Nous apprenons de nos expériences. Plus les expériences sont enrichissantes, plus nous apprenons. Il s'agit d'un fait qui se vérifie également dans le domaine de l'intelligence artificielle (IA) avec le deep learning ou avec les machines équipées de solutions d'IA matérielles et logicielles. Les expériences les plus enrichissantes pour les machines dépendent des données qu'elles reçoivent. La quantité et la qualité de ces données déterminent le degré d'apprentissage.
Le deep learning est une branche du machine learning. Contrairement aux algorithmes classiques du machine learning dont la capacité d'apprentissage est limitée quelle que soit la quantité de données acquise, les systèmes de deep learning peuvent améliorer leurs performances en accédant à davantage de données : une machine plus expérimentée. Une fois que les machines ont acquis assez d'expérience grâce au deep learning, elles peuvent être utilisées pour des tâches spécifiques telles que conduire une voiture, détecter les mauvaises herbes dans un champ, détecter des maladies, inspecter des machines pour repérer les défaillances, etc.
Les réseaux de deep learning sont entraînés sur la base de structures complexes de données auxquelles ils sont confrontés. Ils élaborent des modèles de calcul composés de plusieurs couches de traitement pour créer plusieurs niveaux d'abstraction afin de représenter les données.
Par exemple, le modèle de deep learning connu sous le nom de réseau neuronal convolutif peut être entraîné à l'aide d'un grand nombre (des millions) d'images, des images représentant des chats par exemple. Ce type de réseau neuronal tire son apprentissage des pixels contenus dans les images reçues. Il peut classer des groupes de pixels en fonction des caractéristiques du chat telles que les griffes, les oreilles, les yeux indiquant la présence de l'animal dans l'image.
Le deep learning est très différent du machine learning classique. Dans cet exemple, un expert dans ce domaine passerait un temps considérable à mettre au point un système de machine learning capable de détecter les caractéristiques représentatives du chat. 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.
Pour de nombreuses tâches, comme la vision informatique, la reconnaissance vocale, la traduction automatique et la robotique, les performances des systèmes de deep learning dépassent largement celles des systèmes de machine learning classiques. Sans compter que la création de systèmes de deep learning est également relativement plus facile. Même si la reconnaissance des caractéristiques a lieu de façon autonome, il faut toutefois activer des milliers d'hyperparamètres (ou boutons) pour qu'un modèle de deep learning devienne efficace.
Nous vivons dans une époque où les possibilités sont infinies et la technologie de deep learning peut nous aider à réaliser de nouvelles avancées technologiques. Le deep learning a permis la découverte d'exoplanètes et de nouveaux médicaments ainsi que la détection de maladies et de particules subatomiques. Il augmente considérablement notre compréhension de la biologie, notamment de la génomique, de la protéomique, de la métabolomique et de l'immunomique.
Nous faisons sans cesse face à de nouveaux défis. Le changement climatique menace la production alimentaire et pourrait un jour provoquer des guerres face à la pénurie des ressources. Ce défi sera d'autant plus grand que la population mondiale ne cesse de croître et devrait atteindre 9 milliards en 2050. La portée et l'ampleur de ces problèmes 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. Outre l'évolution des réseaux neuronaux biologiques qui a permis de traiter les informations visuelles, la vision a également doté les animaux d'une carte de leur environnement et augmenté leur conscience du monde qui les entourait.
De nos jours, l'association des caméras qui agissent comme un œil artificiel et des réseaux neuronaux qui peuvent traiter des informations visuelles capturées par les yeux est une véritable révolution pour les applications d'IA pilotées par la donnée. 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 autonomes, de collaborer avec nous et d'augmenter nos propres capacités.
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.