L’intelligence artificielle est définie par le Larousse comme « l’ensemble des théories et techniques pour réaliser des machines pour simuler l’intelligence humaine ». Ainsi, la notion d’IA en tant que telle regroupe un ensemble de sujets très vastes. Parmi ces applications de l’IA, on retrouve notamment les notions de machine learning, ainsi que celles de deep learning.

Figure 1 : Représentation des différents types d’intelligence artificielle

Les utilisations de l’IA aujourd’hui peuvent être regroupées en 3 catégories principales : l’identification, la prédiction et la génération de données.

Dans le cas de l’identification, l’IA est aujourd’hui utilisée pour tout ce qui a trait à la reconnaissance faciale, reconnaissance de texte (OCR) ainsi que de la détection vocale, ou bien de la traduction ; de manière générale, tout ce qui a trait au traitement de l’image et du son peut être lié à l’IA. Ce sont dans le cadre de ces applications que l’on utilise le plus souvent le deep learning.

Dans le cas de la prédiction, l’IA peut servir dans nombre infini de situations, comme par exemple le calcul prévisionnel du CA d’une entreprise, la prédiction de trafic automobile, ou bien la prévision météorologique.

Quelques petites précisions sur les termes :

Le Machine learning c’est…

Une technique reposant sur un réseau de neurones, lesquels sont des fonctions unitaires et paramétrables de décision. Le mot apprentissage vient du fait que ce réseau est « entraîné » à partir de données de tests.

Figure 2: Mécanisme d’apprentissage d’un réseau de neurone

Figure 3: Description d’un réseau de neurone

Chaque disque de couleur représente un neurone, il faut noter qu’un réseau de neurone entraîné par machine learning possède une couche de perception, qui permet de percevoir les caractéristiques du stimulus. Par exemple les caractéristiques peuvent être un attribut particulier, tel que la dimension de l’objet, la couleur ou la forme.

Le but est de pouvoir classifier ou prédire, exemple :

• Etant donné un objet possédant 4 roues, des vitres, qui se trouve sur une route, le réseau devrait « classer » cet objet comme étant une voiture.
• Étant donné les conditions économiques actuelles, et connaissant les fluctuations passées, quelle sera la marge brute dégagée sur les 3 prochains mois ?

Un des prérequis au machine learning est l’identification des caractéristiques du problème, permettant d’alimenter la couche de perception.

Deep learning :

Le Deep Learning repose sur le même principe d’apprentissage que le Machine Learning, mais la densité de neurone d’analyse est beaucoup plus importante. Cela permet d’éliminer la couche de perception. Dans ce cas le réseau de neurone identifie lui-même les caractéristiques discriminantes du problème.

Figure 4: Effet d’apprentissage sur un réseau de neurone : certains neurones ont un poids beaucoup plus important que d’autres

Comme montré dans le schéma ci-dessus le deep learning permet, en densifiant le réseau, de ne pas caractériser les données d’entrées.

Une des facultés remarquables du Deep Learning est la génération de caractéristiques en créant un modèle spécifique permettant d’inverser le procédé : de résultat de classification vers l’identification de caractéristiques.

La question citée précédemment s’inverse donc, passant de « Cet objet sur l’image est-il une voiture ? » à « Génère une image qui représente une voiture, et le réseau de neurone sera parcouru à l’envers pour générer »

C’est ce qu’on appelle un modèle « génératif ».