Deep learning : définition et différence avec le ML

La dictée vocale du téléphone, la traduction automatique d’un document, les assistants génératifs : ces outils que vous utilisez sans y penser reposent sur le deep learning. C’est un cas particulier du machine learning. Ce qui l’en distingue explique pourquoi il excelle sur certaines tâches, et pourquoi il n’est pas toujours le bon choix.

Qu’est-ce que le deep learning ?

Le deep learning, ou apprentissage profond, est une famille de méthodes de machine learning qui utilise des réseaux de neurones artificiels composés de nombreuses couches successives. Il fait partie du machine learning, lui-même une branche de l’intelligence artificielle (IA).

« Profond » désigne ce nombre de couches, pas une profondeur de compréhension. Il n’existe pas de seuil officiel : on parle de deep learning dès que le réseau empile plusieurs couches intermédiaires entre l’entrée des données et la réponse.

Chaque couche transforme ce que lui transmet la précédente. Sur une photo, les premières couches tendent à réagir à des contours et à des contrastes, les suivantes à des formes, les dernières à des objets entiers. Personne n’a programmé ces étapes : le réseau les a apprises à partir d’exemples.

Comment un réseau profond apprend-il ?

Un réseau profond apprend en ajustant, exemple après exemple, un très grand nombre de paramètres internes pour réduire l’écart entre ce qu’il prédit et la réponse attendue.

Au départ, ses réponses sont quelconques. À chaque passage, on mesure son erreur, puis on corrige légèrement chaque paramètre dans le sens qui la réduit. Répété sur de très grandes quantités d’exemples, ce réglage progressif permet d’obtenir un modèle capable de traiter des cas nouveaux.

Son atout principal est d’apprendre lui-même les représentations utiles. En machine learning classique, un expert décide souvent à l’avance quelles caractéristiques mesurer : la longueur d’un message, la présence d’un mot, le montant moyen d’une commande. Un réseau profond peut partir des données brutes et trouver seul ce qui compte.

Pourquoi le deep learning a-t-il décollé ?

Le deep learning a décollé quand trois conditions ont été réunies : des données numériques en masse, une puissance de calcul accessible grâce aux processeurs graphiques, et de meilleures méthodes d’entraînement.

Les idées de base des réseaux de neurones datent de plusieurs décennies. Pendant longtemps, elles se sont heurtées notamment à deux murs : trop peu de données pour apprendre, trop peu de calcul pour entraîner des réseaux profonds.

• Les données : la numérisation a produit d’immenses quantités de photos, de textes et d’enregistrements, et des collections d’exemples annotés ont été constituées pour entraîner et comparer les modèles.
• Le calcul : les processeurs graphiques (GPU, pour graphics processing units), conçus à l’origine pour le jeu vidéo et l’affichage, exécutent en parallèle les calculs répétitifs qu’exige un réseau de neurones. Ils ont fortement raccourci l’entraînement.
• Les méthodes : des améliorations dans la façon d’initialiser, de régulariser et d’entraîner les réseaux ont permis d’en empiler beaucoup plus de couches. Des bibliothèques logicielles ouvertes ont aussi mis ces techniques à la portée de nombreuses équipes.

Les progrès sont d’abord venus en reconnaissance d’images et en reconnaissance vocale, puis dans le traitement du langage, jusqu’aux grands modèles de langage qui animent les assistants génératifs. Rien de magique dans cette histoire : c’est la rencontre de données, de calcul et de méthode.

Deep learning ou machine learning classique : quelle différence ?

Le deep learning se distingue du machine learning classique par sa capacité à apprendre seul les caractéristiques utiles à partir de données brutes, au prix, en général, de davantage de données, de davantage de calcul et d’un fonctionnement plus opaque.

Le deep learning n’est pas toujours le bon choix. Sur des données en tableau, des méthodes classiques, par exemple à base d’arbres de décision, restent souvent très compétitives et plus simples à mettre en œuvre.

Pour prévoir des ventes à partir d’un tableur, commencez par une méthode classique. Si elle suffit, inutile d’aller plus loin : le deep learning ajouterait surtout de la complexité.

Où trouve-t-on le deep learning en entreprise ?

Le deep learning sert en entreprise partout où il faut traiter des images, de la voix ou du langage.

La vision. En production, une caméra reliée à un modèle peut repérer des défauts d’aspect sur des pièces qui défilent : rayure, tache, soudure manquante. En administration, la lecture automatique de documents extrait les informations d’un bon de livraison ou d’un justificatif scanné.

La voix. La transcription automatique convertit une réunion ou un appel en texte, qu’on peut ensuite résumer. La dictée permet à un technicien de remplir son rapport d’intervention sans clavier.

Le langage. La traduction automatique et les assistants génératifs reposent sur des réseaux profonds. Un assistant peut ainsi rédiger un premier jet de réponse à un client à partir de l’historique de l’échange.

Dans la plupart de ces cas, une petite ou moyenne entreprise (PME) n’entraîne rien elle-même. Elle utilise un logiciel qui embarque un modèle, ou adapte un modèle déjà entraîné à ses propres exemples. Cette technique, appelée apprentissage par transfert, demande beaucoup moins de données que de partir de zéro.

Quelles sont les limites du deep learning ?

Le deep learning a quatre limites à connaître : il est opaque, gourmand en données et en calcul, fragile hors de ce qu’il a appris, et fidèle aux défauts de ses exemples.

• L’opacité : un réseau profond ne dit pas pourquoi il a pris une décision. Des méthodes d’explication existent, mais elles donnent des indices, pas une justification complète. Pour une décision qui touche une personne, c’est un vrai sujet.
• La consommation : entraîner un grand modèle demande beaucoup d’exemples, d’énergie et de matériel. Utiliser un modèle existant réduit fortement cette charge pour l’utilisateur.
• La fragilité hors du domaine appris : un modèle entraîné sur des photos prises dans un atelier bien éclairé peut se tromper sous un autre éclairage, avec la même assurance. Il se teste donc dans les conditions réelles.
• Les défauts hérités : un réseau peut reproduire les déséquilibres de ses exemples. Si un type de défaut est rare dans les données, il risque de mal le repérer.

Pour replacer le deep learning dans l’ensemble, voir la définition de l’intelligence artificielle, et pour les mots techniques croisés en route, le glossaire de l’IA en entreprise.

À retenir

• Le deep learning (apprentissage profond) est une famille de méthodes de machine learning fondée sur des réseaux de neurones à nombreuses couches.
• Le deep learning a décollé grâce à la rencontre de données numériques abondantes, de processeurs graphiques puissants et de meilleures méthodes d’entraînement.
• Contrairement au machine learning classique, le deep learning apprend seul les caractéristiques utiles à partir de données brutes comme des images, des sons ou des textes.
• Sur des données en tableau, les méthodes de machine learning classique restent souvent très compétitives et plus simples à mettre en œuvre que le deep learning.
• Une PME utilise le plus souvent le deep learning à travers des outils existants ou en adaptant un modèle déjà entraîné, plutôt qu’en l’entraînant de zéro.

Pour repérer les tâches de votre équipe où ces outils ont leur place, voir les formations.