Qu’est-ce que l’apprentissage profond ?

L'apprentissage profond est un sous-ensemble particulier de apprentissage automatique (la mécanique de l'intelligence artificielle). Bien que cette branche de la programmation puisse devenir très complexe, elle a commencé par une question très simple: « Si nous voulons qu’un système informatique agisse intelligemment, pourquoi ne le modélisons-nous pas sur le modèle du cerveau humain ?

Cette idée a donné naissance à de nombreux efforts au cours des dernières décennies pour créer des algorithmes imitant le fonctionnement du cerveau humain et capables de résoudre les problèmes de la même manière que les humains. Ces efforts ont donné naissance à des outils d’analyse précieux et de plus en plus compétents, utilisés dans de nombreux domaines différents.

Le réseau neuronal et comment il est utilisé

L'apprentissage en profondeur tire son nom de la façon dont il est utilisé pour analyser des données « non structurées », ou des données qui n’ont pas été préalablement étiquetées par une autre source et qui peuvent nécessiter une définition. Cela nécessite une analyse minutieuse de la nature des données et des tests répétés de ces données pour aboutir à une conclusion finale et utilisable. Les ordinateurs ne sont généralement pas efficaces pour analyser des données non structurées comme celle-ci.

Pensez-y en termes d'écriture: si dix personnes écrivaient le même mot, ce mot serait très différent d'une personne à l'autre, de bâclé à soigné, et de cursif à imprimé. Le cerveau humain n’a aucun problème à comprendre qu’il s’agit du même mot, car il sait comment fonctionnent les mots, l’écriture, le papier, l’encre et les caprices personnels. Cependant, un système informatique normal n’aurait aucun moyen de savoir que ces mots sont identiques, car ils semblent tous très différents.

Cela nous amène à via les réseaux de neurones, les algorithmes spécialement créés pour imiter la façon dont les neurones du cerveau interagissent. Les réseaux de neurones tentent d’analyser les données de la même manière qu’un esprit: leur objectif est de traiter des données désordonnées – comme l’écriture – et de tirer des conclusions utiles, comme les mots que l’écriture tente de montrer. C'est plus simple à comprendre les réseaux de neurones si nous les divisons en trois parties importantes :

La couche d'entrée: Au niveau de la couche d'entrée, le réseau de neurones absorbe toutes les données non classifiées qui lui sont fournies. Cela signifie décomposer les informations en nombres et les transformer en bits de données oui ou non, ou « neurones ». Si vous vouliez apprendre à un réseau neuronal à reconnaître des mots, alors la couche d'entrée serait mathématiquement définir la forme de chaque lettre, la décomposer en langage numérique pour que le réseau puisse démarrer fonctionnement. La couche d’entrée peut être assez simple ou incroyablement complexe, selon la facilité avec laquelle il est possible de représenter mathématiquement quelque chose.

Les couches cachées: Au centre du réseau neuronal se trouvent des couches cachées, allant d'une à plusieurs. Ces couches sont constituées de leurs propres neurones numériques, conçus pour s'activer ou non en fonction de la couche de neurones qui les précède. Un seul neurone est une base « si ceci, alors cela »“ modèle, mais les couches sont constituées de longues chaînes de neurones et de nombreuses couches différentes peuvent s'influencer mutuellement, créant des résultats très complexes. L'objectif est de permettre au réseau neuronal de reconnaître de nombreuses caractéristiques différentes et de les combiner en une seule réalisation, comme un enfant apprendre à reconnaître chaque lettre puis les former ensemble pour reconnaître un mot complet, même si ce mot est écrit un peu négligent.

Les couches cachées sont également le lieu où se déroule une grande partie de la formation en apprentissage profond. Par exemple, si l'algorithme ne parvient pas à reconnaître avec précision un mot, les programmeurs renvoient: « Désolé, ce n'est pas correct », et l'algorithme ajusterait la façon dont il pondérerait les données jusqu'à ce qu'il trouve le bon réponses. La répétition de ce processus (les programmeurs peuvent également ajuster les poids manuellement) permet au réseau neuronal de créer des couches cachées robustes qui sont adepte de la recherche des bonnes réponses à travers de nombreux essais et erreurs ainsi que des instructions extérieures - encore une fois, un peu comme le fait le cerveau humain travaux. Comme le montre l’image ci-dessus, les calques cachés peuvent devenir très complexes !

La couche de sortie: La couche de sortie possède relativement peu de « neurones » car c’est là que les décisions finales sont prises. Ici, le réseau neuronal applique l'analyse finale, choisit les définitions des données et tire les conclusions programmées sur la base de ces définitions. Par exemple: « Assez de lignes de données pour dire que ce mot est lac, pas voie.» En fin de compte, toutes les données qui transitent par le réseau sont limitées à des neurones spécifiques de la couche de sortie. Puisque c’est là que les objectifs sont réalisés, c’est souvent l’une des premières parties du réseau créée.

Applications

Si vous utilisez la technologie moderne, il y a de fortes chances que des algorithmes d’apprentissage profond soient à l’œuvre tout autour de vous, chaque jour. Comment penses-tu Alexa ou Assistant Google tu comprends tes commandes vocales? Ils utilisent des réseaux de neurones conçus pour comprendre la parole. Comment Google sait-il ce que vous recherchez avant que vous ayez fini de taper? Un apprentissage plus approfondi au travail. Comment votre caméra de sécurité ignore-t-elle les animaux domestiques mais reconnaît-elle les mouvements humains? Apprentissage approfondi une fois de plus.

Chaque fois que le logiciel reconnaît les entrées humaines, de la reconnaissance faciale pour les assistants vocaux, l’apprentissage profond est probablement à l’œuvre quelque part en dessous. Cependant, ce domaine a également de nombreuses autres applications utiles. La médecine est un domaine particulièrement prometteur, dans lequel l’apprentissage profond avancé est utilisé pour analyser l’ADN à la recherche de défauts ou de composés moléculaires présentant des avantages potentiels pour la santé. Sur un plan plus physique, l'apprentissage profond est utilisé dans un nombre croissant de machines et de véhicules pour prédire quand un équipement nécessite une maintenance avant que quelque chose ne se passe sérieusement mal.

L'avenir de l'apprentissage profond

L’avenir du deep learning est particulièrement prometteur! L’avantage d’un réseau neuronal est qu’il excelle dans le traitement d’une grande quantité de données disparates (pensez à tout ce à quoi notre cerveau doit faire face, à tout moment). Cela est particulièrement pertinent à notre époque de capteurs intelligents avancés, capables de collecter une quantité incroyable d’informations. Les solutions informatiques traditionnelles commencent à avoir du mal à trier, étiqueter et tirer des conclusions à partir d’une telle quantité de données.

En revanche, l’apprentissage profond peut gérer les montagnes numériques de données que nous collectons. En fait, plus la quantité de données est importante, plus l’apprentissage profond devient efficace par rapport aux autres méthodes d’analyse. C'est pourquoi des organisations comme Google investir tellement dans les algorithmes d’apprentissage profond, et pourquoi ils sont susceptibles de devenir plus courants à l'avenir.

Et bien sûr les robots. N'oublions jamais les robots.

Recommandations des rédacteurs

• L'IA d'apprentissage profond aide les archéologues à traduire des tablettes anciennes
• L'IA d'apprentissage profond peut imiter les effets de distorsion des dieux emblématiques de la guitare
• Une IA qui lit dans les pensées analyse vos ondes cérébrales pour deviner quelle vidéo vous regardez
• Cette application basée sur l'IA peut détecter le cancer de la peau avec une précision de 95 %
• I.A. des chercheurs créent un système de reconnaissance faciale pour les chimpanzés