Intelligence Artificielle, Machine Learning et Deep Learning : Quels liens et quelles différences ?
Dans cet article très intéressant paru sur le site « Pensée Artificielle« , l’intelligence artificielle et ses déclinaisons sont décryptées et explicitées pour être compréhensible à tous.
L’intelligence artificielle est partout dans la presse. Le machine learning est partout dans les entreprises. Le deep learning est partout dans la recherche.
Quel est le lien entre ces trois disciplines, et surtout, qu’est-ce qui les différencie ?
L’intelligence artificielle (IA)
Historiquement, les débuts de l’IA remontent à Alan Turing dans les années 1950, et le mot veut tout dire et ne rien dire.
En effet, dans l’imaginaire commun, lorsqu’on parle d’intelligence artificielle, on désigne par là un programme qui peut effectuer des tâches d’humain, en apprenant toute seule. Or, l’IA telle que définie dans l’industrie est plutôt « des algorithmes plus ou moins évolués qui imitent des actions humaines ».
Par exemple, un programme qui nous dit si on est en surpoids (en lui donnant notre taille et poids), est une IA : l’utilisation de la logique IF… THEN… ELSE… dans un programme en fait une IA, sans qu’elle soit « réellement » intelligente. De la même manière, une machine de Turing est une IA.
En résumé, si l’Intelligence Artificielle est un domaine très vaste qui regroupe en partie des algorithmes qui « ne font pas rêver », il y a aussi des algorithmes plus performants, notamment dans le machine learning.
Une intelligence artificielle est un algorithme dont le résultat se veut un « minimum intelligent » (i.e. il doit ressembler à celui d’un expert humain)
Le machine learning (ML)
Partons d’un exemple simple : imaginons que vous vouliez créer une IA qui vous donne le prix d’un appartement à partir de sa superficie.
Dans les années 1950, vous auriez fait un programme du type « si la superficie est inférieure à 20m², le prix vaut 60 000€, si elle est entre 20m² et 30m², le prix vaut 80 000€, etc… », ou peut-être « prix = superficie*3 000 ».
Si vous avez un ami statisticien, il pourrait alors vous dire que ces approximations ne sont pas satisfaisantes, et qu’il suffirait de constater le prix de plein d’appartements dont on connait la superficie pour estimer le prix d’un nouvel appartement de taille non-référencée ! Votre ami vient de donner naissance au machine learning (qui est donc un sous-domaine de l’intelligence artificielle).
En effet, apparu dans les années 1980, le machine learning (ML) est l’application de méthodes statistiques aux algorithmes pour les rendre plus intelligents. L’enjeu du ML est bien de construire des courbes qui approximent les données et permettent de généraliser facilement. Il repose donc sur la capacité des algorithmes à recevoir beaucoup de données et à « apprendre » d’elles (i.e. corriger les courbes d’approximation) !
Le deep learning (DL)
En dépit de sa puissance, le ML pur a beaucoup de failles. La première est qu’un expert humain doit, au préalable, faire du tri dans les données.
Par exemple, pour notre appartement, si vous pensez que l’âge du propriétaire n’a pas d’incidence sur le prix, il n’y a aucun intérêt à donner cette information à l’algorithme, car si vous lui en donnez trop, il pourrait voir des relations là où il n’y en a pas…
Ensuite, la seconde (qui découle de la première) : comment faire pour reconnaître un visage ? Vous pourriez donner à l’algorithme plein d’informations sur la personne (écart entre les yeux, hauteur du front, etc…), mais ce ne serait pas très adaptatif ni précis.
Ainsi est née l’idée du Deep Learning (DL) vers 2010 : s’inspirer de comment marche notre cerveau (avec des réseaux de neurones) pour pousser l’analyse plus loin et savoir extraire les données soi-même !
Le DL (qui est donc un sous-domaine du ML) repose donc sur ce qu’on appelle des réseaux de neurones artificiels (profonds), c’est-à-dire un ensemble de neurones (ce sont de petites calculatrices qui effectuent une opération mathématique) qui s’envoient des nombres en fonction de leurs liaisons, jusqu’à des neurones de sortie (en général !). Grâce à cette architecture, le DL est capable de reconnaître des visages, de synthétiser des textes ou encore de conduire une voiture autonome !
En résumé : DL ∈ ML ∈ IA
Pour synthétiser tout cela, l’image ci-dessous montre bien les liens et interactions entre ces 3 disciplines :
On peut donc résumer par :
- L’IA est l’imitation d’une réponse d’un expert dans un domaine.
- Le ML est de l’IA reposant sur des statistiques (Le ML adapte son algorithme mais a besoin d’un expert pour les données)
- Le DL est du ML utilisé avec des réseaux de neurones (Le DL extrait l’information pertinente des données et adapte son algorithme).
Avez-vous d’autres questions sur l’IA, le ML ou le DL? Avez-vous d’autres ressources à partager sur le sujet ?
(Source)