Les différences entre intelligence artificielle, apprentissage machine et apprentissage profond

Depuis le début du 20e siècle, l’IA a capté l’imaginaire collectif. Dans les années 1940, le pionnier de l’informatique, Alan Turing, commence déjà à formuler les techniques de base, comme les réseaux de neurones, qui ont rendu l’IA possible aujourd’hui. En 1956, les scientifiques proposent la première définition de l’IA aux conférences de Dartmouth : « Chaque aspect de l’apprentissage, ou toute autre caractéristique de l’intelligence, peut être si précisément décrit qu’une machine peut être conçue pour le simuler. » C’est le concept auquel nous pensons tous quand nous parlons d’IA : des machines ou des robots comme C-3PO, Terminator ou Wall-E dotés des sens et de l’intellect d’êtres humains. Ces IA ont la capacité de s’adapter et de résoudre de nouveaux problèmes dans toute situation donnée. Toutefois, la plus grande partie de l’IA actuelle est en réalité de catégorie restreinte ou faible, c’est-à-dire capable de réaliser des tâches très précises. Quelques exemples d’IA faible : Siri d’Apple, recommandation sur la prochaine émission de télévision Netflix, reconnaissance faciale sur Facebook. Toutes ces technologies présentent certaines facettes de l’intelligence humaine, mais comment fonctionnent-elles ? Une des réponses est l’apprentissage machine.

La vidéo de deux Amazon Echos communiquant entre eux démontre les limites de l’IA faible.

L’apprentissage machine est un appareil qui utilise des algorithmes pour analyser des données, en tirer des leçons et ensuite déterminer ou prédire quelque chose. En d’autres termes, la machine est entraînée à l’aide de grandes quantités de données et d’algorithmes qui permettent au système d’apprendre à exécuter une tâche. L’AM s’avère performant pour la reconnaissance faciale, vocale et d’objets, la traduction et de nombreuses autres tâches. Contrairement au codage manuel d’un logiciel avec des instructions spécifiques pour accomplir une tâche, l’AM permet à un système d’apprendre à reconnaître des motifs par lui-même et à faire des prédictions. Performant, mais pas parfait, il nécessite encore beaucoup d’intervention humaine. L’AM est utilisé entre autres dans les technologies de conduite autonome où le système est entraîné à l’aide de milliers, ou de millions, d’images pour pouvoir identifier des panneaux de signalisation et déterminer s’il s’agit d’un « arrêt », pour ensuite arrêter le véhicule. Ici encore, performant, mais pas parfait, surtout un jour de neige où le panneau n’est pas parfaitement visible ou peut être obstrué en partie par un arbre.

Apprentissage machine : Comprendre un monde qui change — Google

L’apprentissage profond est un type d’apprentissage machine comportant un système mathématique inspiré du cerveau humain : les réseaux de neurones artificiels. Cependant, contrairement à notre cerveau où les neurones sont interconnectés, ces réseaux de neurones artificiels ont des couches cachées, des connexions et des directions de propagation des données. Au fil des ans, les chercheurs ont amélioré le concept grâce à diverses techniques comme l’ajout de multi-couches rendant accessibles les fonctionnalités de niveau supérieur. Le système est capable de mieux prédire le problème. Nous parlons ici de prédiction puisque l’AP peut être défini comme étant un système de probabilités. À l’aide d’une grande quantité de données, le système peut fournir des déclarations, des décisions ou des prédictions avec un certain degré de certitude. L’exemple le plus populaire d’AP est la détection et la classification d’un chat dans une image. Le système est entraîné à l’aide d’un énorme ensemble de données et peut transmettre ces résultats : il peut être sûr à 91 % qu’il y a un animal dans l’image, à 82 % qu’il s’agit d’un chat et à 8 % qu’il s’agit d’un chat en peluche. Ensuite, des algorithmes peuvent être ajoutés ou corrigés, et même indiquer à la machine que les décisions sont correctes ou incorrectes. L’AP a ses limites : utiliser plus de couches nécessite plus de puissance informatique et une plus grande quantité de données pour l’entraîner. En effet, un vaste nombre de paramètres doit être compris par un algorithme d’apprentissage. Par exemple, il lui faudrait un ensemble colossal d’images pour comprendre les détails mineurs qui distinguent un chat d’un guépard, d’une panthère ou d’un renard.

Podcast : Pionnier de l’apprentissage profond Andrew Ng sur l’IA, cette nouvelle électricité