Deep learning vs machine learning : quelle est la différence ?

Le machine learning et le deep learning sont des termes qui se confondent souvent. Tous deux font partie de l’intelligence artificielle (IA) Les distinctions sont liées au fonctionnement même des deux technologies. 

De l’intelligence artificielle au machine learning

L’idée d’intelligence artificielle provient des travaux d’Alan Mathison Turing, un mathématicien surdoué britannique qui décrypta la machine Enigma que les nazis utilisaient pour communiquer. Alan Turing faisait le pari que, dans cinquante ans, les réponses d’un ordinateur à une question ne pourront être distinguées de celles d’un humain. Avec lui naissait l’intelligence artificielle. Le terme d’IA quant à lui a été forgé par John McCarthy, mathématicien américain, inventeur d’un algorithme qui eut un grand succès dans le jeu d’échecs. Pour ses recherches, il reçut, en 1971 le prix Turing.

Des exemples célèbres d’IA

En 1997, pour la première fois, le champion du monde russe d'échecs Garry Kasparov était mis… en échec par le super ordinateur conçu par IBM, Deep Blue. Dans la mémoire de la machine, plus de 600 000 parties étaient enregistrées avec une capacité d’analyse de 200 millions de coups par seconde. C’est le machine learning.

En 2015, le programme Alpha Go parvient à battre un joueur professionnel au jeu de go (qui comporte encore plus de combinaisons possibles que le jeu d’échecs. La machine avait ingéré plus de 30 millions de possibilités. Par ailleurs, en jouant contre elle-même, la machine s’améliorait. C’est un exploit du deep learning.
Aujourd’hui des millions de joueurs s’affrontent dans le cloud souvent en ignorant que leur jeu est possible grâce aux progrès de la science de l’intelligence artificielle.

Distinction entre machine learning et deep learning

L’IA a pour objet la capacité d’une machine de reproduire l’intelligence humaine. Pour arriver à cette fin, il convient d’alimenter l’ordinateur. C’est l’objet de l’apprentissage automatique (machine learning) et de l’apprentissage profond (deep learning).

Ces deux types d’apprentissage sont des méthodes pour qu’une machine puisse reproduire et démultiplier l’intelligence en termes d’informations qualitatives et quantitatives. Elles se distinguent en ce que l’une (le machine learning) exige des données structurées et l’autre (le deep learning) non.

Machine learning vs deep learning

Le machine learning sert à découvrir des modèles (pattern) dans un stock de données à partir d’instructions et d’opérations créées en vue de résoudre une problématique (l’algorithme). Les données structurées sont celles que l’on retrouve dans des bases de données : âge, sexe, adresse, etc. Elles ont été formatées pour cela et sont interrogeables par diverses techniques.

Une donnée non structurée se présente dans son format initial : fichiers, dessins, images, posts sur des réseaux sociaux, etc. En digérant ces données structurées ou non structurées, l’ordinateur apprend et s’améliore dans les analyses qu’il fournit. La performance des algorithmes s’améliore au fur et à mesure où ils sont alimentés en données.

Ce qui différencie l’un et l’autre est que le Deep Learning tend à faire une approche neuronale dans les recherches qu’il effectue à partir de données brutes. Il apprend de manière exponentielle et exige un flux de données énorme (Big Data). Alors que le Machine learning se contente de moins de données et, pour cette raison, reste d’actualité. 

Un vaste domaine d’application

Google a la pointe de l'IA

Une des utilisations les plus quotidiennes est celle des moteurs de recherches. Google peut ainsi non seulement analyser une demande, mais aussi l’interpréter de manière très fine. Par exemple, Google Ads avertit les clients des tendances des consommateurs comme la probabilité d’un achat.

Google a mis au point également un système de diagnostic concernant la santé (qui inclut près de 50 milliards de données sur l’état des patients) qui peut prédire la durée de séjour en hôpital, ou bien même la probabilité de mourir.

Utilisations pratiques du machine learning et deep learning

• Dans le domaine médical avec les diagnostics, prédictions de maladies etc.
• Dans le traitement du langage avec les outils de traduction, de reconnaissance de texte ou de compréhension des demandes (cas de Siri et d’Alexa)
• Dans le domaine de la conduite automatisée (qui inclut les préférences du conducteur) 
• Dans le domaine du marketing avec une analyse des données et de leur contenu qui permet de personnaliser à l’extrême les offres
• Les applications des téléphones portables de la gestion de la batterie à l’invitation à des événements personnalisés sont des produits de l’IA
• Dans le domaine de la publicité, des propositions de voyages pleuvent dès lors que l’internaute a effectué une recherche dans ce sens. 
• Dans le domaine de la domotique, de la sécurité, de la surveillance, des finances, l’IA est omniprésente

Un réseau neuronal complexe

Le deep learning s’inspire du cerveau humain. Des données étiquetées sont fournies à l’ordinateur qui apprend à reconnaître les caractéristiques. C’est la première phase d’entraînement. Par la suite, quand de nouvelles données non étiquetées sont introduites, il tente de les classifier. L’IA peut se tromper. Dans ce cas, le programmeur qui supervise le processus corrige le code. L’IA apprend alors de ses erreurs et parvient à des résultats presque parfaits. Un réseau neuronal dispose de plusieurs couches pour traiter les données. Chaque couche opère une classification des données et leur donne une valeur numérique qui peut ensuite être à nouveau interprétée. Un réseau neuronal profond (deep neural network) comprend plusieurs couches d'entrée et de sortie de données. Il existe différents types de réseaux de neurones, mais ils sont toujours constitués des mêmes composants.

Les limites du deep learning

Gorgées de données, les machines ont des algorithmes visant à prendre des décisions. Or certaines décisions peuvent se révéler éthiquement discutables. La pandémie de Covid a montré la capacité de contrôle de la population chinoise grâce aux caméras dopées au deep learning.

Par son programme de reconnaissance faciale, c’est la machine qui décide qui est hors la loi. Les algorithmes de reconnaissance faciale peuvent se tromper, ce qui entraîne un risque pour la personne incriminée. Ils posent également des problèmes éthiques en termes de respect de données personnelles.