Définition :
Le Deep Learning ou l’apprentissage profond ou l »apprentissage en profondeur est un ensemble de méthodes d’apprentissage automatique tentant de modéliser avec un haut niveau d’abstraction des données grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l’analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage. Dans les années 2000, ces progrès ont suscité des investissements privés, universitaires et publics importants, notamment de la part des GAFAM (Google, Apple, Facebook, Amazon, Microsoft)
Pour introduire ce point, voici quelques vidéo :
En premier, je vous invite à visionner la vidéo de gauche.
Source : MIT Introduction to Deep Learning
L’apprentissage profond des images était dans ‘les tuyaux’ depuis les années 2000 mais il manquait des sources fiables et étiquetées… C’est là qu’il faut remercier Internet et ses banques de données d’images classées et étiquetées par des humains.
La mise en ligne du site IMAGENET en 2012 lança le mouvement !
L’apparition du terme Deep Learning fut le concours de reconnaissance et de classification d’image. Ce concours, effectué tous les ans, met en compétition des équipes de recherche du monde entier pour classifier automatiquement des images selon 1000 catégories différentes.
Retour sur notre schéma général :
Nous passons au dernier stade : le Deep Learning ou Apprentissage Profond
Focus sur ImageNet
Objet du concours : faire identifier des images à des « Machine »
En 2012, l’équipe qui l’ emporté l’a fait avec un réseau de neurone profond, une première pour cette compétition. En effet, la grande complexité de la tâche semblait jusque-là trop importante pour pouvoir utiliser des réseaux de neurones. Fait marquant, la solution de cette équipe faisait presque moitié moins d’erreurs que celle de l’équipe en seconde position du concours !
Leur solution se basait sur un réseau de neurones très profond pour l’époque (8 couches). L’apprentissage du réseau fut possible grâce à l’utilisation de GPUs et grâce à un ensemble de nouvelles techniques permettant de faciliter l’utilisation de la rétro propagation du gradient notamment en changeant la façon dont les neurones retournent leur valeur d’activation.
Schéma de principe :
L’année suivante, toutes les meilleures équipes utilisaient des réseaux de neurones et aujourd’hui, plus personne n’utilise de méthodes différentes pour cette compétition.
Pour bien visualiser la base d’images : ImageNet
L’âge d’or du Machine Learning c’est maintenant
Il n’y a pas si longtemps encore, communiquer en temps réel par SMS ou accéder aux informations de son compte bancaire à partir d’un smartphone semblaient inenvisageables. Aujourd’hui, ces actions sont si courantes que l’on pense à peine aux processus incroyables qui les rendent possibles. Et alors que nous entrons dans l’âge d’or du Machine Learning, nous pouvons nous attendre à une explosion comparable d’avantages que nous pensions auparavant impossible.
Cette technologie a atteint un niveau de maturité et l’industrie dispose de toutes les clés pour qu’elle soit largement utilisée dans un futur proche. Dans le domaine de la santé, l’utilisation de modèles prédictifs créés avec le ML accélère la recherche et la découverte de nouveaux médicaments et traitements. Dans d’autres secteurs, cette technologie aide les villages reculés d’Afrique à accéder à des services financiers et permet de trouver des logements aux personnes sans domicile fixe.
Cette technologie a tout le potentiel pour avoir un impact encore plus grand sur notre société et à l’avenir, pratiquement toutes les applications, les processus métier et les expériences de l’utilisateur final intégreront du Machine Learning.
C’est une nouvelle révolution industrielle qui est là !
Pour y parvenir, les entreprises doivent tirer parti des outils intelligents directement dans des applications qui bénéficieront à l’ensemble de l’organisation. Prenons l’exemple de Clévy, une start-up française qui a développé un chatbot d’information public et anonyme sur la Covid-19 appelé « CovidBot », basé sur les recommandations officielles des autorités sanitaires. Grâce à l’intelligence artificielle, CovidBot répond aux questions de tous sur les bonnes pratiques à avoir pendant le confinement, et ensuite au moment du déconfinement. Une cinquantaine de communes française ont pu installer gratuitement le chatbot sur leurs sites internet pour répondre aux questions du public sur l’autodiagnostic, les gestes de barrière, les masques et autres protections, ainsi que sur toutes mesures prises par les autorités. L’entreprise annonce avoir traité 2 millions de messages et effectué 20 000 diagnostics.
En intégrant l’intelligence artificielle dans la personnalisation, le traitement des documents, la recherche d’information en entreprise, les centres de contacts et d’appels, la chaîne d’approvisionnement ou la détection des fraudes, tous les travailleurs peuvent bénéficier du Machine Learning facilement.
Selon le World Economic Forum, la croissance de l’Intelligence Artificielle pourrait créer 58 millions de nouveaux emplois dans les prochaines années. Cependant, des études suggèrent qu’il n’y a actuellement que 300 000 ingénieurs en IA dans le monde. Et l’écart continue de croître avec trois fois plus d’offres d’emploi liées à l’IA que les recherches d’emploi dans cette spécialité. Les entreprises doivent donc reconnaître qu’elles ne pourront tout simplement pas embaucher tous les data scientists dont elles ont besoin alors même qu’elles continuent à implémenter le Machine Learning dans la chaîne de leurs activités. Il est fondamental que les entreprises orientent leurs efforts sur la formation de leurs propres employés pour que ces derniers développent des compétences en ML ; mais il faut qu’elles investissent également dans des programmes de formation de ces compétences importantes pour les employés de demain.
Il ne faut pas oublier que cette généralisation va permettre de créer de nouveaux emplois ou spécialités que nous ne connaissons pas encore !
Les promesses du Machine Learning pour demain
Tant de choses ont été accomplie grâce au Machine Learning, et pourtant, nous n’en sommes toujours qu’au premier jour !
Si nous utilisons cette technologie pour aider les orangs-outans en voie de disparition, imaginez comment elle pourrait aider à sauver et à préserver nos océans et notre vie marine, etc… Si nous utilisons le ML pour créer des clichés numériques des forêts de la planète en temps réel, imaginez comment nous pourrions nous en servir pour prédire et prévenir les incendies de forêt. Si le Machine Learning peut aider à connecter les petits agriculteurs aux personnes et aux ressources dont ils ont besoin pour réaliser leur potentiel économique, imaginez comment le ML pourrait contribuer à mettre fin à la faim dans le monde.
Maintenant voici une suite de vidéos :
Comprendre le DeepLearning et les Réseaux de neurones
Publié sur YouTube le 17 août 2019
Par Sociamix
Le fonctionnement des réseaux de neurones – Introduction au Deep Learning
Publié sur YouTube le 1 septembre 2018
Par Chronophage
Illustration du fonctionnement du Deep Learning
Avec une courses de voitures :
En combien de générations le parcours sera-il effectué ?
J’ai appris que pour être heureux, il faut avoir été très malheureux.
Sans apprentissage de la douleur, le bonheur n’est pas solide.
Un réseau neuronal apprend à jouer à Snake
Question : en combien d’itérations le réseau devient-il performant ?
Pour allez plus loin, je propose de lire cet excellent article : Comment le « deep learning » révolutionne l’intelligence artificielle
Publié sur Le Monde le 28 juillet 2015 par Morgane Tual
Cette technologie d’apprentissage, basée sur des réseaux de neurones artificiels, a complètement bouleversé le domaine de l’intelligence artificielle en moins de cinq ans.
« Je n’ai jamais vu une révolution aussi rapide. On est passé d’un système un peu obscur à un système utilisé par des millions de personnes en seulement deux ans. » Yann LeCun, un des pionniers du « deep learning », n’en revient toujours pas. Après une longue traversée du désert, « l’apprentissage profond », qu’il a contribué à inventer, est désormais la méthode phare de l’intelligence artificielle (IA). Toutes les grandes entreprises tech s’y mettent : Google, IBM, Microsoft, Amazon, Adobe, Yandex ou encore Baidu y investissent des fortunes. Facebook également, qui, signal fort, a placé Yann LeCun à la tête de son nouveau laboratoire d’intelligence artificielle installé à Paris.
Ce système d’apprentissage et de classification, basé sur des « réseaux de neurones artificiels » numériques, est, pêle-mêle, utilisé par Siri, Cortana et Google Now pour comprendre la voix, être capable d’apprendre à reconnaître des visages. Il a « découvert » par lui-même le concept de chat et est à l’origine des images psychédéliques qui ont inondé la Toile ces dernières semaines, aux allures de « rêves » de machines.
L’article complet : Comment le « deep learning » révolutionne l’intelligence artificielle
Un peu de détente maintenant :
Comment une IA apprend à garer une voiture ?
5 IA surpuissantes
Vidéo de la chaine Science4all :
Pour un peu de détente…
Quatre deepfakes de Jim Carrey en Jerry Lewis
Merci à : Elvis Morelli (Digital Visual Art)