Le deep learning est un concept visant à permettre à un système informatique d’apprendre par l’exemple. Développant son apprentissage seule, la machine acquiert de grandes capacités de raisonnement que n’avaient pas les ordinateurs auparavant. Ce processus est une grande avancée dans le domaine de l’intelligence artificielle. Voici ce qu’il faut savoir sur le deep learning.
Définition du deep learning
Le deep learning est un concept appartenant au machine learning et dont l’objectif est de permettre à une machine informatisée d’apprendre par l’exemple. Ce nouveau mécanisme permet d’appréhender l’intelligence artificielle d’une toute autre façon.
Conçue sur la base d’un réseau de neurones artificiels, la machine détient la capacité d’analyser chaque donnée reçue, de la décoder sous forme d’information et de l’interpréter en comparaison avec les précédentes données stockées. Son domaine d’application est énorme et permet à l’intelligence artificielle de développer son potentiel pour le futur.
Fonctionnement du Deep Learning
La complexité d’un système utilisant le deep learning varie selon son nombre de couches de neurones artificiels, qui peut passer d’une dizaine à une centaine. Plus ces couches seront nombreuses et plus le fonctionnement sera complexe.
Cela permet à un système informatique de reconnaitre des lettres, des mots, ou même un texte entièrement. C’est à travers ce processus de deep learning que les machines peuvent reconnaitre un visage dans une photo, ou même reconnaitre et différencier les animaux les uns des autres.
Pour identifier un chien sur une image, le système traite les informations reçues de la manière suivante :
- Chaque couche du réseau de neurones artificiels traite un certain aspect de l’image ;
- A chaque étape le système traite une réponse possible, si celle-ci est « mauvaise », le programme revient au niveau inférieur jusqu’à trouver la « bonne » réponse. Une fois celle-ci trouvée, une autre couche du réseau neuronal prend le relai et traite les potentielles réponses, etc. ;
- Une fois que le programme à réorganisé toutes les informations et a identifié l’image comme montrant un chien, le système aura appris ce concept et pourra reconnaitre les chiens par lui-même.
Avec le deep learning, aucun développeur ne programme l’ordinateur pour reconnaitre un chien d’une autre espèce animale. C’est à partir des données brutes envoyées (de nombreuses photos d’animaux dans cet exemple) que la machine identifiera par elle-même les canidés.
Le nombre de données brutes préalablement insufflées à la machine est très important. Plus l’ordinateur aura une base de données importante et plus son apprentissage sera rapide et performant.
Differences entre Deep learning et Machine learning
Le machine learning est un concept dont le principe est d’apprendre à une machine de manière automatique. L’ordinateur va donc pouvoir apprendre sur la base de données préalablement traitées et pourra par la suite donner une réponse adaptée à une situation complexe.
Le deep learning entre dans la catégorie du machine learning… Néanmoins, quand le machine learning nécessite un traitement préalable des données pour permettre à l’ordinateur de classer les nouvelles données, le deep learning lui, apporte un classement autonome de données brutes. Ainsi, le deep learning apporte beaucoup plus de possibilités et permet un apprentissage qui s’apparente beaucoup plus à celui d’un humain.
Domaine d’application du deep learning
Vous ne le savez peut-être pas, mais dans vos activités quotidiennes sur Internet vous utilisez déjà la technologie du deep learning.
Que ce soit en utilisant la reconnaissance faciale de Apple ou la reconnaissance vocale de Google. Voici quelques exemples de domaines ou le deep Learning est utilisé :
- Le diagnostic médical ;
- La recommandation personnalisée ;
- La modération automatique des réseaux sociaux ;
- La prédiction financière ;
- L’exploration spatiale ;
- La détection de fraude et de malware ;
- L’élaboration des villes intelligentes ou smart city ;
- L’usage des IOT (objets connectés à Internet).
Limites actuelles du Deep learning
Les biais humains
Certains essais de machine utilisant le deep learning ont révélé être très problématiques, comme par exemple l’intelligence artificielle de Google qui, en 2015 avait associé un utilisateur afro-américain à un gorille.
Le problème a été rapidement corrigé, indiquant que l’erreur venait d’un manque de diversité dans les photos données à la machine pour son entrainement. L’erreur venait donc d’un biais humain. Dans la même idée, en 2016, Microsoft a lancé un chatbox utilisant le deep learning et qui pouvait apprendre grâce aux échanges effectués sur Twitter avec les internautes.
Il s’en est suivi qu’en moins de 24 heures, le robot tenait des propos haineux, racistes et également homophobes. Cela est également dû aux relations avec des utilisateurs engagés. Le problème vient donc des biais humains. IBM a même identifié plus de 180 biais pouvant avoir un impact sur l’apprentissage des machines.
L’absence de sens commun
Le deep leaning manque cruellement de sens commun. Malgré son réseau de neurones élaborés, le système est incapable d’anticiper des scénarios pourtant familiers à un être humain. L’un des meilleurs exemples est celui de l’autobus, un être humain saura en observant un autobus à l’arrêt que des piétons pourraient traverser la chaussée.
Il n’est pour le moment pas possible de doter une intelligence artificielle de ces potentiels scénarios en utilisant le deep learning. Ces élaborations de scénarios viennent d’une expérience de vie et d’une compréhension commune du monde.
Le manque d’éthique
L’élaboration du deep learning ne prend pas en compte les émotions et la manière dont celles-ci jouent sur les décisions prises par un être humain. Le test de la première voiture autonome aux Etats-Unis en est un exemple concret.
Lors de ce test, une voiture sans conducteur humain s’est déplacée sur de longues distances et a renversé un piéton. Après analyse des données récoltées sur la voiture, les ingénieurs se sont rendu compte que la voiture intelligente s’était retrouvé face à un dilemme : s’arrêter pour laisser passer un piéton et risquer un carambolage, ou ne pas s’arrêter quitte à enlever la vie d’un être humain.
En choisissant la première option, la voiture a réalisé un choix manquant cruellement d’éthique. Cet exemple montre le grand problème de cette technologie actuellement, les machines ne sont pas dotées d’émotions, or ce sont les émotions que la majorité des humains utilisent pour faire des choix.
Il est ainsi impossible actuellement de laisser une voiture prendre la route sans conducteur, ou encore de laisser un ordinateur faire des choix ayant des impacts sur la vie d’individus.
Le manque de nuances
Le deep learning permet de créer un réseau neuronal élaboré, mais encore très succinct en comparaison avec le fonctionnement du cerveau humain. L’une des raisons est que nous ne connaissons pas encore tous les mécanismes permettant l’élaboration d’une cognition prenant en compte la rationalité, les émotions, mais également la compréhension des nuances.
Tout n’est pas noir ou blanc et l’humain peut discerner les nuances de gris contrairement à une machine. L’exemple le plus probant est avec les systèmes de modérations comme sur YouTube. Le programme supprime des vidéos non désirables comme ayant un but haineux, faisant du plagiat, etc.
Il arrive fréquemment que le système « se trompe » en supprimant des vidéos car utilisant des mots associés à des sujets indésirables. Néanmoins, ces mots sont sortis du contexte et n’expriment en rien le sujet ou message des vidéos. Ce manque de nuances et de compréhension démontre la faille du deep learning. Il n’est donc pas possible actuellement de laisser modérer des machines sans contrôle humain par la suite.
Le deep learning présente une avancé gigantesque dans le domaine de l’intelligence artificielle. L’élaboration de réseaux neuronaux complexes permet aux ordinateurs d’apprendre par l’exemple et de raisonner par eux-mêmes, selon leur apprentissage.
Pour vous aussi exploiter pleinement vos données, n’hésitez pas à faire appel à Ryax!
La Ryax Team.