IA, Machine Learning, Deep Learning : Quelles différences ?

Artificial Intelligence

Intelligence Artificielle, Machine Learning, Deep Learning : Les Dates Clés

Le terme Intelligence Artificielle (IA) a été utilisé pour la première fois en 1956, aux Etats-Unis, lors d’une conférence au Darthmouth College. Cette dernière marqua le début des recherches dans ce domaine. Ce n’est cependant qu’à partir de 2010, grâce à l’essor du Big Data et à l’augmentation de la puissance de calcul des ordinateurs avec l’apparition des GPUs, que l’intelligence artificielle gagna réellement en popularité avec le développement du Machine Learning et du Deep Learning.

Intelligence Artificielle Machine Learning Deep Learning

Qu’est-ce que l’Intelligence Artificielle ?

L’Intelligence Artificielle est le terme désignant la science dont le but est de faire faire par une machine des tâches que l'homme accomplit en utilisant son intelligence et ses capacités cognitives. Elle regroupe ainsi l’ensemble des technologies, dont le machine learning et le deep learning, capables d’effectuer une tâche de manière intelligente.

 Il existe différents types d’IA :

  • Il y a premièrement une distinction entre l’IA Faible qui apprend et copie les comportements humains et l’IA Forte qui en plus d’être intelligente aurait également la conscience de soi et serait capable d’avoir des sentiments.
  • Une deuxième distinction est faite entre l’IA Spécialisée qui est conçue pour effectuer une seule tâche spécifique et l’IA Généraliste qui serait capable de réaliser n’importe quelle tâche demandée.

Aujourd’hui la majorité des programmes d’intelligence artificielle sont spécialisés et appartiennent à la catégorie des IA faibles.

Qu’est-ce que le Machine Learning ?

Le Machine Learning, ou programme d’apprentissage automatique, est un type d'intelligence artificielle qui confère aux ordinateurs la capacité d’apprendre sans être explicitement programmés. Ceci entraine un gain de temps et rend le processus de développement plus facile car il n’y a plus besoin d’enseigner à un programme comment réaliser chacune des tâches nécessaires pour atteindre un objectif.

Pour apprendre à réaliser une tâche, un algorithme de machine learning analyse une quantité importante d’informations lui permettant d’ajuster ses prévisions et d’en améliorer la précision. C’est ce qu’on appelle la phase de training. Elle est réalisée en utilisant un ensemble de données connues aussi appelé training data set. Ensuite, une fois entrainé et son efficacité validée, l’algorithme est prêt à être utilisé pour réaliser des analyses et des prédictions basées sur de nouvelles données. C’est la phase d’inference.

Machine Learning

La précision des prédictions d’un algorithme repose sur l’expérience. En effet, plus la quantité de données soumise à l’algorithme sera importante plus ses prédictions seront précises. Ceci explique pourquoi l’essor du Big Data a permis le développement du machine learning.

Qu’est-ce que le Deep Learning ?

Le Deep Learning, ou apprentissage profond, est une des sous-disciplines du machine learning. Les algorithmes de deep learning, s’inspirant de la structure de notre cerveau, utilisent des couches de réseaux neuronaux artificiels (artificial neuronal networks) empilées les unes sur les autres. C’est pour cela qu’on les décrit comme profond (deep).

Deep Learning

La structure spécifique de ces algorithmes permet d’améliorer la précision de certains algorithmes classiques de machine learning comme ceux permettant la reconnaissance de motifs (pattern recognition) par exemple. Ceci est dû au fait que les programmes de deep learning sont plus autonomes pour traiter les informations que les programmes de machine learning classiques :

  • Dans le cas d’un programme de machine learning classique, c’est aux humains de déterminer les caractéristiques clés qui vont permettre au programme de différencier deux objets (leur couleur et leur taille par exemple) et d’intégrer ces caractéristiques dans les données qu’il va analyser.
Machine Learning
  • Dans le cas d’un programme de deep learning, c’est l’algorithme par lui-même, en analysant les images qui lui sont transmises, qui sera capable de déterminer les caractéristiques clés lui permettant de différencier deux objets de la façon la plus précise possible.
Deep Learning

Les algorithmes de deep learning permettent donc de gagner du temps dans le traitement des données et d’améliorer la précision des prédictions. Cependant, leur utilisation requiert une grande quantité de données et également une grande puissance de calcul, même pour les programmes les plus simples. C’est en partie grâce aux GPUs (Graphics Processing Units), permettant d’effectuer un très grand nombre de calculs simultanément, que le deep learning a pu se démocratiser.

Un objectif commun : rendre les ordinateurs plus autonomes

Le machine learning et le deep learning visent tous les deux à rendre les ordinateurs de plus en plus autonomes dans la réalisation de tâches jusque-là réservées aux humains. Cette autonomie est aujourd'hui primordiale car elle permet notamment de gérer et d'analyser les quantités massives de données liées au big data.

Leave a Reply

Your email address will not be published. Required fields are marked *