Différences entre Machine Learning, Deep Learning et Intelligence Artificielle

Le machine learning et le deep learning sont apparentés. Ce sont tous deux des systèmes d’apprentissage basés sur la technologie de l’intelligence artificielle (IA) mais construits sur différentes couches d'abstractions.

Un des aspects qui est commun au machine learning, au deep learning et à l’IA, c'est que toutes les applications reposent sur ces trois technologies (par exemple voitures autonomes ou logiciels qui aident les médecins à déterminer les risques d'accident cardiaque chez leurs patients) ont besoin de toujours plus de big data et de puissance de traitement pour développer leur apprentissage et faire apparaître des résultats exploitables.

Ces trois technologies nécessitent un volume colossal d’informations pour pouvoir développer un modèle d’apprentissage.

Définitions : IA, machine learning et deep learning

Qu’est-ce que l’intelligence artificielle ou IA ?

L'intelligence artificielle (IA) (IA) est à la fois la théorie et le développement concret de machines, systèmes et logiciels qui imitent l'intelligence humaine pour accomplir des tâches très évoluées. 

L'IA est basée sur une démarche d’apprentissage afin de reproduire une partie de l'intelligence humaine à travers une application, un système ou un processus. La reconnaissance de la parole, la perception visuelle et la traduction linguistique sont des exemples de systèmes d'intelligence artificielle.

Le machine learning et le deep learning sont des sous-ensembles de l'intelligence artificielle.

Qu’est-ce que le machine learning ?

Le machine learning (ML) est un sous-domaine de l'IA qui utilise les réseaux neuronaux artificiels (ANN) pour imiter la façon dont les êtres humains prennent des décisions. 

Le machine learning permet aux ordinateurs de développer des modèles d’apprentissage par eux-mêmes, sans aucune programmation, à partir de gros ensembles de données (ou datasets).

On fournit donc des quantités colossales de données thématiques à un programme afin qu’il développe son apprentissage sur ce sujet et qu’il puisse ensuite les traiter de manière autonome.

Le machine learning est utilisé pour identifier les tendances enfouies dans les gros ensembles de données et pour la modélisation statistique.

Qu’est-ce que le deep learning ?

La couche immédiatement inférieure est occupée par le deep learning (DL), l'une des nombreuses approches du machine learning. 

Le deep learning utilise des réseaux de neurones profonds pour identifier des structures dans des volumes considérables de données. Dans le contexte informatique, les « réseaux neuronaux » sont des ensembles d'algorithmes modélisés sur la structure biologique du cerveau humain.  Chaque réseau neuronal se concentre sur une couche spécifique de la tâche à apprendre. C’est la superposition de ces couches de neurones qui permet à au système d’effectuer une tâche spécifique.

Citons comme exemples d'application le système de recommandation de films de Netflix qui adapte les propositions en fonction des recherches passées des utilisateurs et l'algorithme du MIT qui analyse des vidéos et permet de prédire très rapidement les futurs comportements.

Quelles différences entre intelligence artificielle, machine learning et deep learning ?

Pour mieux comprendre la différence d'approche entre ces trois technologies, voyons comment elles doivent procéder pour apprendre à un ordinateur à reconnaître la présence de chat sur des images :

• L'IA exige qu'un programmeur écrive tout le code nécessaire à l'ordinateur pour reconnaître un chat présent sur une image. Le programmateur crée le modèle d’apprentissage.
• Le machine learning exige que des programmeurs apprennent au système à quoi ressemble un chat en lui montrant différentes images et en corrigeant son analyse jusqu'à ce que celle-ci soit correcte (ou plus précise). On parle d’apprentissage supervisé puisque l’intervention humaine est nécessaire.
• Le deep learning divise la tâche de reconnaissance des caractéristiques du chat en plusieurs couches : une couche de l'algorithme apprend à reconnaître les yeux, une autre les oreilles, une troisième la silhouette générale, etc. Une fois connectées, ces différentes couches possèdent une certaine capacité de reconnaissance des chats afin de reconnaître l’animal sur chaque nouvelle image soumise.

Le machine learning et le deep learning rendent l'IA plus efficace et plus accessible.

AI, ML et DL dans le cloud

Les progrès des technologies cloud rendent plus accessibles les solutions d'IA, de ML et de DL. Les fournisseurs de services d'IA en cloud comme Amazon Machine Learning, Microsoft Azure et Google Cloud AI proposent des ressources partagées (réseau, traitement, mémoire, unités de stockage). Ces solutions sont peu coûteuses, faciles à utiliser et hautement évolutives.

Avec les plates-formes technologiques intégrées dans le cloud (IaaS, PaaS, SaaS et iPaaS) les entreprises telles que les PME/TPE  peuvent également bénéficier de la puissance du stockage des big data et de l'analytique en cloud.

Les APIs dédiées à l'intelligence artificielle, les algorithmes de machine learning, le deep learning, la reconnaissance faciale, la visualisation des données, la vision par ordinateur et les techniques de traitement du langage naturel (NLP pour Natural Language Processing) sont intégrés dans le service. Les calculs sont effectués à distance par le data center. Une formation spécialisée en data science n'est pas nécessaire.

Ces nouvelles solutions et plates-formes d'intégration des big data continuent d'accélérer le développement de l'IA, du ML et du DL.

Talend et l'intelligence artificielle

Les applications d'IA qui peuvent avoir un impact sur l'entreprise. Celles qui existent aujourd'hui exigent des données pertinentes, fiables et de qualité : vous ne pouvez pas avoir les unes sans les autres !

Avec l'augmentation des volumes de big data dans le monde et de la puissance de traitement et l'évolution des technologies, la perspective d'une IA forte débouchant sur la sentience (conscience) autonome des machines se rapproche chaque jour.