Passer au contenu principal

Qu'est-ce que le deep learning ?

Topics

Partager cette page

Le deep learning est une branche du machine learning (apprentissage profond) dans laquelle des machines apprennent à partir des données qu'elles reçoivent. Plus ces machines accèdent à de données de qualité, plus elles améliorent leurs performances sur des tâches précises, sans qu'un expert ait à définir manuellement chaque règle.

Nous apprenons de nos expériences. Plus ces expériences sont riches, plus nous en tirons de leçons. Le même principe vaut dans le domaine de l'intelligence artificielle (IA) pour les machines optimisées par du matériel et des logiciels d'IA.

Le deep learning se distingue du machine learning classique. Les algorithmes classiques ont une capacité d'apprentissage limitée, quelle que soit la quantité de données. Les systèmes de deep learning, eux, progressent à mesure qu'ils accèdent à davantage de données, ce qui les rend adaptés à des tâches comme conduire une voiture, repérer les mauvaises herbes ou détecter des maladies.

Comment fonctionne le deep learning ?

Les réseaux de deep learning apprennent en découvrant des structures complexes dans les données. Ces réseaux empilent plusieurs couches de traitement pour créer des niveaux d'abstraction successifs qui représentent les données.

Un réseau neuronal convolutif (CNN) illustre ce principe. Ce type de modèle peut être entraîné avec des millions d'images, car il apprend à partir des pixels qu'elles contiennent. S'il reçoit des images de chats, il classe des groupes de pixels correspondant à des caractéristiques telles que les griffes, les oreilles ou les yeux, qui signalent la présence de l'animal.

Le deep learning diffère radicalement du machine learning classique. Dans l'exemple des chats, un expert passerait un temps considérable à concevoir un système classique capable de détecter les bonnes caractéristiques. Avec le deep learning, il suffit de fournir un très grand nombre d'images pour que le système apprenne ces caractéristiques de façon autonome.

Les systèmes de deep learning surpassent les systèmes classiques dans de nombreux domaines :

Ces performances ont un coût. La reconnaissance de caractéristiques est autonome, mais des milliers d'hyperparamètres, comparables à des boutons de réglage, doivent être ajustés pour qu'un modèle devienne efficace.

Deep learning ou machine learning : quelle différence ?

Le deep learning est un sous-ensemble du machine learning, mais les deux approches diffèrent par leur mode d'apprentissage et leur rapport aux données. Le tableau ci-dessous résume les distinctions principales.

CritèreMachine learning classiqueDeep learning
Extraction des caractéristiquesDéfinie manuellement par un expertApprise de façon autonome
Rapport aux donnéesCapacité d'apprentissage limitéePerformances qui progressent avec plus de données
Structure du modèleAlgorithmes à couches peu nombreusesRéseaux neuronaux à plusieurs couches
Effort de conceptionIngénierie des caractéristiques lourdeRéglage de nombreux hyperparamètres
Tâches typesPrédiction sur données structuréesVision, langage, reconnaissance vocale

Quels sont les types de réseaux de deep learning ?

Plusieurs architectures de réseaux neuronaux existent, chacune optimisée pour un type de données et de tâche. Le choix de l'architecture dépend de la nature du problème à résoudre.

  • Réseau neuronal convolutif (CNN) : très performant pour la classification d'images.
  • Réseau neuronal récurrent (RNN) : adapté au traitement des données séquentielles.
  • Apprentissage supervisé : mode d'apprentissage des CNN et RNN, qui exige de grandes quantités de données étiquetées.
  • Apprentissage par renforcement profond (DRL) : un agent apprend par tâtonnements dans un environnement simulé, guidé par un système de récompenses et de punitions.

Pourquoi le deep learning est-il important ?

Le deep learning rend possibles des avancées scientifiques concrètes. Il a contribué à la découverte d'exoplanètes et de nouveaux médicaments, ainsi qu'à la détection de maladies et de particules subatomiques. Il étend notre compréhension de la biologie, notamment de la génomique, de la protéomique, de la métabolomique et de l'immunomique.

Notre époque affronte aussi des défis majeurs. Le changement climatique menace la production alimentaire, et la population humaine devrait atteindre 9 milliards de personnes d'ici 2050. Des problèmes de cette ampleur exigent un niveau d'intelligence que le deep learning rend accessible.

L'histoire de l'évolution éclaire ce rôle. Lors de l'explosion cambrienne, il y a environ 540 millions d'années, la vision est apparue comme un avantage de survie et est vite devenue un moteur de l'évolution. Combinée aux réseaux neuronaux biologiques, elle a doté les animaux d'une carte de leur environnement.

Aujourd'hui, l'association de caméras et de réseaux neuronaux qui traitent les informations capturées transforme les applications d'IA data-driven. Les réseaux neuronaux améliorent les capacités des robots, qui comprennent mieux leur environnement, prennent des décisions autonomes et augmentent nos propres capacités.

Exemples de cas d'usage du deep learning

Le deep learning trouve des applications concrètes dans des secteurs variés, de la robotique à la santé. Les exemples ci-dessous montrent comment cette technologie s'applique à des tâches réelles.

Le deep learning en robotique

La robotique a beaucoup progressé grâce à l'IA et au deep learning. L'IA permet aux robots de percevoir leur environnement et d'y réagir, ce qui élargit leurs fonctions : déplacement sur les sols d'entrepôts, tri et manipulation d'objets irréguliers, fragiles ou enchevêtrés. Certaines tâches très simples pour l'homme, comme cueillir une fraise, restent difficiles pour les robots.

Les robots collaboratifs travaillent déjà aux côtés des humains. Ils répartissent les tâches selon les forces de chacun, réagissent à des commandes vocales et à des gestes, et anticipent parfois le mouvement suivant de leurs opérateurs.

Le deep learning dans l'agriculture

L'agriculture adopte le deep learning pour distinguer les cultures des mauvaises herbes. Les machines de désherbage épandent ainsi des herbicides uniquement sur les mauvaises herbes, en épargnant les autres plantes. Les équipements dotés de vision par ordinateur peuvent optimiser chaque plante en pulvérisant de façon ciblée herbicides, engrais, fongicides, insecticides et produits biologiques.

Le deep learning réduit l'usage d'herbicides et améliore la production agricole. Il s'étend aussi à d'autres opérations, comme la fertilisation, l'irrigation et la récolte.

Le deep learning en imagerie médicale et santé

L'imagerie médicale tire un fort parti du deep learning, grâce à la disponibilité d'images de haute qualité et à la capacité des réseaux neuronaux convolutifs à les classer. Certains modèles classent les cancers de la peau aussi efficacement qu'un dermatologue, voire davantage.

Plusieurs fournisseurs ont obtenu l'approbation de la FDA pour des algorithmes de deep learning à des fins de diagnostic, notamment l'analyse d'images en oncologie et pour les maladies de la rétine. Le deep learning améliore aussi la qualité des soins en anticipant les événements médicaux à partir des dossiers médicaux électroniques.

Les avancées actuelles du deep learning

Le deep learning évolue rapidement autour de plusieurs architectures et modes d'apprentissage. Les réseaux neuronaux convolutifs (CNN) excellent dans la classification d'images, tandis que les réseaux neuronaux récurrents (RNN) traitent les données séquentielles. Les deux relèvent de l'apprentissage supervisé, qui exige de grandes quantités de données.

De nombreuses recherches portent actuellement sur l'apprentissage non supervisé et semi-supervisé, qui réduisent la dépendance aux données étiquetées. L'apprentissage par renforcement profond (DRL) progresse aussi fortement, comme l'ont montré des programmes battant des joueurs humains au jeu de go.

Concevoir des architectures de réseaux neuronaux reste difficile, en raison des nombreux hyperparamètres à régler et des multiples fonctions de perte disponibles. Le méta-apprentissage, aussi appelé AutoML, cherche à apprendre de bonnes architectures de façon autonome et progresse régulièrement.

Les réseaux neuronaux artificiels reposent sur une compréhension du cerveau humain qui remonte aux années 1950. Depuis, les neurosciences ont progressé, et les architectures de deep learning se rapprochent de structures comme les cellules de grille, utilisées pour l'orientation dans les cerveaux biologiques. Ces deux disciplines s'enrichissent mutuellement.

L'informatique quantique a énormément progressé ces dernières années. Les algorithmes d'apprentissage peuvent tirer parti de sa capacité de calcul, et le machine learning quantique constitue une branche active de la recherche.

Quels sont les avantages et les limites du deep learning ?

Le deep learning offre des atouts marqués, mais il impose aussi des contraintes réelles. Peser les deux aide à décider quand l'employer.

Avantages :

  • Extraction autonome des caractéristiques, sans ingénierie manuelle lourde.
  • Performances qui progressent avec le volume de données.
  • Résultats supérieurs en vision, langage et reconnaissance vocale.

Limites :

  • Besoin de grandes quantités de données étiquetées pour l'apprentissage supervisé.
  • Réglage de milliers d'hyperparamètres, complexe et chronophage.
  • Conception d'architectures difficile, avec de multiples fonctions de perte à choisir.

De quoi a besoin un projet de deep learning ?

Un projet de deep learning repose sur trois piliers : des données, de la puissance de calcul et des compétences. La qualité et le volume des données déterminent en grande partie le résultat.

  • Données : de grands volumes de données de qualité, souvent étiquetées pour l'apprentissage supervisé.
  • Calcul : des processeurs graphiques (GPU) capables de traiter en parallèle de vastes jeux de données pour l'entraînement des modèles.
  • Compétences : des équipes capables de concevoir des architectures et de régler les hyperparamètres.
  • Infrastructure de données : un socle capable de collecter, stocker et fournir les données aux workloads d'entraînement et d'inférence.

Foire aux questions sur le deep learning

Quelle est la différence entre le machine learning et le deep learning ?

Le deep learning est une branche du machine learning. Là où les algorithmes classiques ont une capacité d'apprentissage limitée, les systèmes de deep learning améliorent leurs performances à mesure qu'ils accèdent à davantage de données.

Comment fonctionne le deep learning ?

Les réseaux de deep learning découvrent des structures complexes dans les données. Ils empilent plusieurs couches de traitement pour créer des niveaux d'abstraction successifs qui représentent les données.

Quels sont les principaux types de réseaux de deep learning ?

Les réseaux neuronaux convolutifs (CNN) excellent dans la classification d'images. Les réseaux neuronaux récurrents (RNN) traitent les données séquentielles. Les deux relèvent de l'apprentissage supervisé.

Quelle carte graphique choisir pour le deep learning ?

Les projets de deep learning s'appuient sur des processeurs graphiques (GPU) capables de traiter en parallèle de grands volumes de données. Le choix dépend de la taille des modèles et des jeux de données à entraîner.

Le deep learning nécessite-t-il beaucoup de données ?

L'apprentissage supervisé, au cœur du deep learning, exige de grandes quantités de données étiquetées. La quantité et la qualité des données déterminent le degré d'apprentissage du système.

Où le deep learning est-il utilisé aujourd'hui ?

Le deep learning est employé en robotique, en agriculture de précision, en imagerie médicale, en vision par ordinateur et en traitement du langage naturel (NLP). Des plateformes de données comme celles de NetApp fournissent le socle qui alimente ces workloads.

Solutions d'IA NetApp

Les projets de deep learning se heurtent souvent aux obstacles de l'infrastructure de données. NetApp aide à supprimer ces obstacles pour optimiser la collecte de données, accélérer les workloads d'IA et faciliter l'intégration au cloud.