Comprendre la différence entre Machine Learning et Deep Learning

Alors que l’intelligence artificielle prend de plus en plus de place dans notre quotidien, on emploie désormais couramment des termes qui étaient jusqu’alors réservés aux ingénieurs. Ainsi, les expressions deep learning, machine learning, data scientist, IA deviennent légion sans que l’on maîtrise toujours leur sens exact. Ainsi, cet article va justement se pencher sur la différence entre machine learning et deep learning. Pour cela, nous allons revenir aux bases de l’intelligence artificielle et évoquer ensemble la question de l’apprentissage par des algorithmes. 

L’apprentissage et l’algorithme

Avant l’intelligence artificielle, il n’y avait que l’algorithmique. Il s’agit d’une technique qui consiste à donner des consignes à un ordinateur en fonction de conditions et de situations qu’il peut être amené à rencontrer. Par exemple, si la voiture est bleue alors la voiture est rouge. Ce système, où l’on conditionne un résultat à une condition précise observable, n’est pas en soi de l’intelligence. Il s’agit seulement de reconnaissance. 

L’intelligence artificielle commence avec le machine learning. Littéralement, il s’agit d’apprentissage automatique. L’expression correspond à la réalité puisqu’un algorithme est nourri avec de la donnée pour mieux apprendre à réaliser une tâche relativement complexe. Là où l’algorithmique se concentre sur une tâche simple : comme dire que “Dès qu’il voit du rouge, il s’agit de sang”, le machine learning va utiliser de la data pour s’entraîner à identifier formellement une tâche de sang. Dans le premier cas, l’ordinateur se contente d’observations. Dans le second cas, il y a de l’analyse. 

Machine learning vs Deep Learning

Là où le machine learning repose sur un apprentissage automatique à partir de données qui lui enseignent comment agir, le Deep Learning, littéralement “Apprentissage Profond”, est bien plus complexe. On pourrait schématiser la chose ainsi : l’algorithmique compte un seul niveau d’exécution. On reçoit l’information, et celle-ci est tout de suite appliquée grâce à un schéma “Cause / Conséquence” pour en tirer une conclusion immédiate. Le machine learning compte un niveau d’intelligence. C’est en nourrissant le programme de données qu’on l’enrichit et qu’on le rend intelligent. Néanmoins, la capacité d’analyse de cet algorithme ne pourra être efficace que dans des situations simples. 

Et c’est précisément ici que le deep learning intervient. Cette technologie permet un apprentissage en plusieurs couches de façon à ce que le programme informatique soit en mesure de développer son propre raisonnement, et puisse prendre des décisions en toute autonomie. Le deep learning fonctionne avec des réseaux de neurones qui agissent à partir d’un ensemble de données perçues d’une situation X, sans que l’on comprenne la cause immédiate de leur action. Le deep learning reproduit le comportement du cerveau humain.

Champs d’application du deep learning et du machine learning

A priori, après avoir évoqué le fonctionnement technique de ces systèmes artificiels d’intelligence, on pourrait se dire que le deep learning est plus intéressant que le machine learning et que l’algorithmique est devenue inutile. Or, la réalité est plus nuancée et les domaines techniques de chacun sont assez différents.

L’algorithmique est-elle dépassée ?

Aujourd’hui l’algorithmique est très utilisée pour la reconnaissance visuelle simple à partir d’images numériques HD. En quelques minutes, un algorithme peut étudier plusieurs dizaines d’images avec un rendu exceptionnel. C’est notamment le cas dans le secteur du diagnostic médical avec de plus en plus de jeunes entreprises qui se créent pour vendre de la “détection de tumeurs” à un stade précoce. Comment cela fonctionne-t-il ? Les algorithmes sont programmés pour repérer des éléments visuels très précis, parfois invisibles à l’œil nu. Les algorithmes sont même en capacité de réaliser des mesures quantitatives. L’humain a besoin de l’algorithmique car elle est à la base des deux technologies suivantes. Nous allons maintenant étudier le machine learning vs le deep learning.

Applications du machine learning

Le machine learning est de plus en plus utilisé, et ce dans de nombreux secteurs. Il fait notamment l’objet de recherches approfondies dans le secteur des drones par exemple. De plus en plus d’entraînements ont lieu (à partir de datas provenant de tests sur des humains) pour permettre à ces avions autonomes de reconnaître des cibles en mouvements. Voici un exemple concret d’application. Mais, de façon plus générale, le machine learning permet aux robots d’améliorer la perception de leur environnement.

La faculté d’apprendre des statistiques permet également à des entreprises de nombreux secteurs d’employer cette technologie pour développer une analyse plus profonde de certains phénomènes. 

Et le deep learning alors ?

Le deep learning est aujourd’hui encore complexe à manipuler. C’est l’apanage des GAFAM qui utilisent la quantité immense de données qu’ils ont collecté pour créer des algorithmes très complexes et intelligents qui utilisent plusieurs réseaux de neurones différents. Ce sont plus que des algorithmes, ce sont des systèmes artificiels qui sont capables de raisonner plus rapidement et plus précisément que les humains. 
Aujourd’hui, c’est le deep learning qui est encore le moins utilisé et qui a donc, à ce titre, de grandes possibilités de développement. Le secteur de la traduction s’est même emparé de cette technologie pour pouvoir traduire des mots en fonction du contexte de lecture.