Le deep learning ou l’apprentissage profond est un type d'intelligence artificielle dérivé du machine learning qui signifie lui apprentissage automatique. Ici, la machine est capable d'apprendre par elle-même, contrairement à la programmation où elle se contente d'exécuter à la lettre des règles prédéterminées.
Le deep Learning s'appuie sur un réseau de neurones artificiels s'inspirant du cerveau humain. Ce réseau est composé de dizaines voire de centaines de « couches » de neurones, chacune recevant et interprétant les informations de la couche précédente. C’est sur ces algorithmes que reposent le Deep Learning, mais aussi des technologies comme la reconnaissance d’images ou la vision robotique. Plus le nombre de neurones est élevé, plus le réseau est « profond ». Le système apprendra par exemple à reconnaître les lettres avant de s'attaquer aux mots dans un texte, ou détermine s'il y a un visage sur une photo avant de découvrir de quelle personne il s'agit.
Imaginons que le réseau de neurones soit utilisé pour reconnaître les photos qui comportent au moins un chat. Pour pouvoir identifier les chats sur les photos, l’algorithme doit être en mesure de distinguer les différents types de chats, et de le reconnaître quel que soit l’angle sous lequel il est photographié.
Afin d’y parvenir, le réseau de neurones doit être entraîné. Pour ce faire, il est nécessaire de compiler un ensemble d’images pour pratiquer le Deep Learning. Cet ensemble va regrouper des milliers de photos de chats différents, mélangés avec des images d’objets qui ne sont pas des chats. Ces images sont ensuite converties en données et transférées sur le réseau. Les neurones artificiels assignent un poids aux différents éléments. La couche finale de neurones va alors rassembler les différentes informations pour déduire s’il s’agit ou non d’un chat.
Le réseau de neurones va ensuite comparer cette réponse aux bonnes réponses indiquées par les humains. Si les réponses correspondent, le réseau garde cette réussite en mémoire et s’en servira plus tard pour reconnaître les chats. Dans le cas contraire, le réseau prend note de son erreur et ajuste le poids placé sur les différents neurones pour corriger son erreur. Le processus est répété des milliers de fois jusqu’à ce que le réseau soit capable de reconnaître un chat sur une photo dans toutes les circonstances.
Le deep Learning est utilisé dans de nombreux domaines : reconnaissance d'image, voiture autonome, diagnostic médical, ou les prédictions financières, par exemple.
Le Deep Learning a donc de nombreuses utilités. C’est cette technologie qui est utilisée pour la reconnaissance faciale de Facebook par exemple, afin d’identifier automatiquement les amis sur les photos. C’est également cette technologie qui permet à la reconnaissance faciale Face ID de l’iPhone X de s’améliorer au fil du temps.
Pou traduire des conversations orales en temps réel, des logiciels comme Skype ou Google Traduction s’appuient aussi sur l’apprentissage automatique. Aujourd'hui le deep Learning est même capable de « créer » tout seul des tableaux de Van Gogh ou de Rembrandt, ou d'inventer un langage totalement nouveau pour communiquer entre deux machines.
Cependant le professeur Peter Corke nuance, étant donné que les réseaux de neurones artificiels imitent le fonctionnement du cerveau humain, les possibilités offertes par cette technologie augmenteront à mesure que nous découvrons les secrets de notre propre organe. En comprenant l’algorithme sur lequel repose le cerveau humain, et les moyens que nous a apporté l’évolution au fil du temps pour comprendre les images, l’ingénierie inversée nous permettra...
Voir Acast.com/privacy pour les informations sur la vie privée et l'opt-out.
Learn more about your ad choices. Visit megaphone.fm/adchoices