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.
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.
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.
| Critère | Machine learning classique | Deep learning |
|---|---|---|
| Extraction des caractéristiques | Définie manuellement par un expert | Apprise de façon autonome |
| Rapport aux données | Capacité d'apprentissage limitée | Performances qui progressent avec plus de données |
| Structure du modèle | Algorithmes à couches peu nombreuses | Réseaux neuronaux à plusieurs couches |
| Effort de conception | Ingénierie des caractéristiques lourde | Réglage de nombreux hyperparamètres |
| Tâches types | Prédiction sur données structurées | Vision, langage, reconnaissance vocale |
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.
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.
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.
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.
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.
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.
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.
Le deep learning offre des atouts marqués, mais il impose aussi des contraintes réelles. Peser les deux aide à décider quand l'employer.
Avantages :
Limites :
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.
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.
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.
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.
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.
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.
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.
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.