Article| 11 minutes de lecture
Voici la solution la plus simple pour comprendre la différence entre l'apprentissage en profondeur et l'apprentissage automatique : tout l'apprentissage en profondeur est un apprentissage en profondeur, mais tout l'apprentissage en machine n'est pas un apprentissage en profondeur.
Par Patrick Griève,Auteur collaborateur
Dernière mise à jour le 23 mai 2023
- Intelligence artificielle
Comprendre les dernières avancées enintelligence artificielle (IA)peut sembler écrasant, mais si c'est apprendre les bases qui vous intéressent, vous pouvez résumer de nombreuses innovations de l'IA à deux concepts :apprentissage automatiqueetl'apprentissage en profondeur.
Les exemples d'apprentissage automatique et d'apprentissage en profondeur sont partout. C'est ce qui fait des voitures autonomes une réalité, comment Netflix sait quelle émission vous voudrez regarder ensuite et comment Facebook reconnaît le visage d'une photo.
L'apprentissage automatique et l'apprentissage en profondeur semblent souvent être des mots à la mode interchangeables, mais il existe des différences entre eux. Alors, quels sont exactement ces deux concepts qui dominent les conversations sur l'IA, et en quoi sont-ils différents ? Continuez à lire pour le découvrir.
Apprentissage en profondeur contre apprentissage automatique
La première étape pour comprendre la différence entre l'apprentissage automatique et l'apprentissage en profondeur consiste à reconnaître quel'apprentissage en profondeurestapprentissage automatique.
Plus précisément, le deep learning est considéré comme une évolution du machine learning. Il utilise un réseau neuronal programmable qui permet aux machines de prendre des décisions précises sans l'aide de l'homme.
Mais pour commencer, définissons d'abord l'apprentissage automatique.
Qu'est-ce que l'apprentissage automatique ?
Définition de l'apprentissage automatique :Une application d'intelligence artificielle qui comprend des algorithmes qui analysent les données, apprennent de ces données, puis appliquent ce qu'ils ont appris pour prendre des décisions éclairées.
Comment fonctionne l'apprentissage automatique ?
Un exemple simple d'algorithme d'apprentissage automatique est un service de diffusion de musique à la demande. Pour que le service prenne une décision sur les nouvelles chansons ou les nouveaux artistes à recommander à un auditeur, des algorithmes d'apprentissage automatique associent les préférences de l'auditeur à d'autres auditeurs qui ont des goûts musicaux similaires. Cette technique, souvent simplement présentée comme de l'IA, est utilisée dans de nombreux services proposant des recommandations automatisées.
L'apprentissage automatique implique de nombreuses mathématiques et codages complexes qui, en fin de compte, remplissent la même fonction mécanique qu'une lampe de poche, une voiture ou un écran d'ordinateur. Lorsque nous disons que quelque chose est capable de "machine learning", cela signifieil remplit une fonction avec les données qui lui sont données et s'améliore progressivement avec le temps.C'est comme si vous aviez une lampe de poche qui s'allumait chaque fois que vous disiez : « Il fait noir » ; il reconnaîtrait différentes phrases contenant le mot "sombre".
L'apprentissage automatique alimente toutes sortes detâches automatiséesqui couvrent plusieurs secteurs, des entreprises de sécurité des données qui traquent les logiciels malveillants aux professionnels de la finance qui veulent des alertes pour les transactions favorables. Les algorithmes d'IA sont programmés pour apprendre constamment d'une manière qui simule un assistant personnel virtuel, ce qu'ils font très bien.
La façon dont les machines peuvent apprendre de nouvelles astuces devientvraimentintéressant (et passionnant) quand on commence à parler d'apprentissage en profondeur et de réseaux de neurones profonds.
Qu'est-ce que l'apprentissage en profondeur ?
Définition de l'apprentissage profond :Un sous-domaine de l'apprentissage automatique qui structure les algorithmes en couches pour créer un "réseau de neurones artificiels" capable d'apprendre et de prendre des décisions intelligentes par lui-même.
Comment fonctionne l'apprentissage en profondeur ?
Un modèle d'apprentissage en profondeur est conçu pour analyser en permanence les données avec une structure logique similaire à la façon dont un humain tirerait des conclusions. Pour compléter cette analyse, les applications d'apprentissage en profondeur utilisent une structure en couches d'algorithmes appeléeréseau neuronal artificiel. La conception d'un réseau de neurones artificiels s'inspire du réseau biologique de neurones du cerveau humain, ce qui conduit à un système d'apprentissage bien plus performant que celui des modèles d'apprentissage automatique standard.
Il est difficile de s'assurer qu'un modèle d'apprentissage en profondeur ne tire pas de conclusions erronées. Comme d'autres exemples d'IA, il faut beaucoup de formation pour que les processus d'apprentissage soient corrects. Mais lorsqu'il fonctionne comme prévu, l'apprentissage profond fonctionnel est souvent perçu comme une merveille scientifique que beaucoup considèrent comme l'épine dorsale d'une véritable intelligence artificielle.
Un bon exemple d'apprentissage en profondeur estAlphaGo de Google. Google a créé un programme informatique avec son propre réseau de neurones qui a appris à jouer au jeu de société abstrait Go, qui est connu pour nécessiter un intellect et une intuition pointus. En jouant contre des joueurs professionnels de Go, le modèle d'apprentissage en profondeur d'AlphaGo a appris à jouer à un niveau jamais vu auparavant dans l'IA et l'a fait sans qu'on lui dise quand il devrait faire un mouvement spécifique (comme l'exigerait un modèle d'apprentissage automatique standard).
Cela a fait sensation lorsqu'AlphaGo a vaincu plusieurs "maîtres" du jeu de renommée mondiale - non seulement une machine pouvait saisir les techniques complexes et les aspects abstraits du jeu, mais elle devenait également l'un des plus grands joueurs. C'était une bataille entre l'intelligence humaine et l'intelligence artificielle, et cette dernière s'est imposée.
Pour des cas d'utilisation plus pratiques, imaginez une application de reconnaissance d'images capable d'identifier un type de fleur ou une espèce d'oiseau à partir d'une photo. Cette classification d'images est alimentée par un réseau neuronal profond. L'apprentissage en profondeur guide également la reconnaissance et la traduction de la parole etlittéralementconduit des voitures autonomes.
La différence entre le machine learning et le deep learning
Concrètement, le deep learning n'est qu'un sous-ensemble du machine learning. En fait, l'apprentissage en profondeur est un apprentissage automatique et fonctionne de manière similaire (d'où la raison pour laquelle les termes sont parfois vaguement échangés). Cependant, ses capacités sont différentes.
Bien que les modèles d'apprentissage automatique de base améliorent progressivement leurs fonctions spécifiques à mesure qu'ils absorbent de nouvelles données, ils nécessitent toujours une intervention humaine. Si un algorithme d'IA renvoie une prédiction inexacte, un ingénieur doit intervenir et faire des ajustements. Avec un modèle d'apprentissage en profondeur, un algorithme peut déterminer si une prédiction est exacte ou non via son propre réseau de neurones - aucune aide humaine n'est requise.
Maturité CX parmi les PME d'Amérique du Nord
Zendesk s'est associé à ESG Research pour créer un cadre autour de la maturité CX et du succès CX afin d'aider les dirigeants des petites et moyennes entreprises (PME) à identifier leur position et à élaborer une feuille de route pour l'avenir.
Apprendre encore plus
Revenons à l'exemple de la lampe de poche : elle pourrait être programmée pour s'allumer lorsqu'elle reconnaît le signal sonore de quelqu'un prononçant le mot "sombre". Au fur et à mesure qu'il continue d'apprendre, il peut éventuellement effectuer cette tâche lorsqu'il entend une phrase contenant ce mot particulier. Mais si la lampe de poche avait un modèle d'apprentissage en profondeur, elle pourrait comprendre qu'elle devrait s'allumer avec les signaux « Je ne vois pas » ou « L'interrupteur ne fonctionne pas », peut-être en tandem avec un capteur de lumière.
Un modèle d'apprentissage en profondeur est capable d'apprendre grâce à sa propre méthode de calcul, une technique qui donne l'impression qu'il a son propre cerveau.
Récapituler,les principales différences entre l'apprentissage automatique et l'apprentissage en profondeur sont les suivantes :
- L'apprentissage automatique utilise des algorithmes pour analyser les données, apprendre de ces données et prendre des décisions éclairées en fonction de ce qu'il a appris.
- L'apprentissage en profondeur structure les algorithmes en couches pour créer un "réseau de neurones artificiels" capable d'apprendre et de prendre des décisions intelligentes par lui-même.
- L'apprentissage en profondeur est un sous-ensemble de l'apprentissage automatique. Bien que les deux relèvent de la vaste catégorie de l'intelligence artificielle, l'apprentissage en profondeur est ce qui alimente l'IA la plus humaine.
Quels sont les différents types d'apprentissage automatique ?
Pour plonger un peu plus dans les mauvaises herbes, regardons les trois principaux types d'apprentissage automatique et comment ils diffèrent les uns des autres.
1. Apprentissage supervisé
Comme vous l'avez peut-être deviné d'après son nom,ce sous-ensemble d'apprentissage automatiquenécessite le plus de surveillance. Un ordinateur reçoit des données d'entraînement et un modèle pour répondre aux données.
Au fur et à mesure que de nouvelles données sont transmises à l'ordinateur, un spécialiste des données « supervise » le processus en confirmant les réponses exactes de l'ordinateur et en corrigeant les réponses inexactes de l'ordinateur.
Par exemple, imaginez qu'un programmeur essaie « d'enseigner » à un ordinateur comment faire la différence entre les chiens et les chats. Ils fourniraient au modèle informatique un ensemble de données étiquetées ; dans ce cas, des photos de chats et de chiens clairement identifiés. Au fil du temps, le modèle commencerait à reconnaître des modèles, comme que les chats ont de longues moustaches ou que les chiens peuvent sourire. Ensuite, le programmeur commencerait à alimenter l'ordinateur avec des données non étiquetées (photos non identifiées) et testerait le modèle sur sa capacité à identifier avec précision les chiens et les chats.
2. Apprentissage non supervisé
L'apprentissage supervisé consiste à donner au modèle toutes les "réponses correctes" (données étiquetées) afin de lui apprendre à identifier les données non étiquetées. C'est comme dire à quelqu'un de lire un guide d'oiseaux, puis d'utiliser des flashcards pour tester s'il a appris à identifier différentes espèces par lui-même.
Par contre,apprentissage non superviséimplique de ne fournir à l'ordinateur que des données non étiquetées, puis de laisser le modèle identifier les modèles par lui-même. Cette méthode d'apprentissage automatique est généralement utilisée dans les cas où l'apparence des résultats n'est pas claire. Vous avez donc besoin que l'ordinateur explore les couches cachées de données et regroupe (ou regroupe) les données en fonction des similitudes ou des différences.
Par exemple, supposons que votre entreprise souhaite analyser des données pour identifier des segments de clientèle. Mais vous ne savez pas encore quels segments existent. Vous devrez alimenter les données d'entrée non étiquetées dans le modèle d'apprentissage non supervisé afin qu'il puisse agir comme son propre classificateur de segments de clientèle.
3. Apprentissage par renforcement
Leméthode d'apprentissage par renforcementest une approche par essais et erreurs qui permet à un modèle d'apprendre en utilisant les commentaires de ses propres actions. L'ordinateur reçoit des « rétroactions positives » lorsqu'il comprend ou classe correctement les données et des « rétroactions négatives » lorsqu'il échoue. En « récompensant » les bons comportements et en « punissant » les mauvais comportements, cette méthode d'apprentissage renforce les premières. (Et cela différencie l'apprentissage par renforcement de l'apprentissage supervisé, dans lequel un scientifique des données confirme ou corrige simplement le modèle plutôt que de le récompenser ou de le punir.)
L'apprentissage par renforcement est utilisé pour aider les machines à maîtriser des tâches complexes qui s'accompagnent d'ensembles de données volumineux, comme la conduite d'une voiture. Grâce à de nombreux essais et erreurs, le programme apprend à prendre une série de décisions, ce qui est nécessaire pour de nombreux processus en plusieurs étapes.
Quels sont les différents types d'algorithmes d'apprentissage en profondeur ?
L'apprentissage automatique peut permettre aux ordinateurs d'accomplir des tâches remarquables, mais ils ne parviennent toujours pas à reproduire l'intelligence humaine. Les réseaux de neurones profonds, quant à eux, sont calqués sur le cerveau humain, représentant un niveau d'intelligence artificielle encore plus sophistiqué.
Il existe plusieurs types d'algorithmes d'apprentissage en profondeur. Nous examinerons les modèles les plus populaires.
Réseaux de neurones convolutifs
Réseaux de neurones convolutifs(CNN) sont des algorithmes spécifiquement conçus pour le traitement d'images et la détection d'objets. La «convolution» est un processus unique de filtrage à travers une image pour évaluer chaque élément qu'elle contient.
Les CNN sont souvent utilisés pour alimentervision par ordinateur, un domaine de l'IA qui enseigne aux machines comment traiter le monde visuel. La technologie de reconnaissance faciale est une utilisation courante de la vision par ordinateur.
Réseaux de neurones récurrents
Réseaux de neurones récurrents(RNN) ont des boucles de rétroaction intégrées qui permettent aux algorithmes de «se souvenir» des points de données passés. Les RNN peuvent utiliser cette mémoire d'événements passés pour éclairer leur compréhension des événements actuels ou même prédire l'avenir.
Un réseau neuronal profond peut mieux « penser » lorsqu'il a ce niveau de contexte. Par exemple, une application cartographique alimentée par un RNN peut «se souvenir» lorsque le trafic a tendance à s'aggraver. Il peut ensuite utiliser ces connaissances pour recommander un itinéraire alternatif lorsque vous êtes sur le point d'être pris dans la circulation aux heures de pointe.
Les données comme carburant du futur
Avec l'énorme quantité denouvelles donnéesétant produit par l'actuelle « ère du Big Data », nous sommes obligés de voir des innovations que nous ne pouvons même pas encore imaginer. Selon les experts en science des données, certaines de ces percées seront probablement des applications d'apprentissage en profondeur.
Andrew Ng, ancien scientifique en chef du principal moteur de recherche chinois Baidu et l'un des dirigeants du Google Brain Project, a partagé une excellente analogie pour les modèles d'apprentissage en profondeur avecFilaire:
"Je pense que l'IA s'apparente à la construction d'une fusée - vous avez besoin d'un énorme moteur et de beaucoup de carburant",il a ditFilairejournaliste Caleb Garling. "Si vous avez un gros moteur et une petite quantité de carburant, vous n'arriverez pas à vous mettre en orbite. Si vous avez un petit moteur et une tonne de carburant, vous ne pouvez même pas décoller. Pour construire une fusée, vous avez besoin d'un énorme moteur et de beaucoup de carburant. L'analogie avec l'apprentissage en profondeur est que le moteur de fusée est constitué des modèles d'apprentissage en profondeur et que le carburant est constitué par les énormes quantités de données que nous pouvons alimenter ces algorithmes.
Que signifient le machine learning et le deep learning pour le service client
De nombreuses applications d'IA d'aujourd'hui dans le service client utilisent des algorithmes d'apprentissage automatique. Ils ont l'habitude de conduireen libre service,augmenter la productivité des agents, et fiabilisez les flux de travail.
Les données introduites dans ces algorithmes proviennent d'un flux constant de requêtes entrantes des clients, y compris le contexte pertinent des problèmes auxquels les acheteurs sont confrontés. L'agrégation de toutes ces informations dans une application d'IA conduit à son tour à des prédictions plus rapides et plus précises. Cela a fait de l'intelligence artificielle une perspective passionnante pour de nombreuses entreprises, les leaders de l'industrie spéculant que les cas d'utilisation les plus pratiques de l'IA liée aux entreprises concerneront le service client.
Par exemple, l'apprentissage automatique et l'apprentissage en profondeur sont tous deux utilisés pour alimenter le traitement du langage naturel (TAL), une branche de l'informatique qui permet aux ordinateurs de comprendre le texte et la parole. Dans le monde CX, Amazon Alexa et Siri d'Apple sont deux bons exemples d '«agents virtuels» qui peuvent utiliser la reconnaissance vocale pour répondre aux questions d'un consommateur.
Les robots de service client alimentés par l'IA utilisent également les mêmes méthodes d'apprentissage pour répondre au texte saisi. Les bots avancés de Zendesk en sont un excellent exemple concret. Ce sont des bots améliorés pour la messagerie et les e-mails qui exploitent la base de données la plus complète des intentions des clients, spécifiques aux équipes CX de votre secteur pour des réponses plus personnalisées et précises, une productivité des agents plus élevée et une configuration plus rapide.
En savoir plus sur nos outils de création de robots.
