Quelle est la différence entre Deep Learning et Machine Learning ?

Machine Learning et Deep Learning sont des sous-ensembles de l’Intelligence Artificielle (IA). Ce sont des disciplines complémentaires liées au Big Data. Un système prédictif de risques médicaux, un système de surveillance de chaîne de production, une voiture autonome, un voyage de sonde dans l’espace ou un centre météorologique se basent tous aujourd’hui sur des couches de données analysées et extrapolées, plus ou moins abstractives selon le service recherché.

Machine Learning, Deep Learning et IA développent des modèles d’apprentissage éminemment complexes, manipulant de colossaux jeux de données et d’informations en temps réel. Le matériel requis pour ce faire est à la hauteur de la gageure en termes de puissance et de fiabilité.

Qu’est-ce que l’intelligence artificielle ?

De la même façon que l’intelligence du maçon dans ses gestes et sa vision de son métier dans toutes les dimensions ne sera jamais assimilée ni maîtrisée par le chimiste de génie dans son laboratoire, la définition de l’intelligence artificielle évolue dans le temps et peut posséder plusieurs définitions.

On définit aujourd’hui l’IA comme la capacité pour une machine à reproduire les mêmes tâches que le genre humain. C’est donc à la fois une discipline « intellectuelle » de développement de logiciels et en même temps un développement de capacités « physiques » des machines à s’approprier leur environnement, de se mouvoir puis d’interagir avec lui.

Reconnaissance de la parole, du langage, acuité visuelle, sens de l’équilibre, réflexes, intuition… Les domaines de recherche en IA sont infinis. Ils se basent tous sur des démarches d’apprentissage, puis d’autoapprentissage pour développer une capacité d’anticipation et de prédiction à des puces de silicone.

La différence entre ML et DL

Le Machine Learning permet aux machines d’apprendre par elles-mêmes… Ont leur fournit un énorme ensemble de données desquelles elle tirera, grâce son logiciel intégré, des modèles comportementaux, des schémas de fonctionnement ou des modélisations statistiques. Pour ce faire, les automates de Machine Learning sont élaborés à l’image du cerveau humain : ils utilisent un réseau neuronal artificiel pour imiter notre mode de réflexion, d’analyse et de synthèse… à des vitesses stratosphériques. Voire désormais quasiment à la vitesse de la lumière.

C’est dans ce réseau neuronal artificiel que travaillent tous les processus de Deep Learning. Ces derniers utilisent des couches de réseaux neuronaux « profonds ». Chacun est dévolu à une seule tâche, manipulant des volumes d’information énormes, grâce à des programmations parfaites d’algorithmes complexes ressemblant à la structure du cerveau humain. La superposition de ces couches neuronales permet, au final, à la machine d’effectuer des tâches spécifiques en toute autonomie, voire, de prendre des décisions ou de prédire des comportements futurs.

Un exemple pratique pour mieux comprendre

Prenons un exemple précis. Comment un processeur peut-il reconnaître toutes les photos de Tata Suzanne parmi toutes les photos de votre smartphone ? En approchant le processus par une programmation d’IA, le développeur doit coder tous les algorithmes du modèle d’apprentissage. Ce modèle permettra à votre application de reconnaître à coup sûr, sur chacune des photos, votre Tantine préférée, qu’elle fasse du vélo ou qu’elle complète un sudoku.

Le Machine Learning apprendra lui à la reconnaître grâce à un processus d’itération et de correction en analysant lui-même l’entièreté de son visage. Le développeur doit permettre au système d’apprendre par lui-même à analyser puis à corriger son analyse jusqu’à ce que cette dernière soit fonctionnelle et marche à tous les coups.

Le Deep Learning quant à lui divisera chaque partie du visage, tout seul, et ira rechercher, couche d’information après couche d’information, les yeux de Tata Suzanne dans la photothèque. Rebelote pour la bouche, les oreilles, les pommettes, la silhouette, jusqu’à compiler les données pour reconstituer globalement la personne et la reconnaître encore plus précisément, y compris quand elle chante aux douze coups de minuit.

L’équipement nécessaire pour l’intelligence artificielle

On voit par l’exemple ci-dessus que des fonctionnalités basiques que nous utilisons tous les jours font appel à des puissances de calcul considérables et des volumes de données à stocker et manipuler qui ne le sont pas moins. En conséquence, les ordinateurs, les entrepôts de données et les serveurs GPU pour l’intelligence artificielle doivent répondre à des normes drastiques en matière de performances et de fiabilité.

L’IA pour l’industrie est encore plus exigeante. Elle nécessite un équipement résistant à des environnements hostiles et compliqués pour les composants informatiques. Humidité, chaleurs intenses, vibrations, poussières et particules fines pouvant remettre en cause tout un processus de fabrication, l’équipement à choisir ne s’improvise pas.