Machine learning et deep learning : quelles différences ?

Machine learning, deep learning  c’est la même chose ?! Beaucoup de médias emploient souvent un concept pour un autre. Pourtant, ils sont bien distincts. Et vous, savez-vous les différencier ? Allez, on va vous aider avec une définition comparée.

Sommaire :

1. Qu’est-ce que l’intelligence artificielle déjà ?
2. Le machine learning ou l’apprentissage autonome
3. Quelles différences entre le machine learning et le deep learning ?
4. On utilise le deep learning pour trois grandes catégories d’actions : 
5. Machine learning ou deep learning : comment choisir ?

Qu’est-ce que l’intelligence artificielle  ?

Introduite par les chercheurs américains John McCarthy et Marvin Minsky en 1956 lors de la conférence de Dartmouth, l’Intelligence Artificielle s’est d’abord développée à travers des systèmes experts. Un système expert est un outil qui peut reproduire le comportement et les décisions d’un expert humain. Ils se sont développés dans les domaines militaires, médicaux et pharmaceutiques notamment.
Pour les construire, des experts codifiaient intégralement leur métier et leurs connaissances. Par exemple, un médecin renseignant les symptômes des maladies dans une machine. Ainsi, quand on rentrait ceux rencontrés par un patient, l’appareil réalisait un calcul de probabilités pour déterminer le nom de la pathologie. Ce procédé permet d’atteindre des niveaux intéressants de performance, mais elle diminue au-delà d’un certain volume de données. C’est la limite de cette approche qui, par ailleurs, nécessite beaucoup de temps de paramétrage. Elle commence donc à décliner dans les années 1980, au profit du machine learning.

Livre Blanc

Création d’une ville hyperconnectée

Quelle sont les bonnes pratiques et les défis liés de la création d’une ville hyperconnectée ? Cet Ebook interactif et collaboratif vous dévoile son analyse sur les villes hyperconnectées. 

Télécharger le livre blanc

Le machine learning ou l’apprentissage autonome

Le rêve des développeurs de cette époque ? Concevoir une machine qui apprend par elle-même, plutôt que de reproduire des décisions humaines. C’est ce que l’on appelle l’apprentissage autonome, ou « machine learning ». Pour cela, l’algorithme commence par analyser des quantités de données plus ou moins grandes. Par exemple, on lui montre des images d’échographies du sein en lui précisant lesquelles révèlent un cancer. Ensuite, grâce à des procédés issus des statistiques et des probabilités, la machine est capable de faire un diagnostic avec un taux d’erreur de plus en plus faible. Au début, comme une personne qui apprend, il faut la reprendre, la corriger.  

Le machine learning peut être supervisé ou non supervisé. Pour en savoir plus, vous pouvez lire notre article dédié à ces deux concepts. Aujourd’hui, ce modèle est très utilisé et profite du développement du big data. Voici quelques applications pour y voir plus clair.  

Classifier des données 

Le machine learning par apprentissage supervisé permet d’attribuer une classe à un objet, c’est-à-dire une catégorie. L’entreprise Buhler, spécialisée dans les engins mécaniques agricoles, a par exemple construit une machine de tri des grains de maïs. Elle identifie les grains porteurs de toxines (aflatoxines) grâce à la reconnaissance d’images et les élimine en temps réel. C’est un enjeu majeur de santé publique, car les aflatoxines sont particulièrement difficiles à détecter. Elles n’ont ni odeur ni goût et on estime qu’elles sont responsables de 150 000 cancers du foie chaque année dans le monde.

Lire aussi Bleckwen, toute la puissance de l’IA pour lutter contre la fraude bancaire

Attribuer des valeurs aux données 

Il s’agit d’une variante de la classification, mais ici l’application dispose d’un champ de possibilités bien plus vaste : des nombres. Par exemple, Un algorithme sera en mesure de prédire le lifetime value d’un client, c’est-à-dire la quantité totale de valeur et d’achats qu’il va générer sur une période donnée. Ces algorithmes permettent d’identifier les clients les plus importants pour leur porter une attention particulière.  

Faire du clustering 

Ici, vous ne demandez pas à la machine de ranger des données dans des catégories pré-déterminées, mais plutôt de proposer elle-même des catégories adaptées à votre jeu de données. C’est une fonctionnalité particulièrement utile dans la détection de fraudes à l’assurance par exemple. En utilisant l’historique des réclamations, on peut maintenant calculer la probabilité avec laquelle une nouvelle demande sera frauduleuse, ce qui permettra de les traiter différemment.  

Le filtrage collaboratif 

Voici un usage que nous connaissons tous, c’est celui qui permet à Netflix, par exemple, de nous faire des recommandations de nouveaux contenus à regarder. Il étudie ce que nous avons déjà regardé pour extrapoler nos goûts (les vrais, pas ceux qu’on déclare). Microsoft utilise également cette technique sur le catalogue de jeux vidéo pour Xbox. 

Webinar

Améliorez la sécurité de vos PC dans le Cloud avec Windows

76% des décideurs IT en charge de PC et technologies prévoient d’augmenter les investissements au cours des deux prochaines années dont 36 % s’attendent à un double investissement.

Je m’inscris

Quelles différences entre le machine learning et le deep learning ? 

Le deep learning, quant à lui, est apparu il y a une dizaine d’années. C’est cette technologie qui intervient notamment dans la reconnaissance d’images ou de langage naturel. Dans certains domaines, elle dépasse même la parité humaine. Cela signifie qu’elle est capable de faire encore mieux qu’un être humain.  

Si ces nouveaux modèles ont émergé ces 10 dernières années, c’est parce que le big data a explosé avec les réseaux sociaux, l’internet des objets ou l’industrie 4.0. Il s’agit d’un point fondamental, car le deep learning est gourmand en données. Ensuite, l’amélioration des capacités de calcul et le cloud ont permis de rendre ses résultats de plus en plus fins et pertinents.  

Cette technique fonctionne par bio-mimétisme : elle reproduit le mécanisme des réseaux de neurones. Prenons l’exemple d’un algorithme de reconnaissance d’images. Vous devez détecter sur la photo si l’animal est un chat ou un chien. La première couche identifie les pixels de la photo, la seconde s’attache aux formes, la troisième aux couleurs… L’algorithme peut compter des millions de couches. À la fin, la dernière couche contient 3 neurones. L’un s’active s’il s’agit d’un chien, l’autre s’il s’agit d’un chat et le troisième, s’il ne s’agit ni de l’un ni de l’autre.  

On utilise le deep learning pour trois grandes catégories d’actions : 

Les tâches cognitives

Les traducteurs automatiques qui travaillent à partir de langage naturel, les algorithmes de reconnaissance d’images ou de son… reposent tous sur des outils de deep learning. On les retrouve dans de très nombreux outils professionnels ou du quotidien. Par exemple, un logisticien peut utiliser une application qui compte les colis dans un local, grâce à la reconnaissance d’image. Un industriel peut quant à lui faire du contrôle qualité sur sa chaîne de production…  

Les modèles génératifs 

Une IA qui peint comme Vincent Van Gogh ? C’est possible grâce aux réseaux de neurones. Le deep learning est en mesure de repérer les caractéristiques qui font le style d’un artiste, pour les reproduire. Les résultats peuvent être bluffants. C’est aussi cette technique qui est utilisée pour réaliser les fameux deep fake, des photos ou vidéos plus vraies que nature mais conçus de manière complètement artificielle. Mais dans les entreprises, elle peut être un solide allié des équipes design, en créant automatiquement de nouvelles idées. Elle peut aussi générer des dessins techniques. Dans la sécurité, elle sera en mesure d’augmenter la résolution d’une image.

L’interaction client ou next best action  

Si un client a plusieurs interactions avec une marque, des produits ou des services, le deep learning peut recommander les prochaines actions marketing ou commerciales à mener. En effet, il aura été en mesure d’apprendre des opérations menées par le passé.  

>Lire aussi qu’est-ce qu’une API ?

Machine learning ou deep learning : comment choisir ?

Vous pouvez utiliser le machine learning si vous avez besoin de :

• - trier des données
• - segmenter une base de données
• - automatiser l’attribution d’une valeur
• - proposer des recommandations de manière dynamique

Aujourd’hui, ces algorithmes sont encore les plus utilisés car ils sont très efficaces avec des bases de données limitées. Concrètement, vous aurez besoin pour les faire fonctionner de quelques milliers de points de données « seulement ». Les résultats ne seront même pas vraiment meilleurs en augmentant le volume. 

À la différence du machine learning, le deep learning est un modèle d’apprentissage beaucoup plus autonome. Il permet d’automatiser certaines tâches : repérer des défauts sur des pièces par exemple, reconnaître du langage naturel, voire proposer de nouvelles actions à mener. La différence majeure est qu’il ne répondra pas uniquement par des valeurs ou des classifications, mais par des mots, ou des images.  

En revanche, si vous optez pour le deep learning, il vous faudra une base de données comptant plusieurs millions de points. En effet, le deep learning progresse avec le temps, plus on le nourrit de nouvelles informations. Il ne cesse jamais d’apprendre. Mais à ce jour, peu d’entreprises disposent de ce volume de données. 

En savoir plus ? Visionnez l’explication par nos experts de l’intelligence artificielle.

Questions Fréquentes