L'apprentissage profond (deep learning) est une méthode d'intelligence artificielle qui permet aux ordinateurs d'apprendre des motifs par eux-mêmes à partir de grandes quantités de données en utilisant des réseaux de neurones artificiels multicouches. Pour répondre à la question « que signifie l'apprentissage profond ? », le mot « profond » fait référence au grand nombre de couches du réseau. Aujourd'hui, de nombreuses technologies, du déverrouillage facial sur votre téléphone aux assistants conversationnels, reposent sur cette technologie.
Comment fonctionne un réseau de neurones ?
Un réseau de neurones est constitué de « neurones » artificiels interconnectés. Chaque neurone multiplie les nombres qu'il reçoit par certains poids, les additionne et transmet le résultat à la couche suivante. Les premières couches capturent des caractéristiques simples (bords et couleurs dans une image) ; les couches suivantes les combinent en concepts plus complexes (un œil, un visage, un chat).
L'apprentissage se produit pendant la phase d'entraînement : le réseau fait une prédiction, celle-ci est comparée à la bonne réponse, et l'erreur est propagée vers l'arrière à l'aide d'une méthode appelée rétropropagation, ajustant les poids par petits pas. Répété sur des millions d'exemples, cela permet au réseau d'exécuter des tâches pour lesquelles personne n'a écrit de règles explicites.
Quelle est la différence entre l'apprentissage profond et l'apprentissage automatique ?
Dans l'apprentissage automatique classique, les humains décident souvent quelles caractéristiques des données examiner. Dans l'apprentissage profond, le réseau extrait lui-même les caractéristiques importantes à partir de données brutes (pixels, ondes sonores, texte). Le prix à payer est qu'il nécessite beaucoup plus de données et de puissance de calcul, en particulier des processeurs graphiques (GPU).
Pourquoi l'apprentissage profond a-t-il connu un essor fulgurant en 2012 ?
L'idée des réseaux de neurones remonte aux années 1950, mais pendant des décennies, il n'y a pas eu assez de données ou de puissance de calcul. En 2012, AlexNet, développé par une équipe de l'Université de Toronto, a remporté le concours de reconnaissance d'images ImageNet avec une large avance et a démontré la puissance des réseaux profonds entraînés sur des GPU. Les pionniers du domaine, Geoffrey Hinton, Yann LeCun et Yoshua Bengio, ont reçu le prix Turing en 2018, et Hinton a partagé le prix Nobel de physique 2024 avec John Hopfield.
Où utilise-t-on l'apprentissage profond ?
- Images : reconnaissance faciale, analyse d'images médicales, perception dans les voitures autonomes.
- Parole : assistants vocaux et transcription de la parole en texte.
- Langage : traduction automatique et grands modèles de langage tels que ChatGPT, Gemini et Claude.
- Science : prédiction de la structure des protéines, modèles météorologiques et découverte de médicaments.
Questions fréquentes
L'apprentissage profond et l'intelligence artificielle sont-ils la même chose ?
Non. L'intelligence artificielle est le concept le plus large ; l'apprentissage automatique en est une branche, et l'apprentissage profond est une branche de l'apprentissage automatique.
Que dois-je savoir pour apprendre l'apprentissage profond ?
Des bases en programmation Python ainsi qu'en algèbre linéaire et en probabilités de niveau lycée constituent un bon point de départ. Vous pouvez continuer avec des bibliothèques gratuites telles que PyTorch et TensorFlow, ainsi qu'avec des cours en ligne.
Quelles sont les faiblesses de l'apprentissage profond ?
Il nécessite beaucoup de données et d'énergie, ses décisions sont difficiles à expliquer (le problème de la « boîte noire ») et il peut véhiculer des biais provenant de ses données d'entraînement.
Sources
- ACM, annonce du prix A.M. Turing 2018 (Bengio, Hinton, LeCun).
- Fondation Nobel, prix Nobel de physique 2024 (Hopfield et Hinton).
- Krizhevsky, Sutskever, Hinton, « ImageNet Classification with Deep Convolutional Neural Networks », 2012.
Laisser un commentaire
Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont marqués *