IA ou apprentissage profond

L’apprentissage profond est devenu une expression à la mode. C’est un terme tendance employé pour désigner la dernière vague de l’intelligence artificielle (IA). Examinons ce que c’est, en quoi il se compare à l’intelligence artificielle et comment il est utilisé.

Voir aussi : Les meilleurs logiciels d’IA 

Qu’est-ce que l’intelligence artificielle ?

On peut considérer l’intelligence artificielle comme le contraire de l’intelligence humaine. Si les êtres vivants naissent avec une intelligence naturelle, on peut dire que les machines fabriquées par l’homme possèdent une intelligence artificielle. Ainsi, toute « machine pensante » possède une intelligence artificielle.

En pratique, toutefois, les informaticiens emploient le terme intelligence artificielle pour désigner des machines qui atteignent le niveau de réflexion que les humains ont porté à un degré très élevé.

Les ordinateurs sont très doués pour effectuer des calculs — recevoir des entrées, les manipuler et produire des sorties à l’aide d’algorithmes. Mais par le passé, ils n’étaient pas capables d’effectuer d’autres types de tâches dans lesquelles les humains excellent, comme comprendre et générer du langage, identifier des objets à la vue, créer des œuvres d’art ou apprendre de leurs expériences passées.

Le développement de l’intelligence artificielle vise à changer cela et à doter les ordinateurs d’une intelligence exceptionnellement avancée, semblable à celle de l’être humain.

Voir aussi : Qu’est-ce que l’intelligence artificielle ? 

Qu’est-ce que l’apprentissage profond ?

L’apprentissage profond peut être défini comme une forme d’intelligence artificielle fondée sur les réseaux neuronaux. Ceux-ci s’inspirent de ce que les chercheurs estiment être certaines des capacités innées du cerveau humain.

À ce titre, l’apprentissage profond exploite plusieurs couches de traitement afin d’extraire des données des informations de plus en plus pertinentes et de plus haut niveau. En substance, il s’agit simplement d’une application plus sophistiquée des plateformes d’IA et de l’apprentissage automatique.

Quel est le lien entre l’apprentissage profond et l’intelligence artificielle ?

Nombreux sont ceux qui considèrent l’apprentissage profond comme un sous-ensemble de l’IA et de l’apprentissage automatique. Ils voient l’IA comme le domaine général, et distinguent les différents facteurs technologiques comme suit :

• L’IA tente d’imiter l’intelligence et le comportement humains.
• Dans le vaste domaine de l’IA, l’apprentissage automatique est une technique qui aide les ordinateurs à apprendre grâce à un entraînement fondé sur des résultats extraits de vastes ensembles de données.
• L’apprentissage profond se situe à la fois dans l’IA et dans l’apprentissage automatique. Cette technique est essentiellement une version plus complexe de l’apprentissage automatique utilisant des réseaux neuronaux.

L’apprentissage profond doit donc être considéré comme un sous-ensemble de l’apprentissage automatique qui, à son tour, est un sous-ensemble de l’IA.

« L’IA était traditionnellement limitée aux tâches peu complexes et à la prise de décisions simples jusqu’à l’arrivée de l’apprentissage profond », a déclaré Petr Baudis, directeur technique et architecte en chef de l’IA chez Rossum. « L’apprentissage profond est un type d’apprentissage automatique fondé sur les réseaux neuronaux artificiels. »

Il a expliqué que ces structures mathématiques — vaguement inspirées de la structure et du fonctionnement du cerveau — peuvent apprendre par l’exemple d’une manière comparable à celle des humains. Le changement majeur est que l’apprentissage profond permet enfin aux machines de s’attaquer à des problèmes d’une complexité comparable à ceux que les humains peuvent résoudre. Il est à l’origine de certaines des avancées les plus impressionnantes de l’IA ces dernières années, a ajouté Baudis.

Voir aussi : L’avenir de l’intelligence artificielle

L’apprentissage profond produit des modèles d’IA plus vastes et plus précis

Une grande partie de l’enthousiasme suscité par l’apprentissage profond concerne la mise à l’échelle de grands modèles généralistes, appelés techniquement modèles de fondation. Les modèles fondés sur l’apprentissage profond peuvent générer des images à partir de texte et même des vidéos à partir de texte. Ainsi, les utilisateurs de l’IA considèrent l’apprentissage profond comme la clé permettant de repousser les limites actuelles de la modélisation de l’IA.

Des algorithmes sont utilisés pour analyser plus en profondeur les données, les préférences et les actions potentielles. Ils peuvent même être capables de fournir des réponses à plusieurs facettes face à des situations et des problèmes complexes.

« Les modèles actuels sont limités de plusieurs façons, et une partie de la communauté s’empresse de le souligner », a déclaré Peter Stone, Ph.D., directeur exécutif de Sony AI America. « Il sera intéressant de voir quelles capacités peuvent être obtenues avec les seuls réseaux neuronaux et quelles nouvelles méthodes seront découvertes pour combiner les réseaux neuronaux à d’autres paradigmes de l’IA. »

Mais il ne s’agit pas d’une voie instantanée vers des découvertes révolutionnaires. Les plateformes d’apprentissage profond ont besoin de temps pour prendre en charge l’analyse des données. Elles doivent passer au crible de grandes quantités de données pour repérer des schémas.

Le modèle cherche à apprendre comment les choses fonctionnent dans le monde réel et, ainsi, à effectuer des prédictions plus précises et à fournir des analyses exactes. La bonne nouvelle est que les progrès des réseaux neuronaux accélèrent le processus. Certains estiment que la technologie atteindra bientôt le même niveau de maturité que l’analyse des données.

Voir aussi : L’histoire de l’intelligence artificielle 

L’apprentissage profond a besoin de matériel et de logiciels

Il ne suffit pas de disposer de logiciels exploitant des algorithmes, l’IA et la modélisation. Le matériel est tout aussi important. Si vous avez d’énormes ensembles de données, vous avez besoin d’une infrastructure informatique sous-jacente capable de les traiter presque en temps réel. Cela nécessite une puissance de traitement considérable. Les unités de traitement graphique (GPU), par exemple, sont nécessaires, tout comme les dernières architectures mémoire qui apportent une grande capacité mémoire aux plateformes informatiques et d’IA.

« Les organisations peuvent améliorer leurs plateformes d’IA en combinant des projets open source et des technologies commerciales », a déclaré Bin Fan, vice-président de l’open source et ingénieur fondateur chez Alluxio. « Lors des prises de décision, il est essentiel de tenir compte des compétences, de la vitesse de déploiement, de la variété des algorithmes pris en charge et de la flexibilité du système. »

Les progrès logiciels sont également essentiels. La dernière tendance consiste à placer les charges de travail d’apprentissage profond dans des conteneurs afin d’assurer l’isolation et la portabilité, d’améliorer la mise à l’échelle et de gérer les comportements dynamiques.

« Les organisations verront leurs charges de travail d’IA s’exécuter dans des environnements cloud plus flexibles, associés à Kubernetes », a déclaré Fan.

Baudis a souligné l’impact du big data sur l’apprentissage profond. Il a expliqué que la révolution de l’apprentissage profond avait été rendue possible par la disponibilité du big data. Les algorithmes d’apprentissage profond nécessitent de grandes quantités de données pour apprendre efficacement. La prolifération récente de sources de données telles que les réseaux sociaux, les capteurs et les transactions en ligne a permis d’entraîner des modèles d’apprentissage profond à une échelle auparavant inimaginable.

Parmi les exemples les plus impressionnants de l’apprentissage profond en action figurent les « grands modèles de langage », capables de générer du texte lisible sur différents sujets ou des images réalistes à partir d’invites textuelles. Des avancées sont annoncées régulièrement.

Ces innovations se diffusent rapidement dans les entreprises et l’informatique. Par exemple, l’apprentissage profond est désormais utilisé pour générer des transcriptions très précises à partir d’enregistrements audio de réunions d’entreprise et d’appels téléphoniques. Cela peut représenter un gain de temps considérable pour les entreprises, car leurs employés n’ont plus à transcrire manuellement ces enregistrements.

« L’apprentissage profond est également utilisé pour extraire automatiquement les données de documents professionnels avec une grande précision », a déclaré Baudis. « Cela peut faire gagner beaucoup de temps et d’argent aux entreprises, car elles n’ont plus besoin de saisir manuellement les données. »

Voir aussi : Les meilleures plateformes d’apprentissage automatique 

Comment l’apprentissage profond évolue-t-il pour soutenir l’IA ?

L’apprentissage profond évolue de manière fulgurante, comme il l’a fait ces dernières années. Baudis le considère de loin comme le domaine de l’IA qui évolue le plus rapidement. Il va jusqu’à qualifier de « niche » les domaines de l’IA qui ne reposent pas sur l’apprentissage profond, compte tenu des progrès réalisés dans ce domaine.

Mais des difficultés se profilent. Les objectifs sont les suivants : 

• Apprendre à atteindre des performances supérieures à celles des humains dans des tâches très complexes. Des progrès ont été réalisés, mais le chemin reste long.
• L’apprentissage profond doit acquérir une robustesse suffisante pour que les appareils d’IA puissent devenir des partenaires de confiance pour les humains ; ceux-ci doivent savoir qu’ils peuvent compter sur les déploiements d’apprentissage profond.

« Dans certaines applications, cela peut signifier que le système est capable d’expliquer le raisonnement qui sous-tend ses décisions », a déclaré Baudis. « Dans d’autres, il s’agit pour l’IA d’apprendre rapidement de ses erreurs et de s’adapter immédiatement afin de faire mieux la fois suivante. »

Dans l’entreprise, un exemple concret pourrait être un système d’extraction de données à partir de documents :

• Premièrement, de faibles taux d’erreur signifient simplement que les opérateurs humains économisent beaucoup de travail manuel.
• Deuxièmement, chaque fois qu’un humain corrige une erreur de l’IA, celle-ci ne devrait pas la reproduire. 

Ce type de comportement fait passer l’adoption des logiciels à un niveau supérieur, bien plus fonctionnel : soudain, il s’agit beaucoup moins d’un robot informatique que de l’intégration d’un nouveau collègue.

La codépendance entre l’IA et l’apprentissage profond

L’apprentissage profond et l’IA sont étroitement imbriqués au niveau fondamental. Rick Wagner, directeur principal de la gestion des produits chez SailPoint, explique cette dépendance.

« Pour fournir une intelligence artificielle, il faut apprendre des processus et des procédures, en formant des schémas dérivés et en détectant même des schémas de nuances et de variations », a déclaré Wagner. « L’apprentissage profond peut être utilisé pour analyser les exceptions lorsqu’un humain intervient dans les décisions de l’IA. Ces exceptions peuvent être analysées afin d’y déceler des schémas qui, à terme, amélioreront l’efficacité de l’IA. »

L’apprentissage profond permet à l’IA de poursuivre de nouvelles innovations. En elle-même, l’intelligence artificielle est la plus utile lorsque les processus et les procédures peuvent être analysés afin d’identifier des schémas et des exceptions à ces schémas. Pour parvenir à une gouvernance autonome et à une gestion autonome du cycle de vie des identités, l’apprentissage automatique jouera un rôle déterminant, l’apprentissage profond apportant un niveau de prévisibilité aux processus de décision humains en matière d’exceptions, a déclaré Wagner.

« Des processus et des procédures appris doivent être mis en œuvre pour que l’intelligence artificielle puisse être appliquée », a-t-il déclaré.

IA superficielle et apprentissage profond avancé

Alors, peut-on considérer l’IA standard comme une IA superficielle, et l’apprentissage profond comme une IA avancée à la pointe de la technologie ? Certains le pensent.

« Contrairement aux catégories moins avancées de l’IA, une approche fondée sur l’apprentissage profond consiste à alimenter en continu la solution avec de grandes quantités de données afin d’entraîner un réseau neuronal profond multicouche (DNN) », a déclaré Elaine Lee, scientifique principale des données chez Mimecast. « Le DNN est conçu pour imiter la pensée et la compréhension humaines. »

Une fois que le DNN a observé suffisamment de données étiquetées, il peut identifier ou catégoriser avec succès de nouvelles données non étiquetées, voire une anomalie menaçante, dont les utilisateurs pourraient être alertés par une instance d’IA intégrée. Dans le domaine de la cyberdéfense, par exemple, l’apprentissage profond est utilisé pour détecter les intrusions ou les activités malveillantes et classer les logiciels malveillants et les cyberattaques. Il peut également aider les organisations à renforcer leurs modèles d’IA, eux-mêmes vulnérables aux attaques qui exploitent des données trompeuses.

« L’intégration de l’IA, de l’apprentissage profond et des algorithmes est plus importante que jamais dans le domaine de la cybersécurité, alors que des acteurs de la menace très sophistiqués militarisent de plus en plus leurs propres logiciels malveillants dotés de capacités d’IA », a déclaré Lee. « Les cybercriminels recourent de plus en plus à des attaques d’ingénierie sociale pour propager des rançongiciels, en utilisant l’IA pour manipuler des robots, empoisonner les données, créer des hypertrucages et accroître l’ampleur et l’efficacité de leurs campagnes d’attaque. »

De l’autre côté du combat, les organisations renforcent leurs défenses fondées sur l’IA pour faire face à la sophistication et à la complexité croissantes des attaques. Selon le rapport 2022 sur l’état de la sécurité des e-mails de Mimecast, 46 % des organisations exploitent déjà ces technologies, et 46 % supplémentaires prévoient de leur emboîter le pas. En imitant l’intuition humaine, l’IA contribue à détecter et à prévenir les menaces plus efficacement tout en réduisant les erreurs humaines.

Voir aussi : Les meilleures entreprises de transformation numérique