Qu’est-ce que le Deep Learning ?

Le Deep Learning est un sous-domaine du Machine Learning, dans lequel les or­di­na­teurs traitent de grandes quantités de données à l’aide de réseaux neuronaux ar­ti­fi­ciels inspirés du cerveau humain.

Le Deep Learning met l’accent sur le processus d’ap­pren­tis­sage autonome de ces réseaux neuronaux. Ils se composent d’une couche d’entrée, d’une ou plusieurs couches in­ter­mé­diaires (layers) et d’une couche de sortie. Les in­for­ma­tions arrivent sur la couche d’entrée sous forme de vecteur d’entrée, sont pondérées par des neurones ar­ti­fi­ciels dans les couches in­ter­mé­diaire ; pour finir, un modèle déterminé est émis sur la couche de sortie. Plus un réseau neuronal ar­ti­fi­ciel contient de couches, plus les tâches que l’in­tel­li­gence ar­ti­fi­cielle peut accomplir sont complexes.

Comment fonc­tionne le Deep Learning ? Exemple de la re­con­nais­sance d’images

Pour un or­di­na­teur, trier des images en fonction de ce qu’elles re­pré­sen­tent (par exemple, des chiens, des chats ou des êtres humains) est une tâche difficile, bien que les humains la réalisent fa­ci­le­ment. N’importe qui est capable de faire la dif­fé­rence au premier coup d’œil, mais de son côté, l’or­di­na­teur doit d’abord procéder à une analyse dans le but d’iden­ti­fier les ca­rac­té­ris­tiques de chaque image.

Dans le cadre du Deep Learning, l’in­for­ma­tion d’entrée (ici une image) est analysée couche après couche. Par exemple, la première couche d’un réseau de neurones ar­ti­fi­ciel peut vérifier la couleur des pixels de l’image. Chaque pixel est alors traité par un neurone différent. Dans la couche suivante, ce sont les contours et les formes qui sont éven­tuel­le­ment iden­ti­fiés, puis des ca­rac­té­ris­tiques encore plus complexes dans la suivante.

Les in­for­ma­tions ainsi col­lec­tées sont car­to­gra­phiées de façon à cons­ti­tuer un al­go­rithme flexible. Le résultat de l’analyse d’une couche est transmis à la couche suivante et, ce faisant, modifie l’al­go­rithme. L’or­di­na­teur est ainsi capable, au terme d’une multitude d’opé­ra­tions, de dé­ter­mi­ner à quelle catégorie une image ap­par­tient.

Au début du processus, le système reçoit des ins­truc­tions humaines qui visent à corriger les éven­tuelles erreurs d’al­lo­ca­tion. L’al­go­rithme est modifié en con­sé­quence. Ce n’est qu’après cette phase que le système acquiert la capacité d’améliorer de manière autonome sa re­con­nais­sance d’image. En modifiant les con­nexions établies entre les neurones du réseau et en ajustant la pon­dé­ra­tion des variables à l’intérieur de l’al­go­rithme, on arrive à faire en sorte que la variation des motifs d’entrée (par exemple des images de chats pré­sen­tées de façons dif­fé­rentes) conduise de plus en plus aux mêmes modèles de sortie (détection du chat) sans erreur. Plus on nourrit le système d’images à « apprendre », plus il peut s’améliorer.

Pour un ob­ser­va­teur extérieur, il n’est pas toujours possible de com­prendre quels motifs ont été reconnus par l’or­di­na­teur en Deep Learning pour aboutir à sa prise de décision. C’est d’autant plus difficile que le système lui-même optimise en per­ma­nence ses règles de prise de décision.

His­to­rique du Deep Learning

L’ex­pres­sion « Deep Learning » est re­la­ti­ve­ment récente, puisqu’elle n’est apparue pour la première fois qu’au début des années 2000. En revanche, la méthode elle-même, le concept d’uti­li­sa­tion de réseaux de neurones ar­ti­fi­ciels pour permettre aux or­di­na­teurs de prendre des décisions in­tel­li­gentes, remonte à plusieurs décennies.

Les débuts de la recherche fon­da­men­tale dans ce domaine datent des années 1940. C’est dans les années 1980 que de vé­ri­tables réseaux de neurones ar­ti­fi­ciels ont été dé­ve­lop­pés pour la première fois. Toutefois, la qualité de la prise de décisions s’est révélée décevante à l’époque. En effet, pour être efficace, le Deep Learning nécessite de nourrir l’or­di­na­teur de grandes quantités de données sous format numérique, ce qui n’était tout sim­ple­ment pas possible à l’époque. Ce n’est qu’au tournant du mil­lé­naire, avec l’arrivée du Big Data, que la recherche appliquée en Deep Learning a repris son essor avec le soutien des en­tre­prises.

Forces et fai­blesses

Le Deep Learning a permis d’augmenter con­si­dé­ra­ble­ment la puissance des in­tel­li­gences ar­ti­fi­cielles. Mais pour que cette tech­no­lo­gie réalise son plein potentiel, il convient de corriger certaines de ses fai­blesses.

Les points forts du Deep Learning

L’un des arguments les plus forts en faveur du Deep Learning repose sur la qualité des résultats obtenus. Dans les domaines de la re­con­nais­sance d’image et du trai­te­ment de la parole, cette tech­no­lo­gie est nettement su­pé­rieure à toutes les autres. À condition de disposer de données de haute qualité, le Deep Learning permet d’effectuer des tâches rou­ti­nières de manière beaucoup plus efficace et rapide que n’importe quelle autre méthode, sans aucun signe de fatigue.

D’autres formes de Machine Learning né­ces­si­tent une in­ter­ven­tion des dé­ve­lop­peurs pour analysent les données brutes et définir ré­gu­liè­re­ment des ca­rac­té­ris­tiques sup­plé­men­taires que l’al­go­rithme doit prendre en compte pour améliorer la puissance pré­dic­tive de l’IA. En Deep Learning, le système identifie et sé­lec­tionne ainsi au­to­ma­ti­que­ment les variables les plus per­ti­nentes pour améliorer ses per­for­mances. Au terme d’une phase d’ins­truc­tion initiale, il est capable de se former de façon autonome, sans in­ter­ven­tion humaine. Cette con­cep­tion permet d’éco­no­mi­ser du temps et de l’argent, puisqu’il n’est pas né­ces­saire d’y affecter un personnel qualifié pour garantir le dé­ve­lop­pe­ment de ses fonc­tion­na­li­tés.

Par le passé, il fallait insérer ma­nuel­le­ment de grandes quantités de données pour permettre l’ap­pren­tis­sage machine. Par exemple, dans le cas de la re­con­nais­sance d’images de chiens et de chats, des pré­pa­ra­teurs étaient chargés d’alimenter la machine en images à la main. Avec le Deep Learning, cette phase d’ins­truc­tion manuelle est beaucoup plus courte. C’est un facteur d’une im­por­tance non né­gli­geable. En effet, dans l’économie réelle, les en­tre­prises ac­quiè­rent quo­ti­dien­ne­ment de grandes quantités de données, mais il n’arrive que très rarement qu’elles soient dis­po­nibles sous une forme struc­tu­rée (numéros de téléphone, adresses, cartes de crédit, etc.). Elles sont gé­né­ra­le­ment stockées sous un format non structuré (photos, documents, emails, etc.). Con­trai­re­ment aux méthodes al­ter­na­tives de Machine Learning, le Deep Learning est capable d’analyser dif­fé­rentes sources de données non struc­tu­rées en fonction de la tâche à accomplir.

L’argument selon lequel cette tech­no­lo­gie est trop coûteuse pour une pro­duc­tion de masse perd de sa force. De plus en plus de services comme Google Vision ou IBM Watson per­met­tent aux en­tre­prises de s’appuyer sur des réseaux de neurones ar­ti­fi­ciels existants, au lieu de devoir les dé­ve­lop­per à partir de rien. Ce sont ces points forts qui per­met­tront au Deep Learning de s’imposer dans le monde de l’en­tre­prise.

Les points forts en un coup d’œil

• Meilleurs résultats qu’avec d’autres méthodes de Machine Learning
• Aucun dé­ve­lop­pe­ment manuel des fonc­tion­na­li­tés né­ces­saire, aucun éti­que­tage des données né­ces­saire
• Exécution efficace des tâches de routine, sans écarts de qualité
• Trai­te­ment des données non struc­tu­rées
• Di­ver­si­fi­ca­tion des services visant à sim­pli­fier l’uti­li­sa­tion des réseaux de neurones ar­ti­fi­ciels

Les fai­blesses du Deep Learning

Le Deep Learning nécessite une énorme puissance de calcul, qui dépend dans une large mesure à la fois de la com­plexité et de la dif­fi­culté de la tâche à résoudre et de la masse de données utilisée. Jusqu’à présent, cette tech­no­lo­gie se révélait donc coûteuse et par con­sé­quent réservée au domaine de la recherche et à quelques géants du secteur.

Des progrès ont certes été réalisés dans ce domaine. Malgré tout, il n’est toujours pas possible de com­prendre dans le détail la mo­ti­va­tion des décisions prises via Deep Learning. Le réseau de neurones ar­ti­fi­ciels reste pour l’essentiel, jusqu’à nouvel ordre, une sorte de boîte noire. Cette tech­no­lo­gie n’est donc pas uti­li­sable pour le moment dans toutes les ap­pli­ca­tions où la tra­ça­bi­lité est un enjeu crucial.

Pour fonc­tion­ner cor­rec­te­ment, le Deep Learning doit pouvoir s’appuyer sur un grand nombre de données. Dans le cas contraire, aucun or­di­na­teur soutenu avec les tech­no­lo­gies de Deep Learning n’est pour l’instant capable de donner de bons résultats. Il existe désormais des bi­blio­thèques de réseaux neuronaux ar­ti­fi­ciels mises à dis­po­si­tion du grand public pour sim­pli­fier l’uti­li­sa­tion du Deep Learning, mais celles-ci pré­sen­tent encore certaines limites : ces services ne con­vien­nent pas à toutes les uti­li­sa­tions. Par con­sé­quent, il reste né­ces­saire d’investir beaucoup de temps dans l’éla­bo­ra­tion d’al­go­rithmes d’ap­pren­tis­sage, voire parfois plus de temps qu’avec les méthodes al­ter­na­tives de Machine Learning.

Les fai­blesses en un coup d’œil

• Nécessite une grande puissance de calcul
• Le dé­ve­lop­pe­ment d’al­go­rithmes d’ap­pren­tis­sage prend un temps re­la­ti­ve­ment long
• Nécessite une vaste base de données
• Davantage de données d’ins­truc­tion initiales requises qu’avec d’autres méthodes de Machine Learning
• Décisions dif­fi­ci­le­ment ou pas du tout com­pré­hen­sibles (boîte noire)

Domaines d’ap­pli­ca­tion du Deep Learning

Le Deep Learning est déjà utilisé dans divers secteurs et son influence sur notre vie quo­ti­dienne devrait continuer à croître.

• Ex­pé­rience d’uti­li­sa­teur : certains chatbots sont déjà optimisés par Deep Learning et utilisent le trai­te­ment au­to­ma­tique du langage naturel, ce qui leur permet de mieux répondre aux demandes des clients et de soulager les services clients.

• As­sis­tants vocaux : le Deep Learning est utilisé pour le fonc­tion­ne­ment de divers as­sis­tants vocaux existants, comme Siri, Alexa ou celui de Google, par le biais de la synthèse vocale. Cela leur permet d’étoffer de manière autonome leur vo­ca­bu­laire et de renforcer leur com­pré­hen­sion du langage.

• Tra­duc­tions : le Deep Learning est déjà à l’œuvre dans certains pro­grammes de tra­duc­tion comme DeepL. Grâce à cette tech­no­lo­gie, même les dialectes et les textes sur images peuvent être au­to­ma­ti­que­ment traduits dans d’autres langues.

• Rédaction de textes : les Large Language Models (LLM) comme ChatGPT peuvent utiliser le Deep Learning pour créer des textes dont la grammaire et l’or­tho­graphe sont non seulement correctes, mais qui imitent également le style d’un auteur ; à condition qu’ils reçoivent suf­fi­sam­ment de matériel d’en­traî­ne­ment. Lors des premiers essais, les systèmes IA ont créé des articles pour Wikipedia et des textes de Sha­kes­peare à s’y méprendre !

• Cy­ber­sé­cu­rité : les systèmes d’IA s’appuyant sur le Deep Learning sont par­ti­cu­liè­re­ment adaptés à la détection d’ir­ré­gu­la­ri­tés dans les activités d’un système en raison de leur capacité de se former en continu et de manière autonome. C’est une méthode désormais éprouvée pour repérer d’éven­tuelles attaques de pirates in­for­ma­tiques.

• Finances : cette capacité à détecter les anomalies se révèle par­ti­cu­liè­re­ment utile dans le domaine sensible des tran­sac­tions fi­nan­cières. Sous réserve d’instruire l’al­go­rithme en con­sé­quence, il est possible de repousser les attaques contre les réseaux bancaires et de repérer les fraudes à la carte de crédit de façon plus efficace qu’au­pa­ra­vant.

• Marketing et ventes : les systèmes d’IA peuvent effectuer des analyses de sentiment des clients à l’aide du Deep Learning, et sont capables de prendre des mesures pré­dé­fi­nies de manière in­dé­pen­dante pour préserver la sa­tis­fac­tion des clients.

• Conduite autonome : les voitures sans con­duc­teur roulant de manière to­ta­le­ment sécurisée ne sont pas encore tout à fait au point ; cependant, la tech­no­lo­gie né­ces­saire existe déjà. Il s’agit ici du fruit de la com­bi­nai­son de dif­fé­rents al­go­rithmes de Deep Learning. Par exemple, un al­go­rithme reconnaît les panneaux de sig­na­li­sa­tion tandis qu’un autre se spé­cia­lise dans la lo­ca­li­sa­tion des piétons.

• Robots in­dus­triels : les robots dotés d’une IA avec Deep Learning peuvent être utilisés dans de nombreux secteurs in­dus­triels. Il suffirait à un système d’observer le com­por­te­ment d’une personne pour faire fonc­tion­ner les machines, puis à optimiser de façon autonome le processus de pro­duc­tion.

• Main­te­nance : dans le domaine de la main­te­nance in­dus­trielle, il existe de nom­breuses pos­si­bi­li­tés d’uti­li­sa­tion. En effet, dans les systèmes complexes, un grand nombre de pa­ra­mètres doivent être sur­veil­lés en per­ma­nence pour assurer la sécurité des processus. Le Deep Learning peut aussi anticiper les in­ter­ven­tions de main­te­nance né­ces­saires sur telle ou telle unité du système (Pre­dic­tive Main­te­nance ou main­te­nance pré­vi­sion­nelle).

• Médecine : les IA de Deep Learning ont la capacité de scanner les images avec beaucoup plus de précision qu’un œil humain, même entraîné. Cette tech­no­lo­gie peut être utilisée sur les ra­dio­gra­phies ou scans pour détecter en amont certaines maladies.

Deep Learning : un grand potentiel, mais pas la panacée

Dans le discours public, on a parfois l’im­pres­sion que le Deep Learning est l’avenir unique de l’IA. De fait, dans de nom­breuses ap­pli­ca­tions, il permet d’obtenir des résultats nettement meilleurs que les méthodes pré­cé­dentes.

Toutefois, le Deep Learning n’est pas la meilleure solution tech­no­lo­gique à apporter à tous les problèmes. Il existe d’autres approches qui per­met­tent de rendre les or­di­na­teurs « in­tel­li­gents », des solutions qui fonc­tion­nent à partir d’ensembles de données plus petits et dont le processus de prise de décision reste ana­ly­sable.

Certains cher­cheurs en in­tel­li­gence ar­ti­fi­cielle sont con­vain­cus que le Deep Learning n’est qu’un phénomène tem­po­raire et sont con­vain­cus qu’il existera à l’avenir de meil­leures approches qui ne sont pas basées sur la structure du cerveau humain. La stratégie d’en­tre­prise de Google montre qu’il ne faut pas négliger les voix critiques : le Deep Learning ne re­pré­sente qu’une partie de leur stratégie d’in­tel­li­gence ar­ti­fi­cielle. L’en­tre­prise travaille d’ailleurs sur d’autres méthodes de Machine Learning et sur le dé­ve­lop­pe­ment d’or­di­na­teurs quan­tiques.