Apprentissage profond et machine learning : une façon simple de comprendre la différence

Comprendre les derniers développements de l’intelligence artificielle (IA) peut sembler mission impossible, mais si vous voulez simplement acquérir les notions de base, la plupart des innovations dans ce domaine peuvent se résumer à deux concepts : le machine learning et l’apprentissage profond. Au premier abord, on pourrait croire qu’il s’agit de deux mots à la mode interchangeables, c’est pour cela qu’il est important de bien saisir les différences.

Aujourd’hui, le machine learning et l’apprentissage profond sont partout. C’est grâce à eux que Netflix sait quelle est la prochaine série que vous allez vouloir regarder, que Facebook arrive à identifier les visages sur vos photos, que les voitures qui se conduisent toutes seules sont devenues une réalité et qu’un agent du service client sait si vous serez satisfait de l’assistance qu’il vous a fournie avant même que vous ne répondiez à l’enquête de satisfaction client.

Nous allons donc nous pencher sur ces concepts omniprésents dans les conversations sur l’intelligence artificielle et sur ce en quoi ils diffèrent.

Quelle différence entre apprentissage profond et machine learning ?

Pour comprendre la différence entre machine learning et apprentissage profond, il faut savoir que l’apprentissage profond est une forme de machine learning.

Plus précisément, l’apprentissage profond est considéré comme une évolution du machine learning. Il utilise un réseau neuronal programmable qui permet aux machines de prendre des décisions correctes sans aucune aide des êtres humains.

Mais pour commencer, définissons le machine learning.

Qu’est-ce que le machine learning ?

Le machine learning est une application de l’IA comprenant des algorithmes qui analysent les données, apprennent de ces données et appliquent ce qu’ils ont appris pour prendre des décisions informées.

Un exemple simple d’algorithme de machine learning ? Un service de streaming de musique à la demande. Pour que le service puisse décider quels nouveaux morceaux ou artistes proposer à un utilisateur, les algorithmes de machine learning associent les préférences de l’utilisateur à celles d’autres utilisateurs ayant des goûts similaires. Cette technique, souvent simplement présentée comme de l’IA, est utilisée par de nombreux services qui proposent des recommandations automatisées.

Le machine learning est la fondation d’une multitude de tâches automatisées dans de nombreux secteurs, des sociétés de sécurité des données qui traquent les logiciels malveillants aux professionnels de la finance qui veulent être alertés des opérations boursières intéressantes. Les algorithmes d’IA sont programmés pour apprendre continuellement comme un assistant personnel virtuel et ils le font très bien.

Le machine learning est fondé sur un codage et des mathématiques complexes qui, au final, remplissent une mécanique de la même façon qu’une torche électrique, une voiture ou un écran d’ordinateur. Quand nous disons que quelque chose est capable de « machine learning », cela veut dire qu’il s’agit de quelque chose qui remplit une fonction avec les données qu’on lui fournit et qui s’améliore au fil du temps. Un peu comme si vous aviez une lampe torche qui s’allumait chaque fois que vous dites « il fait sombre » et qui était capable de reconnaître différentes phrases contenant le mot « sombre ».

Mais la capacité des machines à apprendre à faire de nouvelles choses devient vraiment intéressante (et excitante) quand on aborde l’apprentissage profond et les réseaux neuronaux du même nom.

Qu’est-ce que l’apprentissage profond ?

L’apprentissage profond est une discipline du machine learning qui structure les algorithmes en couches pour créer un « réseau neuronal artificiel », capable d’apprendre et de prendre des décisions intelligentes tout seul.

La différence entre apprentissage profond et machine learning

En termes pratiques, l’apprentissage profond n’est jamais qu’une discipline du machine learning. D’ailleurs, l’apprentissage profond est une forme de machine learning et fonctionne de la même façon (c’est pourquoi les termes sont souvent utilisés de façon interchangeable). Cependant, il a des capacités différentes.

Si les modèles de machine learning élémentaires s’améliorent avec le temps, ils ont malgré tout besoin d’aide. Quand un algorithme d’IA renvoie une prédiction erronée, un ingénieur doit intervenir et effectuer des corrections. Avec un modèle d’apprentissage profond, un algorithme peut déterminer par lui-même si une prédiction est exacte ou non grâce à son réseau neuronal.

Revenons à notre lampe torche : elle peut être programmée pour s’allumer quand elle reconnaît un indice audio particulier, à savoir quand quelqu’un prononce le mot « sombre ». Au fil de son apprentissage, elle finira peut-être par s’allumer à chaque phrase qui contient ce mot. Mais si cette lampe utilise un modèle d’apprentissage profond, elle peut être capable de comprendre qu’elle doit s’allumer aux indices « je n’y vois rien » ou « la lumière ne marche pas », peut-être en tandem avec un détecteur de lumière. Un modèle d’apprentissage profond est capable d’apprendre par le biais de sa propre méthode de calcul, une technique qui donne l’impression d’intelligence.

Comment fonctionne l’apprentissage profond ?

Un modèle d’apprentissage profond est conçu pour analyser les données en continu avec une structure logique similaire à la façon dont un cerveau humain tire des conclusions. Pour y parvenir, les applications d’apprentissage profond utilisent une structure stratifiée d’algorithmes appelée réseau neuronal artificiel. Le design d’un réseau neuronal artificiel est inspiré par le réseau neuronal biologique du cerveau humain, ce qui permet un processus d’apprentissage bien plus performant que celui des modèles de machine learning standards.

Il n’est pas facile de s’assurer qu’un modèle d’apprentissage profond ne tire pas les mauvaises conclusions : comme avec beaucoup d’autres exemples d’IA, il faut beaucoup d’entraînement et de pratique pour obtenir des processus d’apprentissage corrects. Mais quand il fonctionne comme il se doit, l’apprentissage profond fonctionnel est souvent perçu comme un petit miracle scientifique que beaucoup considèrent comme l’épine dorsale de la véritable intelligence artificielle.

Un excellent exemple d’apprentissage profond est AlphaGo de Google. Google a créé un programme informatique doté de son propre réseau neuronal qui a appris à jouer au jeu de Go, un jeu abstrait qui nécessite un intellect et une intuition aiguisés. En affrontant des joueurs professionnels, le modèle d’apprentissage profond d’AlphaGo a appris à jouer à un niveau jusqu’alors jamais atteint par l’intelligence artificielle, ce sans que personne ne lui dise jamais quand effectuer un coup spécifique (ce dont aurait besoin un modèle de machine learning standard). La victoire d’AlphaGo sur plusieurs maîtres du jeu de go célèbres dans le monde entier n’est pas passée inaperçue : non seulement une machine avait compris les techniques et aspects abstraits complexes du jeu, mais elle se haussait parmi les meilleurs joueurs.

Pour récapituler les différences entre apprentissage profond et machine learning :

• Le machine learning utilise des algorithmes pour analyser les données, apprendre de ces données et prendre des décisions informées fondées sur ce qu’il a appris.

 

• L’apprentissage profond structure les algorithmes en couches pour créer un « réseau neuronal artificiel », capable d’apprendre et de prendre des décisions intelligentes tout seul.

 

• L’apprentissage profond est une discipline du machine learning. Tous deux font partie de l’intelligence artificielle, mais l’apprentissage profond permet la forme d’IA la plus proche du fonctionnement du cerveau humain.

Les données sont le carburant du futur

Avec les énormes volumes de données produits par l’ère du Big Data que nous vivons, il est inévitable que surviennent des innovations que nous ne pouvons même pas imaginer actuellement, potentiellement dans un futur proche, peut-être une dizaine d’années seulement. Les experts pensent que certaines de ces innovations seront probablement des applications de l’apprentissage profond.

Andrew Ng, chercheur principal pour Baidu, important moteur de recherche chinois, et l’un des leaders du projet Google Brain, a partagé une excellente analogie de l’apprentissage profond dans Wired Magazine : « Pour moi, l’IA, c’est comme construire une fusée spatiale. Il faut un moteur ultra-puissant et beaucoup de carburant », a-t-il expliqué à Caleb Garling, journaliste pour Wired. « Si vous avez un gros moteur et très peu de carburant, vous n’arriverez pas en orbite. Si vous avez un tout petit moteur et beaucoup de carburant, vous n’arriverez même pas à décoller. Pour construire une fusée, il faut un énorme moteur et beaucoup de carburant. »

« L’analogie avec l’apprentissage profond ? Le moteur de la fusée est l’apprentissage profond et le carburant, ce sont les énormes quantités de données que nous pouvons fournir à ces algorithmes. »

– Andrew Ng (source : Wired)

Mais quel est le rôle de l’apprentissage profond et du machine learning dans le service client ?

Aujourd’hui, de nombreuses applications d’IA dans le domaine du service client utilisent des algorithmes de machine learning. Elles servent à favoriser le self-service, booster la productivité des agents et améliorer la fiabilité des workflows.

Les données fournies à ces algorithmes proviennent d’un flux constant de demandes client, qui incluent des informations contextuelles pertinentes au sujet des problèmes des clients. Le regroupement de ces données contextuelles dans une application d’IA permet des prédictions plus rapides et plus précises. Cela a fait de l’intelligence artificielle une perspective attrayante pour de nombreuses entreprises et les leaders du secteur vont jusqu’à dire que les applications de l’IA commerciale les plus fonctionnelles seront destinées au service client.

Et avec le perfectionnement de l’apprentissage profond, nous verrons des applications encore plus sophistiquées de l’intelligence artificielle dans le service client. Un excellent exemple est Answer Bot de Zendesk, qui intègre un modèle d’apprentissage profond pour comprendre le contexte d’un ticket d’assistance et apprendre quels articles d’aide il doit suggérer au client.