Analytics Internet des Objets

Comment le Deep Learning Permet à l’IA de Faire des Pas de Géant

4 octobre 2016

author:

Comment le Deep Learning Permet à l’IA de Faire des Pas de Géant

La nature a donné aux êtres humains une étonnante capacité à apprendre. Depuis notre naissance, nous apprenons des tâches complexes, comme le langage et la reconnaissance d’images, et nous continuons tout au long de nos vies à modifier et à développer ces premières expériences d’apprentissage. Il semble donc naturel d’utiliser le concept de l’apprentissage, du développement des connaissances, la capacité à modéliser et à prédire des résultats et d’appliquer l’ensemble de ses compétences à des processus et à des tâches liées à l’informatique. La terminologie utilisée pour décrire les technologies impliquées dans ce paradigme de l’informatique est l’Intelligence Artificielle (IA).

Ce n’est qu’un jeu

Un tournant dans le monde de l’intelligence artificielle s’est déroulé à la fin des années 90. En 1996, le maître d’échecs Garry Kasparov jouait contre Deep Blue d’IBM – construit à l’origine pour jouer spécifiquement aux échecs à l’aide d’un système informatique innovant, et gagnait 4 à 2. Un an plus tard, Kasparov et Deep Blue disputaient un autre match, et cette fois, Deep Blue gagnait. Cette victoire a créé un profond changement d’attitude vis-à-vis de de l’IA. Les grands maîtres d’échecs doivent effectuer implicitement des calculs très complexes, évaluant à la volée de multiples coups et stratégies. Ils apprennent de leurs parties et sont capables d’innover et de trouver de nouveaux coups. Être capable d’imiter ce processus, même s’il est appliqué à une tâche spécifique comme les échecs, ouvre un réel potentiel pour la technologie.

Depuis ce succès, de nouveaux développements en IA nous ont amenés à un nouveau niveau maturité et de sophistication. DeepMind, désormais la propriété de Google, utilise des algorithmes de Deep Learning. Ces algorithmes sont basés sur la même idée que celle qui permet aux êtres humains d’apprendre, à savoir, la communication synaptique au travers des réseaux neuronaux. Encore une fois, l’IA a été appliquée au jeu pour prouver quelque chose. DeepMind a repris l’idée de « l’homme contre la machine » et l’a cette fois utilisée dans le jeu très complexe de « Go ». L’entreprise DeepMind décrit le jeu de Go comme ayant « plus de positions possibles qu’il n’y a d’atomes dans l’univers ». C’est donc le parfait défi pour une technologie d’IA. DeepMind utilise des algorithmes de Deep Learning pour se former avec des parties connues, jouées par des experts. Le système résultant est connu sous le nom d’AlphaGo et a un taux de victoire de 99.8% lorsque confronté à d’autres programmes de Go ; il a récemment gagné 4 jeux sur 5 contre le joueur professionnel de Go, Lee Sedol.

Cela pourrait ressembler à un simple jeu, mais en fait, cela démontre que la technologie peut apprendre à modéliser et à prédire les résultats de la même manière que le fait un être humain. En seulement 20 ans, l’IA a déjà 10 ans d’avance sur ce qui était attendu de la technologie. Les jeux ont prouvé sa capacité, et maintenant, la technologie entre dans une phase de maturité, où elle est plus appliquée à des résolutions de problèmes du monde réel. Suite au succès d’AlphaGo, Google a compris les avantages de ces technologies, et les a rapidement intégrées dans sa solution de Machine Learning hébergée sur la Plateforme Cloud.

Quelques Définitions dans le Monde de l’Intelligence Artificielle

À ce stade, il est intéressant de préciser une partie de la terminologie et des définitions de la technologie de l’IA.

Nous pouvons considérer que : le Deep Learning est un sous-ensemble de l’Apprentissage Automatique (Machine Learning) ; l’Apprentissage Automatique (Machine Learning) est un sous-ensemble de l’Intelligence Artificielle.

Intelligence Artificielle : le terme est aujourd’hui générique, il décrit bien une technologie créée pour faire preuve d’un niveau d’intelligence similaire à celui d’un être humain lors de la résolution d’un problème. Elle peut utiliser – ou non – des constructions biologiques comme base sous-jacente de ses opérations intelligentes. Les systèmes d’Intelligence Artificielle sont généralement « entrainés », et apprennent de cette phase de « learning ».

Apprentissage Automatique (Machine Learning) : Dans le cas des jeux que nous avons utilisés précédemment à titre d’exemples, l’apprentissage automatique est entraîné à l’aide de parties de jeu connues. En apprenant les mouvements et les stratégies des joueurs, le système accumule les connaissances de la même manière qu’un être humain le ferait. Les systèmes basés sur l’apprentissage automatique peuvent utiliser de très grands ensembles de données en entrée de formation, qu’ils utilisent ensuite pour prédire les résultats. Les systèmes basés sur l’apprentissage automatique peuvent utiliser des algorithmes classiques et non classiques. L’un des aspects les plus intéressant de l’apprentissage automatique est la capacité d’adaptation. L’apprentissage adaptatif donne une meilleure précision des prédictions. Il facilite donc la manipulation de toutes les combinaisons possibles, pour fournir les résultats optimaux à partir des données entrantes. Dans le cas des jeux, cela se traduit par plus de victoires pour la machine.

Deep Learning (Apprentissage Profond) : C’est un sous-ensemble de l’apprentissage automatique (Machine Learning) et plus précisément une évolution des systèmes de réseaux de neurones. La typologie du système est vitale ; lors de l’apprentissage, il n’est pas tellement question de « grandeur », mais plus de surface ou de profondeur. Des problèmes plus complexes sont résolus par un plus grand nombre de neurones et de niveaux. Le réseau est utilisé pour former un système, en utilisant les questions et les réponses connues à un problème donné, ce qui crée une boucle de rétroaction. En formant les résultats en termes d’incidence pondérée, cette pondération est transmise au neurone suivant afin de déterminer la restitution de ce neurone – cela crée un résultat plus précis, basé sur les probabilités.

Applications Réelles du Monde de l’IA

Nous avons vu l’utilisation de l’IA dans les jeux, mais qu’en est-il des applications commerciales dans le monde réel ? Chaque fois qu’elle doit prédire, prévoir, reconnaître, regrouper, l’IA est utilisée dans une multitude de processus et de systèmes. Chez Sopra Steria, par exemple, nous utilisons des composants d’IA dans les solutions de l’industrie, y compris la banque et l’énergie. Nous intégrons le Traitement Automatique du Langage Naturel (TALN) et les capacités de reconnaissance vocale à partir des solutions de nos partenaires, tels que Watson (IBM) ou Cortana (Microsoft).

Le TALN, la reconnaissance vocale et la reconnaissance d’image sont maintenant largement utilisés et intégrés dans une multitude d’applications. Par exemple, dans l’industrie bancaire, la reconnaissance textuelle et vocale est utilisée pour aider les conseillers des services d’assistance et de suivi clientèle. Plus généralement, quelques-unes des applications modernes les plus connues incluent une utilisation quotidienne dans nos smartphones. Des technologies vocales et d’assistance personnelle, comme Siri et Google Now, ont amené l’IA au grand public et hors des laboratoires. Utilisant l’IA et l’analyse prédictive pour répondre à nos questions et planifier nos journées. Siri a maintenant un successeur plus sophistiqué nommé VIV. VIV est basé sur des algorithmes d’auto-apprentissage qui ouvre de grandes opportunités pour les développeurs, en créant une plate-forme d’IA qui peut être utilisée pour une multitude de tâches. Google a récemment défini une trajectoire similaire avec Google Now, qui est devenu Google Assistant.

L’apprentissage automatique (Machine Learning) est également utilisé dans de nombreux processus d’arrière-plan, tels que la cotation nécessaire pour autoriser un prêt bancaire ou un prêt hypothécaire. L’apprentissage automatique est largement utilisé dans le secteur bancaire pour offrir des produits personnalisés, donnant aux banques qui emploient cette méthode un avantage concurrentiel.

Le Deep Learning est utilisé dans des tâches plus complexes aux règles floues. L’ère des gros volumes de données nous fournit les outils qui sont à l’origine des cas d’utilisation du Deep Learning. C’est la raison pour laquelle les applications actuelle du Deep Learning sont concentrées dans tout ce qui a trait à la reconnaissance des formes, tels que les systèmes de reconnaissance faciale, l’assistance vocale et l’analyse comportementale pour la prévention de la fraude.

L’intelligence artificielle est entrée dans une nouvelle ère avec l’aide d’algorithmes plus sophistiqués et améliorés. L’IA est la prochaine technologie disruptive – un grand nombre des prédictions de Gartner (Gartner’s predictions), pour la technologie en 2016 et au-delà, a été basé sur l’IA et sur l’apprentissage automatique. L’Intelligence Artificielle détient les clés de ces questions insolubles, celles que nous pensions être les seuls à pouvoir résoudre. En fin de compte, même la rédaction de cet article pourra, un jour, être faite par une machine.

Leave a comment

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *