Différences entre l'intelligence artificielle, le Machine Learning et le Deep Learning

Kevin Hofer

4/6/2018

Traduction: Stéphanie Casada

Aujourd'hui, l'intelligence artificielle est souvent associée au Machine Learning, aussi appelé «apprentissage automatique». Le Machine Learning fait certes partie du domaine de l'intelligence artificielle, mais les termes ne peuvent pas être utilisés comme synonymes. Il en va de même pour le Deep Learning, aussi connu sous le nom d'«apprentissage profond». Je vais essayer de vous expliquer ce qui les différencie.

Il serait de nouveau temps d’aller faire un petit tour chez le coiffeur. Pour ça, il me faudrait d’abord prendre rendez-vous. Le salon de coiffure que je fréquente ne propose pas encore de services en ligne. Je devrais donc contacter ma coiffeuse par téléphone, mais le problème, c’est que je déteste téléphoner. Heureusement, je peux demander à Google de prendre rendez-vous pour moi.

Cet exemple illustre très bien l'intelligence artificielle. L'IA est le terme générique pour tout ce qui a à voir avec l'intelligence des machines. Nous pouvons avoir affaire à elle dans la vie de tous les jours, comme le montre l'exemple de l’Assistant Google. L'IA devrait être capable de tirer des conclusions logiques, de représenter des connaissances, de planifier, de naviguer, de traiter le langage, de percevoir le monde, d'y interagir et même de faire preuve d'intelligence émotionnelle et de moralité.

Le Machine Learning fait partie de l'IA et le Deep Learning est quant à lui un domaine du Machine Learning. Mais que signifient exactement ces deux termes?

Vous en apprendrez davantage sur l'IA en lisant l'article ci-dessous (en allemand).

Machine Learning

Un exemple de Machine Learning: le moteur de recommandation Netflix. Il fait partie intégrante du service de streaming. Netflix vous recommande des films, séries et documentaires en fonction de vos préférences et de votre classement.

Qu’est-ce que le Machine Learning? Il s’agit d’un système alimenté par des données et des informations correspondantes. Prenons l’exemple du trafic routier: je veux savoir combien de véhicules passent devant chez moi le temps d’un après-midi. Je voudrais aussi les trier par type de véhicule. Je pourrais les compter, mais je n’ai pas vraiment de temps à perdre.

J'alimente donc un système de Machine Learning avec des données visuelles sur différents véhicules (voiture, bicyclette, moto). Je donne au système des informations sur les caractéristiques de ces véhicules. Ainsi, un vélo a généralement deux roues, des pédales et un guidon. Il apprend à les distinguer par des particularités optiques. Une fois que j'aurai entré toutes les données dont je dispose, je pourrai lui faire surveiller la route. Les nouvelles données enregistrées dans le système sont toujours comparées aux données existantes. C’est ainsi que je peux obtenir des informations précises sur le nombre et le type de véhicules qui passent devant ma maison.

Dans le Machine Learning, le système peut faire des prédictions basées sur des données connues. Le système a certes besoin de certaines données pour apprendre, mais moins qu'un système de Deep Learning. Le Machine Learning est donc aussi adapté pour des systèmes plus simples. La plupart des données doivent cependant être saisies manuellement au préalable. Une tâche est subdivisée et chaque partie est résolue séparément. J’ai besoin de beaucoup de temps avant de savoir si le système fonctionne avec suffisamment de précision, la phase d’essai est donc longue. Le système est facile à comprendre parce que c’est l’homme qui a défini les règles .

Deep Learning

Un exemple de Deep Learning: la coloration automatique des photos en noir et blanc. Le système de Deep Learning apprend des modèles de couleurs que l'on trouve habituellement sur les photos: le ciel est normalement bleu et les nuages sont souvent blanc-gris. Ces connaissances sont ensuite transférées sur d'autres photos en noir et blanc.

Contrairement au Machine Learning conventionnel, les systèmes de Deep Learning sont aussi capables d’apprendre par eux-mêmes. Dans le Deep Learning non surveillé, les données sont encore saisies par l’homme, mais le système les traite lui-même. C’est possible grâce à des réseaux de neurones artificiels.

Retour à l'exemple du comptage de véhicules. Cette fois, les données visuelles sont mises à la disposition du système sans aucune autre information. Le système divise ces images en gros pixels (par ex. 28×28). Il fait passer les informations par le réseau neuronal artificiel de sorte que le système apprend à faire la distinction entre les différents types de véhicules. Une fois qu'il a appris cela, nous publions de nouvelles données – le décompte réel du trafic – sur le système. Il les reconnaît maintenant correctement.

La façon dont l'ensemble fonctionne en détail est très complexe. Je travaille actuellement sur ce sujet et j'écrirai bientôt un autre article.

Les systèmes de Deep Learning pensent et apprennent à travers des réseaux neuronaux artificiels comme nous, les humains. Plus il y a de données disponibles, plus ils sont performants. Et des données, il en faut quelques-unes – bien plus que pour le Machine Learning. Le Deep Learning offre une meilleure évolutivité que les autres systèmes de Machine Learning. Cela a son prix: le Deep Learning exige beaucoup de puissance de calcul, c'est pourquoi il est plus adapté aux systèmes complexes. Les problèmes sont enregistrés dans leur intégralité. C'est le système lui-même qui décide de ce qu'il apprend. Ces systèmes de Deep Learning ont besoin de plus longtemps pour apprendre, mais il faut moins de temps pour les tester.

Résumé

En bref, l'IA est un concept et le Machine Learning un moyen possible d'atteindre l'IA. L'IA est en quelque sorte le vaisseau. Les machines intelligentes agissent et pensent comme des humains. Grâce au Machine Learning, un système apprend par programmation. Avec le Deep Learning, le système peut aussi apprendre de manière autonome.

En d'autres termes: le Machine Learning, c’est de l'IA, mais toute l'IA n'est pas du Machine Learning. Il en va de même pour le Deep Learning et le Machine Learning: le Deep Learning, c’est du Machine Learning, mais le Machine Learning n’est pas que du Deep Learning. Et pour finir: le Deep Learning, c’est de l'IA, mais toute l'IA n'est pas du Deep Learning.

Cela peut paraître déroutant, mais c'est en fait très simple.

Kevin Hofer

Senior Editor

kevin.hofer@digitecgalaxus.ch

La technologie et la société me fascinent. Combiner les deux et les regarder sous différents angles est ma passion.

Suivre

---

Informatique

Suivez les thèmes et restez informé dans les domaines qui vous intéressent.

Suivre

Ces articles pourraient aussi vous intéresser