Nous apprenons de nos expériences. Plus ces expériences sont complexes, plus nous en tirons de leçons. Le même principe s'applique dans le domaine du deep learning, une spécialité de l'intelligence artificielle (IA), pour les machines optimisées par du matériel et des logiciels d'IA, qui apprennent grâce aux données qu'elles reçoivent. La quantité et la qualité de ces données jouent un rôle clé dans le degré d'apprentissage.
Le deep learning est une branche du machine learning. Cependant, là où les algorithmes classiques de machine learning disposent d'une capacité d'apprentissage limitée, quelle que soit la quantité de données acquises, les systèmes de deep learning peuvent améliorer leurs performances en accédant à davantage de données. Le deep learning permet donc de doter les machines d'une certaine expérience en vue de leur utilisation pour des tâches spécifiques telles que conduire une voiture, repérer les mauvaises herbes dans un champ, détecter des maladies, inspecter des appareils à la recherche de défaillances, etc.
Les réseaux de deep learning apprennent en découvrant des données à structure complexe. Ils élaborent des modèles de calcul composés de plusieurs couches de traitement pour créer plusieurs niveaux d'abstraction afin de représenter les données.
Il existe un type de modèle de deep learning, connu sous le nom de réseau neuronal convolutif, qui peut être entraîné à l'aide de nombreuses images (des millions), car il apprend des pixels contenus dans les images reçues. Par exemple, s'il reçoit des images où figurent des chats, il peut classer des groupes de pixels en fonction de caractéristiques telles que des griffes, des oreilles ou des yeux indiquant la présence de l'animal dans l'image.
Le deep learning est très différent du machine learning classique. Dans l'exemple mentionné plus haut, un expert passerait un temps considérable à mettre au point un système de machine learning capable de détecter les caractéristiques propres aux chats. Avec le deep learning, il suffit de fournir au système un très grand nombre d'images de chats pour qu'il en retienne de façon autonome les caractéristiques.
Dans de nombreux domaines, tels que la vision par ordinateur, la reconnaissance vocale (liée au traitement du langage naturel), la traduction automatique et la robotique, les performances des systèmes de deep learning dépassent de loin celles des systèmes de machine learning conventionnels. Cela ne veut pas dire pour autant que les modèles de deep learning sont plus simples à créer. Certes, ils effectuent la reconnaissance de caractéristiques de manière autonome, mais, pour devenir efficaces, ils requièrent d'ajuster des milliers d'hyperparamètres, équivalant à des boutons de réglage.
À une époque où les possibilités sont infinies, certaines avancées technologiques se concrétisent grâce au deep learning, comme la découverte d'exoplanètes et de nouveaux médicaments, ainsi que la détection de maladies ou encore de particules subatomiques. Avec le deep learning, nous avons considérablement étendu nos connaissances en biologie, notamment en génomique, en protéomique, en métabolomique et en immunomique.
Notre époque regorge également de nouveaux défis. Le changement climatique menace la production alimentaire, à tel point que le manque de ressources potentiel pourrait mener à des guerres, d'autant plus que la population humaine, en constante augmentation, devrait s'élever à 9 milliards de personnes d'ici 2050. Des problèmes d'une telle ampleur nécessitent un nouveau niveau d'intelligence, rendu possible grâce au deep learning.
Lors de l'explosion cambrienne, il y a environ 540 millions d'années, la vision est apparue comme un avantage pour survivre chez les animaux et n'a pas tardé à devenir le moteur de l'évolution. Combinée à l'évolution des réseaux neuronaux biologiques permettant de traiter les informations visuelles, la vision a doté les animaux d'une carte de leur environnement et a augmenté leur conscience du monde qui les entourait.
Aujourd'hui, l'association de caméras et de réseaux neuronaux traitant les informations qu'elles capturent révolutionne les applications d'IA data-driven. Tout comme la vision a joué un rôle crucial dans l'évolution de la vie sur Terre, le deep learning et les réseaux neuronaux permettront d'améliorer les capacités des robots. Ils seront de plus en plus à même de comprendre leur environnement, de prendre des décisions de manière autonome, de collaborer avec nous et d'augmenter nos propres capacités.
Robotique
Bon nombre des dernières avancées en robotique ont fait suite aux progrès de l'intelligence artificielle et du deep learning. Par exemple, c'est grâce à l'IA que les robots perçoivent leur environnement et peuvent y réagir. Ces capacités élargissent les fonctions qu'ils peuvent assumer, du déplacement sur les sols des entrepôts au tri et à la manipulation d'objets irréguliers, fragiles ou enchevêtrés. En revanche, les robots peuvent rencontrer des difficultés à accomplir des tâches très faciles pour les humains, comme la cueillette de fraises. Mais les capacités des robots continueront à évoluer à mesure que l'IA progressera.
Les avancées de l'IA devraient faire des robots du futur de meilleurs assistants pour l'homme. Ils n'auront pas pour seule fonction de comprendre les questions et d'y répondre, comme c'est le cas actuellement de certains robots. Ils seront également capables de réagir à des commandes vocales et à des gestes, et même d'anticiper le prochain mouvement des personnes avec qui ils travailleront. Aujourd'hui, les robots collaboratifs travaillent déjà aux côtés des humains, effectuant des tâches distinctes adaptées à leurs capacités.
Agriculture
L'intelligence artificielle semble en passe de bouleverser le secteur agricole. Le deep learning permet déjà aux agriculteurs de déployer des équipements capables de voir et de différencier les plantes cultivées et les mauvaises herbes. Les machines de désherbage peuvent ainsi épandre des herbicides exclusivement sur les mauvaises herbes tout en épargnant les autres plantes. Les machines agricoles qui ont recours au deep learning peuvent même optimiser le rendement de chaque plante en pulvérisant sur des zones ciblées des herbicides, des engrais, des fongicides, des insecticides et des produits biologiques. Le deep learning permet de réduire l'utilisation d'herbicides et d'améliorer la production agricole, mais il peut également être utilisé dans le cadre d'autres activités agricoles, telles que l'application d'engrais, l'irrigation et la récolte.
Imagerie médicale et santé
Le deep learning s'est révélé particulièrement utile dans l'imagerie médicale, en raison de la disponibilité d'images de haute qualité et de la capacité des réseaux neuronaux convolutifs à classer les images. Par exemple, certains modèles de deep learning peuvent être aussi efficaces qu'un dermatologue concernant la classification de cancers de la peau, voire plus efficaces. La FDA a déjà approuvé l'utilisation d'algorithmes de deep learning par plusieurs fournisseurs à des fins de diagnostic, notamment pour l'analyse d'images dans les domaines de l'oncologie et des maladies de la rétine. La qualité des services de santé connaît actuellement une forte amélioration, car les modèles de deep learning anticipent les problèmes médicaux des patients sur la base des données de leur dossier médical électronique.
L'avenir du deep learning
Il existe plusieurs architectures de réseaux neuronaux, optimisées pour certains types de données et de tâches. Les modèles de réseaux neuronaux convolutifs sont très utiles pour la classification d'images. Les modèles de réseaux neuronaux récurrents, en revanche, permettent de traiter les données séquentielles. Les deux types de modèles effectuent ce que l'on appelle un apprentissage supervisé : pour apprendre, ils ont besoin de recevoir de grandes quantités de données. À l'avenir, certains modèles d'IA plus sophistiqués auront recours à l'apprentissage non supervisé. De nombreuses recherches sont actuellement consacrées aux technologies d'apprentissage non supervisé et semi-supervisé.
Légèrement différent du deep learning, l'apprentissage par renforcement est un paradigme selon lequel un agent dans un environnement simulé apprend par tâtonnements, motivé uniquement par un système de récompenses et de punitions. Lorsque l'on ajoute à cette méthode les principes du deep learning, on parle d'apprentissage par renforcement profond. Les avancées prodigieuses dans ce domaine sont illustrées par la victoire de programmes d'apprentissage par renforcement profond contre des joueurs humains lors de parties de go, un jeu millénaire.
Il est très difficile de concevoir des architectures de réseaux neuronaux pour la résolution de problèmes. Tous les hyperparamètres à configurer et les multiples fonctions de perte parmi lesquelles choisir à des fins d'optimisation ne simplifient pas la tâche. De nombreuses recherches sont effectuées concernant l'apprentissage autonome de bonnes architectures de réseaux neuronaux. L'apprentissage de l'apprentissage, que l'on appelle méta-apprentissage ou AutoML, s'améliore progressivement.
Les réseaux neuronaux artificiels actuels sont fondés sur une compréhension du traitement des informations par le cerveau humain qui date des années 1950. Les neurosciences ont réalisé de grandes avancées depuis, et les architectures de deep learning sont devenues si élaborées que leur structure s'apparente à celle des cellules de grille, des neurones présents dans les cerveaux biologiques utilisés pour l'orientation dans l'espace. Les progrès des neurosciences et du deep learning donnent lieu à une pollinisation croisée entre ces disciplines, qui fusionneront probablement tôt ou tard.
De même que les calculateurs mécaniques sont maintenant hors d'usage, nous finirons par délaisser les ordinateurs numériques au profit d'une nouvelle génération d'ordinateurs quantiques. En effet, l'informatique quantique a énormément progressé ces dernières années. Il ne fait aucun doute que les algorithmes d'apprentissage bénéficieront de l'incroyable capacité de calcul offerte par l'informatique quantique. Ces algorithmes pourraient également permettre de mieux comprendre les résultats des ordinateurs quantiques probabilistes. Avec une première conférence internationale prévue en 2018, le machine learning quantique est une branche du machine learning en plein développement, à l'avenir prometteur.
Supprimez les obstacles liés à l'infrastructure d'IA pour optimiser la collecte de données, accélérer les workloads d'IA et faciliter l'intégration au cloud.