Robotique
Un grand nombre de développements récents de la robotique ont pu être réalisés grâce à l'intelligence artificielle et au deep learning. Par exemple, l'IA a permis aux robots de détecter et de réagir à leur environnement. Cette capacité étend l'éventail de leurs fonctions, du déplacement sur les sols des maisons au tri et à la manipulation d'objets irréguliers, fragiles ou emmêlés. Cueillir une fraise est une tâche facile pour les humains, mais bien plus compliquée pour les robots. Les progrès de l'IA feront évoluer les capacités des robots.
L'évolution de l'IA permettra aux robots du futur de devenir de meilleurs assistants pour l'homme. Ils ne seront pas uniquement utilisés pour comprendre les questions et y répondre, comme c'est le cas actuellement pour certains robots. Ils seront également capables de réagir à une commande vocale et à des gestes, et même d'anticiper le prochain mouvement d'une personne avec qui ils travaillent. Aujourd'hui, les robots collaboratifs travaillent déjà aux côtés des humains pour effectuer des tâches séparées adaptées à leurs capacités.
Agriculture
L'IA a le potentiel de révolutionner le secteur agricole. Le deep learning permet déjà aux agriculteurs de déployer des équipements capables de repérer et de différencier les plantes cultivées et les mauvaises herbes. Cette capacité permet aux machines de désherbage d'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 répandant de façon ciblée 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 étendu à d'autres activités agricoles, telles que l'application d'engrais, l'irrigation et la récolte.
Imagerie médicale et domaine de la santé
Le deep learning s'est révélé particulièrement efficace dans l'imagerie médicale, grâce à la disponibilité d'images de haute qualité et à la capacité des réseaux neuronaux convolutifs à classer les images. Par exemple, le deep learning peut être aussi efficace (voire plus efficace) qu'un dermatologue pour classer les cancers de la peau. Plusieurs fournisseurs ont déjà reçu l'approbation de la FDA pour l'utilisation des algorithmes de deep learning afin de réaliser des diagnostics, notamment des analyses d'images pour l'oncologie et les maladies de la rétine. Le deep learning est également en train de réaliser des avancées majeures dans l'amélioration de la qualité des services de santé en anticipant des événements médicaux grâce aux dossiers médicaux électroniques.
L'avenir du deep learning
Il existe actuellement plusieurs architectures de réseaux neuronaux optimisés pour certains types de données et de tâches. Les réseaux neuronaux convolutifs sont très efficaces dans la classification d'images. Une autre forme d'architecture de deep learning a recours aux réseaux neuronaux récurrents pour traiter les données séquentielles. Les modèles de réseaux neuronaux convolutifs et récurrents effectuent tous deux ce que l'on appelle l'« apprentissage supervisé » en recevant un grand nombre de données à retenir. À l'avenir, des types d'IA plus sophistiqués auront recours à l'apprentissage non supervisé. De nombreuses recherches sont consacrées aux technologies d'apprentissage non supervisé et semi-supervisé.
L'apprentissage par renforcement est un paradigme légèrement différent du deep learning selon lequel un agent apprend par tâtonnements dans un environnement motivé uniquement par les récompenses et les punitions. Les dérivés du deep learning appliqué à ce domaine sont appelés « deep learning par renforcement ». D'immenses progrès ont été réalisés dans ce domaine, comme l'ont prouvé les programmes de deep learning par renforcement qui ont réussi à battre les humains à l'ancien jeu de go.
Il est très difficile de concevoir des architectures de réseaux neuronaux pour résoudre des problèmes. Tous les hyperparamètres à configurer et les nombreuses fonctions à choisir pour une meilleure utilisation ne simplifient pas la tâche. De nombreuses recherches ont été effectuées pour apprendre des architectures solides de réseaux neuronaux de façon autonome. Apprendre à apprendre : le méta-learning, ou AutoML, s'améliore progressivement.
Les réseaux neuronaux artificiels actuels sont basés sur la compréhension du traitement des informations par le cerveau humain, qui date des années 50. La neuroscience a réalisé de grandes avancées depuis, et les architectures de deep learning sont devenues si sophistiquées qu'elles semblent mettre en avant des structures telles que les cellules de grille qui sont présentes dans les cerveaux neuronaux biologiques utilisés pour la navigation. La neuroscience et le deep learning peuvent tous deux bénéficier d'une pollinisation croisée d'idées. Et cette fusion a de grandes chances de voir le jour tôt ou tard.
Nous n'utilisons plus d'ordinateurs mécaniques, et nous finirons par ne plus utiliser d'ordinateurs numériques non plus. À la place, nous utiliserons une nouvelle génération d'ordinateurs quantiques. Ces dernières années, plusieurs avancées ont été réalisées dans le domaine de l'informatique quantique et l'apprentissage des algorithmes peut sans doute bénéficier de l'incroyable quantité de calculs offerts par l'informatique quantique. Il est également possible d'utiliser les algorithmes d'apprentissage pour comprendre les résultats des ordinateurs quantiques probabilistes. Le machine learning quantique est une branche très active du machine learning classique et avec la première conférence internationale sur le machine learning quantique qui se tiendra en 2018, ce dernier laisse envisager un avenir plus que prometteur.