Article • 5 min read
Quelle est la différence entre le "Machine learning" et le "Deep learning" ?
Par Brett Grossfeld
Dernière mise à jour 11 juillet 2017
Si le fonctionnement de l'Intelligence artificielle peut sembler difficile à saisir, il se résume en réalité en deux concepts dont vous avez sans doute déjà entendu parler : le "machine learning" (apprentissage automatique) et le "deep learning" (apprentissage profond). Bien que ces deux idées ne soient pas récentes, leur champ d'application semble constamment évoluer. C'est grâce au machine learning et au deep learning que Netflix vous propose des films ou séries qui pourraient vous intéresser, que Facebook reconnaît le visage de vos amis sur une photo, ou encore qu'un agent d'assistance peut déterminer si vous serez satisfait ou non du service client fourni.
Alors que signifient ces fameuses expressions qui dominent encore les conversations sur AI, et qu'est-ce qui les distingue vraiment ? Et que représentent-elles pour le service client ?
Quelle est la différence entre le "Machine learning" et le "Deep learning" ?
Voici une définition basique du machine learning :
"Algorithmes analysant les données, en tirant des conclusions, puis appliquant ce qu'ils ont appris pour prendre des décisions éclairées"
L'un des meilleurs exemples est le service de streaming musical à la demande. Les applications telles que Pandora ou Spotify utilisent un algorithme permettant d'apprendre vos préférences musicales, puis d'utiliser cette information pour prédire les autres styles de musiques qui pourraient vous plaire. Le machine learning est utilisé dans de nombreuses industries pour automatiser des tâches à la fois basiques et complexes, comme déceler les logiciels malveillants dans les entreprises de protection des données ou aider les professionnels en finance à reconnaître des marchés favorables.
Quelle est donc la différence entre le machine learning et le deep learning ? Techniquement, le deep learning est du machine learning. Cependant, alors que l'on doit apprendre à un modèle de machine learning standard comment réaliser une prédiction correcte (en le fournissant en données), un modèle de deep learning est capable de l'apprendre par lui-même, à la manière d'un être humain qui perçoit les choses, y réfléchit et en tire des conclusions. Pour cela, le deep learning utilise une structure d'algorithmes à plusieurs niveaux appelée un réseau de neurones artificiels, inspirée du réseau de neurones biologiques que l'on trouve dans le cerveau humain.
Le programme AlphaGo de Google est un excellent exemple de deep learning : Google a créé un programme informatique apprenant à jouer au Go, un jeu de société abstrait connu pour la forte intuition humaine qu’il requiert. Grâce au modèle de deep learning avec lequel il a été conçu, AlphaGo a appris à jouer à haut niveau en affrontant d'autres joueurs de Go professionnels (sans que l'on n’ait à lui dire quand effectuer un déplacement spécifique, comme ce serait le cas pour un modèle de machine learning standard).
Pour résumer :
· Le machine learning utilise un algorithme afin d'analyser les données, d'en tirer des conclusions et de prendre des décisions éclairées selon ce qu'il a appris
· Le deep learning structure ses algorithmes sous forme de couches pour créer un "réseau de neurones artificiels" capable d'apprendre et de prendre des décisions de son propre chef
· Le deep learning est un sous-domaine du machine learning. Bien que les deux concepts relèvent de la catégorie plus générale de l'intelligence artificielle, le deep learning est le terme le plus souvent utilisé pour décrire comment l'intelligence artificielle fonctionne à la manière d'un être humain.
Que signifient le machine learning et le deep learning pour le service client ?
Aujourd'hui, de nombreuses applications de l'IA dans le domaine du service client utilisent des algorithmes de machine learning pour aider à développer l'auto-assistance, augmenter la productivité des agents et, à terme, rendre le service client plus fiable. Ils apprennent rapidement à réaliser des prédictions exactes, grâce notamment à un flux constant de requêtes entrantes des clients. Dans les premiers temps de la croissance de l'IA, les leaders de l'industrie ont remarqué que l'application la plus concrète de l'IA pour les entreprises résidait dans le service client.
Il est important de noter que, avec l'amélioration du deep learning, nous assisterons à la multiplication d'applications plus avancées de l'intelligence artificielle dans le service client. Le Answer Bot développé par Zendesk est un bon exemple de cette tendance. Ce programme intègre en effet un modèle de deep learning permettant de mieux comprendre la signification et le contexte d'un ticket d'assistance. Dans un futur proche, attendez-vous à découvrir encore davantage d'applications innovantes du deep learning, avec à la clé un meilleur service client.