Deep learning et machine learning : quelle est la différence ?

Les derniers développements de l’intelligence artificielle (IA) peuvent être très difficiles à suivre. Toutefois, pour résumer les notions essentielles, la plupart des innovations dans ce domaine peuvent se résumer à deux concepts : le machine learning et le deep learning.

Des exemples de ces technologies se retrouvent partout. C’est grâce à elles que les voitures autonomes peuvent rouler, que Netflix crée des recommandations de séries que vous allez aimer, et que Facebook peut reconnaître un visage sur une photo.

On pense souvent à tort que le machine learning et le deep learning sont des mots à la mode qui peuvent être interchangés, mais il y a des différences importantes entre les deux. En quoi consistent ces concepts, qui sont dans toutes les conversations sur l’IA, et quelles sont leurs différences ? Lisez la suite pour le savoir.

Quelle différence entre deep learning et machine learning ?

La première chose à savoir pour comprendre la différence entre ces deux concepts, c’est que le deep learning est en soi une forme de machine learning.

Plus précisément, le deep learning est considéré comme une évolution du machine learning. Il utilise un réseau neuronal programmable qui permet aux machines de prendre des décisions correctes, sans aucune aide des êtres humains.

Pour commencer, voici la définition du machine learning.

Comment fonctionne le machine learning ?

Pour prendre un exemple de la vie courante, les services de streaming de musique à la demande utilisent généralement le machine learning. Pour que le service puisse décider quels nouveaux morceaux ou artistes proposer à un utilisateur, les algorithmes de machine learning associent les préférences de l’utilisateur à celles d’autres utilisateurs ayant des goûts similaires. Cette technique, souvent simplement présentée comme de l’IA, est utilisée par de nombreux services qui proposent des recommandations automatisées.

Le machine learning est fondé sur un codage et des mathématiques complexes qui, au final, remplissent une fonction, tout comme une torche électrique, une voiture ou un écran d’ordinateur. Lorsqu’un outil dit avoir recours au « machine learning », cela veut dire qu’il remplit une fonction avec des données qui lui sont fournies, et qu’il s’améliore au fil du temps. Un peu comme avec une lampe torche qui s’allumerait chaque fois que vous dites « il fait sombre » et qui serait capable de reconnaître différentes phrases contenant le mot « sombre ».

Le machine learning est au fondement d’une multitude de tâches automatisées dans de nombreux secteurs, des sociétés de sécurité des données qui traquent les logiciels malveillants aux professionnels de la finance qui veulent être alertés des opérations boursières intéressantes. Les algorithmes d’IA sont programmés pour apprendre continuellement, comme un assistant personnel virtuel. Et ils le font très bien.

Cependant, la capacité des machines à apprendre prend une autre dimension lorsque l’on aborde le deep learning et les réseaux neuronaux.

Comment fonctionne le deep learning ?

Un modèle de deep learning est conçu pour analyser les données en continu avec une structure logique similaire à la façon dont un cerveau humain tire des conclusions. Pour réaliser ce type d’analyse, les applications de deep learning utilisent une structure stratifiée d’algorithmes, appelée réseau neuronal artificiel. Le principe d’un réseau neuronal artificiel s’inspire du réseau neuronal biologique du cerveau humain, ce qui permet un système d’apprentissage bien plus performant que celui des modèles de machine learning standard.

Il est difficile d’éviter qu’un modèle de deep learning tire les mauvaises conclusions : comme avec beaucoup d’autres exemples d’IA, il faut beaucoup d’entraînement et de pratique pour obtenir des processus d’apprentissage corrects. Lorsqu’il fonctionne comme il se doit, un modèle de deep learning efficace est souvent perçu comme un petit miracle scientifique, que beaucoup considèrent comme la colonne vertébrale de la véritable intelligence artificielle.

AlphaGo, de Google, est un exemple très parlant de deep learning. Google a créé un programme informatique doté de son propre réseau neuronal qui a appris à jouer au jeu de Go, un jeu qui nécessite un haut niveau d’intuition et d’intellect. En affrontant des joueurs professionnels, le modèle de deep learning d’AlphaGo a appris à jouer à un niveau jusqu’alors jamais atteint par l’IA, et ce, sans que personne ne lui explique jamais quand effectuer un coup spécifique (ce dont aurait besoin un modèle de machine learning standard).

La victoire d’AlphaGo face à plusieurs experts du jeu de go, célèbres dans le monde entier, n’est pas passée inaperçue : non seulement une machine avait compris les techniques et aspects les plus subtils et complexes du jeu, mais elle rivalisait avec les meilleurs joueurs du monde. Et dans ce face-à-face entre intelligence humaine et artificielle, c’est cette dernière qui est en avance.

Pour prendre un exemple plus concret, imaginez une application de reconnaissance faciale qui identifie un type de fleur ou d’oiseau sur une photo. Cette possibilité de classer les images est rendue possible grâce à un réseau neuronal profond. Le deep learning fait également avancer d’autres technologies, comme la reconnaissance vocale ou la traduction et, au sens propre, les voitures autonomes.

La différence entre machine learning et deep learning

En termes pratiques, le deep learning n’est jamais qu’une discipline du machine learning. D’ailleurs, l’apprentissage profond est une forme de machine learning et fonctionne de la même façon (c’est pourquoi les termes sont souvent utilisés de façon interchangeable). Cependant, il a des capacités différentes.

En machine learning, les modèles de base s’améliorent avec le temps, mais ils nécessitent une intervention humaine lorsque de nouvelles données sont ajoutées. Quand un algorithme d’IA renvoie une prédiction erronée, un ingénieur doit intervenir et effectuer des corrections. Avec un modèle de deep learning, l’algorithme peut déterminer la précision de ses prévisions à l’aide de son propre réseau neuronal, sans intervention humaine.

Reprenons l’exemple de la lampe de poche : elle pourrait être programmée pour s’allumer dès que le mot « sombre » est prononcé à proximité. Au fil de son apprentissage, elle pourrait donc se mettre en route dès qu’une phrase contenant ce mot est prononcée. Avec un modèle de deep learning, la lampe pourrait comprendre qu’elle doit s’allumer avec des phrases moins littérales, par exemple « je n’y vois rien » ou « la lumière ne marche pas », peut-être en étant associée avec un détecteur de lumière.

Un modèle de deep learning est capable d’apprendre par le biais de sa propre méthode de calcul, une technique qui donne l’impression d’intelligence.

Pour résumer, voici les différences clés entre machine learning et deep learning :

• Le machine learning utilise des algorithmes pour analyser les données, apprendre de ces données et prendre des décisions informées fondées sur ce qu’il a appris.

• Le deep learning structure les algorithmes en couches pour créer un « réseau neuronal artificiel », capable d’apprendre et de prendre des décisions intelligentes tout seul.

• Le deep learning est une discipline du machine learning. Tous deux font partie de l’intelligence artificielle, mais le deep learning permet la forme d’IA la plus proche du fonctionnement du cerveau humain.

Quels sont les différents types de machine learning ?

Pour aller un peu plus loin, jetons un œil aux 3 principaux types de machine learning et à leurs différences respectives.

Quels sont les différents types d’algorithmes de deep learning ?

Le machine learning permet aux ordinateurs de réaliser des tâches impressionnantes, mais fait toujours défaut quand il s’agit d’imiter l’intelligence humaine. De leur côté, les réseaux neuronaux profonds sont modélisés à partir du cerveau humain, pour un niveau d’intelligence artificielle encore plus sophistiqué.

Il existe différents types d’algorithmes de deep learning. Nous allons aborder les modèles les plus populaires.

Réseaux neuronaux par convolution

Les réseaux neuronaux par convolution (ou CNN, pour Convolutional Neural Networks) sont conçus spécialement pour le traitement d’images et la détection d’objets. Le processus de « convolution » consiste à filtrer une image pour en analyser chaque élément.

Ces modèles sont la technologie qui se cache derrière la vision par ordinateur, un domaine d’IA qui apprend aux machines à analyser le monde visuel. La technologie de reconnaissance faciale est une mise en application fréquente de vision par ordinateur.

Réseaux neuronaux récurrents

Les réseaux neuronaux récurrents (ou RNN, pour Recurrent Neural Networks) intègrent des boucles de rétroaction, permettant aux algorithmes de se « rappeler » de points de données passés. Ces algorithmes peuvent se baser sur des souvenirs pour mieux comprendre les événements actuels, voire faire des prévisions d’avenir.

Ce niveau de contexte permet à un réseau neuronal profond de mieux « penser ». Par exemple, une application cartographie basée sur ce système est en mesure de se « rappeler » les périodes de pics de trafic routier. Avec ces informations, elles peuvent recommander des routes alternatives en cas de prévisions de bouchons.

Les données sont à la source des innovations futures

Avec les volumes de nouvelles données sans précédent produits par « l’ère du Big Data », nous allons assister à des innovations qui dépassent notre imagination. Selon les experts en sciences des données, plusieurs de ces avancées seront liées à des utilisations du deep learning.

Andrew Ng, ancien chercheur en chef chez Baidu (l’un des plus importants moteurs de recherche chinois) qui fait également partie des responsables du projet Google Brain, a donné une excellente analogie du deep learning dans Wired Magazine :

« Pour moi, l’IA est comparable à une fusée : il faut un moteur immense et énormément de combustible », a-t-il confié à Caleb Garling, journaliste chez Wired. « Avec un gros moteur, mais très peu de carburant, on ne peut pas entrer en orbite. Avec un tout petit moteur et beaucoup de carburant, impossible de décoller. Une fusée a donc besoin d’un énorme moteur et de beaucoup de carburant. Pour le deep learning, c’est la même chose : le moteur de la fusée est le deep learning et le carburant, ce sont les énormes quantités de données que nous pouvons fournir à ces algorithmes. »

Comment le deep learning et le machine learning sont-ils mis en application dans le service client ?

Aujourd’hui, de nombreuses applications d’IA dans le domaine du service client utilisent des algorithmes de machine learning. Elles servent à favoriser le self-service, booster la productivité des agents et améliorer la fiabilité des workflows.

Les données fournies à ces algorithmes proviennent d’un flux constant de demandes client, qui incluent des informations contextuelles pertinentes au sujet des problèmes rencontrés par les acheteurs. Le regroupement de toutes ces informations dans une application d’IA permet des prédictions plus rapides et plus précises. Cela a fait de l’intelligence artificielle une perspective attrayante pour de nombreuses entreprises. Les leaders du secteur vont jusqu’à dire que les utilisations les plus importantes de l’IA commerciale seront destinées au service client.

Par exemple, le machine learning et le deep learning sont chacun utilisés pour le traitement linguistique naturel, une branche de l’informatique qui permet aux ordinateurs de mieux comprendre le texte et la voix. Dans le monde de la CX, Alexa d’Amazon et Siri d’Apple sont deux exemples d’agents « virtuels », qui peuvent utiliser la reconnaissance vocale pour répondre aux questions des clients.

Les bots de service client basés sur l’IA ont recours aux mêmes méthodes d’apprentissage pour répondre aux messages écrits. Les bots avancés de Zendesk en sont de parfaits exemples concrets. Il s’agit de bots améliorés pour la messagerie et les e-mails, qui utilisent une base de données étendue sur les intentions des clients, spécifiques aux équipes de CX de votre secteur d’activité, pour des réponses plus personnalisées et plus précises, une meilleure productivité des agents et une configuration plus rapide.

Pour en savoir plus sur nos outils de création de bots, cliquez ici.