuées à la chaîne afin d’offrir un service qu’on appelle End-to-end (E2E) Neural Network. Par exemple, dans leur article « End to End Learning for Self-Driving Cars » Mariusz Bojarski et al proposent un système capable de contrôler un véhicule autonome. Ce système est donc en mesure d’apprendre à extraire la bonne information fournie par les caméras intégrées au véhicule et de prendre la bonne décision en fonction de cet intrant afin de garder le contrôle de la voiture.
Cela dit, le NLP, le Computer Vision et le Reinforcement Learning sont tous des sujets qui me passionnent et je compte les approfondir dans mes prochains blogues, autant via des textes plus haut niveau comme celui-ci que par des tutoriels plus poussés sur la façon de les entraîner.
Nous avons à cœur de protéger vos données. Nous utilisons des cookies pour vous offrir une meilleure expérience numérique. En acceptant, vous consentez à notre utilisation de ces cookies.
Fonctionnel
Toujours activé
Le stockage ou l’accès technique est strictement nécessaire dans la finalité d’intérêt légitime de permettre l’utilisation d’un service spécifique explicitement demandé par l’abonné ou l’utilisateur, ou dans le seul but d’effectuer la transmission d’une communication sur un réseau de communications électroniques.
Préférences
Le stockage ou l’accès technique est nécessaire dans la finalité d’intérêt légitime de stocker des préférences qui ne sont pas demandées par l’abonné ou l’utilisateur.
Statistiques
Le stockage ou l’accès technique qui est utilisé exclusivement à des fins statistiques.Le stockage ou l’accès technique qui est utilisé exclusivement dans des finalités statistiques anonymes. En l’absence d’une assignation à comparaître, d’une conformité volontaire de la part de votre fournisseur d’accès à internet ou d’enregistrements supplémentaires provenant d’une tierce partie, les informations stockées ou extraites à cette seule fin ne peuvent généralement pas être utilisées pour vous identifier.
Marketing
Le stockage ou l’accès technique est nécessaire pour créer des profils d’utilisateurs afin d’envoyer des publicités, ou pour suivre l’utilisateur sur un site web ou sur plusieurs sites web ayant des finalités marketing similaires.
