IA, Machine Learning et Deep Learning, comment ça marche ?
« Les 10 dernières années ont été axées sur la construction d’un monde qui est mobile-first. Au cours des 10 prochaines années, nous allons passer à un monde qui sera IA-first. »
Sundar Pichai, PDG de Google, octobre 2016
En 2018, bien plus qu’avant, on entend tout le monde parler d’IA, de Machine Learning et de Deep Learning. Et je parie que tu te demandes ce que ces termes peuvent bien désigner. On va reprendre les choses chronologiquement.
Qu’est-ce que l’intelligence artificielle ?
Le terme d’intelligence artificielle (IA), a été inventé en 1956 par John McCarthy Professeur adjoint de l’Université de Dartmouth.
L’IA désigne tout matériel ou logiciel qui présente un comportement qui semble intelligent.
Cette technologie a mis un moment à progresser dû aux limitations techniques et à la complexité dans les années 1960 de programmer des algorithmes.
Le raisonnement par tâtonnements
Au départ, nombreux sont les programmes à utiliser le même algorithme. On parlait alors de “raisonnement par tâtonnements”.
Imagine-toi, c’est comme si tu voulais traverser un labyrinthe. Tu progresses pas à pas vers la solution et à chaque fois que tu te heurtes à une impasse, tu fais marche arrière.
Cette méthode pose néanmoins un problème. Le nombre de possibilités pour arriver à la solution s’avère très souvent astronomique ! Des chercheurs ont donc unis leurs efforts pour réduire ces possibilités.
Suite à ces tentatives, est née l’idée du langage naturel. Son but étant de faire communiquer des ordinateurs dans une langue comme l’anglais.
Le langage naturel
Pourquoi un langage naturel ? C’est très simple. Pour faire accepter à tout le monde les IA, il faut que les usagers les comprennent. Il faut également que les interactions soient simples.
Ce type d’IA te parle sans doute plus, on le retrouve des dans appareils comme le Google Home, Amazon Echo avec Alexa ou encore l’Home Pod avec Siri. Ces IA se sont démocratisées cette année, tout comme les IA qui sont derrière les différents chatbots.
La naissance du Machine Learning
Le Machine Learning (ML), est un sous domaine de l’IA. Le ML nous permet de nous attaquer à des problèmes qui sont trop complexes pour êtres résolus par les humains. Pour cela on transfère une partie de la charge de travail à l’algorithme.
Son objectif
Le but principal des ML est de développer un moteur de prédiction dans un cas d’utilisation particulier.
Prenons un exemple : Imaginons une plateforme de séries et de films. L’algorithme analysera les informations sur les séries et films que l’utilisateur aura regardés dans le passé afin de prédire les films et séries qu’il sera susceptible d’aimer.
On retrouve également ce principe dans certains jeux vidéos, plus tu avances dans les niveaux, plus algorithme te connait et s’adaptera à ta façon de jouer pour te complexifier la tâche.
Son Fonctionnement
Le Machine Learning fonctionne par entraînement. L’algorithme reçoit en premier lieu des exemples de résultats connus. Il va ensuite faire ses propres calculs, noter la différence entre ses prévisions et les résultats corrects. Ensuite il affinera sa précision en pondérant ses prédictions jusqu’à ce qu’elle soit optimisée.
Qui plus est, il existe plus de 15 méthodes d’apprentissage dans le ML. Chacune utilise des algorithmes différents pour optimiser au mieux les prédictions. Les algorithmes les plus utilisés sont :
- « random forest » qui créé une multitude d’arbres de décisions pour optimiser une prédiction
- « les réseaux bayésiens » qui utilisent les probabilités pour analyser les différentes décisions à prendre
-« les machines à vecteurs » qui sont nourries d’exemples classés et se basent sur ceux-ci pour catégoriser les décisions à prendre suivant un cas donné
Mais ce n’est pas tout, parfois il nous faut des résultats encore plus fins et précis. Pour cela il faut utiliser une approche nommée Deep Learning.
Deep Learning, apprentissage en profondeur !
Le ML, même utilisé avec les méthodes ci-dessus reste très compliqué à optimiser pour avoir un programme qui fonctionne bien.
Cette difficulté réside dans des tâches précises comme reconnaître des animaux ou des objets dans des images ou des vidéos.
Pourquoi est-ce si difficile ? Tout simplement parce-que nous ne pouvons pas préciser les caractéristiques précise d’un chat par exemple. Ils sont tous différents en fonction de leur race, de leur âge, …
Son Objectif
Le but du Deep Learning est de créer un algorithme capable d’identifier n’importe quel chat dans toutes les conditions possibles et peut importe sa race, sa couleur, etc. Il devra être en mesure identifier le chat peut importe l’arrière-plan l’éclairage ou autres facteurs qui pourraient modifier la visibilité du chat sur l’image.
Son Fonctionnement
Le Deep Learning va apprendre au fur et à mesure des images rencontrées à reconnaître l’objet que l’on veut. Pour simplifier, il apprend comme un enfant qui découvre le monde et intègre peu à peu la parole.
Évidement le Deep Learning utilise plusieurs algorithmes qui forment ensembles un “réseau neuronal” qui va recevoir des informations, les analyser et prendre une décision.
Si cette décision est incorrecte les connexions entre les neurones (algorithmes) seront réajustées par les différents algorithmes.
Ce procédé sera répété des milliers voir des millions de fois jusqu’à avoir un résultat correct à presque tous les coups.
Pour terminer
ce qu’il faut retenir de tout ça, c’est que tout Deep Learning fait partie du Machine Learning et que tout Machine Learning fait partie de l’Intelligence Artificielle.
Par contre une IA n’est pas obligatoirement une ML.
Pour que ce soit plus facile à comprendre, voici un graphique représentant chaque technologie avec sa date d’apparition.
Le monde de l’intelligence artificielle reste encore compliqué et tend à se simplifier au fur et à mesure que des applications sortiront.
