Qu’est-ce que le Deep learning ou Apprentissage profond ?
À l’occasion de la publication du Noir sur blanc sur la thématique du Deep learning à l’IRIT, nous sommes heureux de vous proposer cet article. Il s’agit du premier d’un dossier consacré au Deep Learning. Pour vous permettre de (re)découvrir ce sujet, nous vous présenterons les concepts clés et les applications concrètes des réseaux de neurones. Vous découvrirez ensuite plus en détails, dans les articles suivants, les différents types de réseaux. Nous parlerons de leurs architectures, ainsi que des méthodes pour les utiliser. En suivant, vous pourrez vous familiariser avec plusieurs domaines d’application stratégique du Deep Learning aujourd’hui. Alors, n’attendons plus et plongeons-nous ensemble dans l’univers du Deep learning !
Illustration Deep learning
Concepts-clés
Lorsque nous parlons d’intelligence artificielle, nous nous référons souvent aux technologies qui y sont liées, comme le Machine learning ou le Deep learning. Ils sont très utilisés avec des applications nombreuses dans notre quotidien. Néanmoins, ils ne sont pas toujours bien compris. Le Deep learning, aussi appelé apprentissage profond en français, est l’une des technologies principales du Machine learning. Le Deep Learning se définit comme étant un ensemble d’algorithmes capables de reproduire certaines actions sur le modèle du cerveau humain et ce, grâce à des réseaux de neurones artificiels. Les réseaux de neurones profonds sont composés de plusieurs dizaines voire de centaines de couches de neurones. Chacune de ces couches reçoit et interprète les informations du niveau précédent. Par extension, le Machine learning se définit comme étant une technologie d’intelligence artificielle qui permet aux machines d’apprendre par elle-même, sans avoir été au préalablement programmées à cet effet.
A quoi sert le Deep learning ?
Depuis plusieurs années et avec l’émergence du big data, les algorithmes de Deep learning sont devenus particulièrement gourmands en puissance et en données. Ils sont capables de s’attaquer à des problèmes très concrets. Ces derniers concernent la reconnaissance des visages, la conduite de voitures autonomes ou la détection de cellules cancéreuses. Aujourd’hui, le Deep learning est utilisé par des applications et des technologies que nous utilisons au quotidien. A titre d’exemples, nous pouvons citer le géant Google Maps. En effet, l’outil est capable de repérer sur une image les numéros des rues. Facebook se sert du Deep learning pour la reconnaissance faciale sur les photos des internautes. Enfin, Siri l’utilise pour analyser la voix de l’utilisateur afin d’adapter ses réponses… avec plus ou moins de succès, certes !
Domaines d’application stratégiques
Par extension, il est intéressant d’envisager le Deep learning comme un potentiel presque infini pour les chercheurs. Ces algorithmes peuvent être utilisés à la fois dans le cadre de travaux de recherche scientifique en lien avec le monde médical pour contribuer au diagnostic et au traitement de certaines maladies ; à la conception de modèles d’automobiles autonomes dans une logique durable ; à la détection d’objets qui mettent en danger la sécurité collectives (armes par exemple) ou encore dans le domaine du Natural Language Processing capacité de comprendre le langage humain tel qu’il est parlé). Par extension, ces algorithmes ont un fort impact sociétal. Par exemple, ces outils optimisés et performants permettront, nous l’espérons, de détecter efficacement les messages de haine sur les réseaux sociaux.
Quels sont les points forts de l’IRIT dans la recherche sur le Deep learning ?
L’IRIT était déjà positionné sur les questions liées à l’IA bien avant la vague des réseaux de neurones profonds. Il y a au laboratoire une vision historique et globale des thématiques. Cela permet aux chercheurs d’avoir un regard critique sur le présent. Par exemple, cela peut être avantageux pour répondre à certaines problématiques, ainsi que des questions liées à des modèles dits hybrides qui mélangent des approches basées sur les données et les observations, et d’autres approches qui reposent sur d’autres principes de l’IA ou de l’analyse numérique. Un autre point fort du laboratoire est la diversité des applications qui y sont traitées. Les réseaux de neurones sont des modèles qui s’appliquent à beaucoup de problèmes très différents. Les communautés de chercheurs ont longtemps été très disjointes à ce sujet. Le Deep learning amène une sorte de langage commun et facilite les échanges entre les chercheurs.