machine learning vs deep learning

Depuis quelques années déjà, on entend beaucoup parler d’intelligence artificielle. Le développement exponentiel des capacités de calcul des ordinateurs et la baisse significative du coût de stockage des données dans le cloud ont rendu possible la concrétisation de l’IA. L’utilisation de l’intelligence artificielle nécessite en effet une grande puissance de calcul pour traiter rapidement d’importants volumes de données. On connaît aujourd’hui principalement deux approches. Machine learning vs deep learning. Sont-elles opposées ou complémentaires ?

IA faible et IA forte

L’IA faible peut être définie comme un programme concentré sur une tâche unique, pour laquelle il a été conçu, et dépourvue de sens. 

Il ne cherche pas à analyser ce qu’il exécute et doit produire un résultat à partir des informations dont il dispose, le plus rapidement et le plus précisément possible.

L’IA forte quant à elle, est dotée d’une conscience. Elle peut donc faire preuve d’une certaine sensibilité en fonction des données qu’elle doit traiter. 

Cette forme d’intelligence artificielle n’est, à l’heure actuelle, que théorique et relève encore de la science-fiction.

Toutes les intelligences artificielles existant aujourd’hui sont donc des IA faibles.

Maching learning vs deep learning

Le machine learning et le deep learning sont deux sous-ensembles de l’intelligence artificielle. Leur « opposition » vient d’approches différentes concernant la méthode d’apprentissage utilisée et des résultats obtenus.

Machine learning

Le machine learning va s’appuyer sur d’importantes capacités de classement de données dans le but d’obtenir des prédictions. 

Le programme va analyser de grandes quantités de données afin d’en extraire des points communs, des schémas récurrents, des scénarios reproductibles. Une utilisation classique du machine learning est la reconnaissance de formes. 

En fournissant un grand nombre de photographies au programme, il apprendra petit à petit à différencier certaines formes. Ainsi, il sera capable de savoir si la photo montre un chat, un oiseau, une voiture ou un bâtiment, par exemple. 

L’analyse d’un grand volume de données et le repérage de caractéristiques communes permettent d’affiner les prédictions et d’obtenir un résultat fiable. 

En fonction du résultat recherché, il faudra modifier le type d’algorithme utilisé : régression ou classification.

Deep learning

Le deep learning est un sous-domaine du machine learning. Le deep learning essaie de reproduire le fonctionnement du cerveau humain en se basant sur des réseaux de neurones. 

Pour fonctionner et être efficace, le deep learning nécessite des quantités de données bien plus importantes que le machine learning. La limite du machine learning est liée à la quantité de données traitées. 

En effet, si l’on recherche des corrélations entre des variables, au bout d’un moment, il ne sert plus à rien d’ajouter des données. 

Les corrélations ont été établies et des données supplémentaires n’apportent plus grand-chose. Le deep learning au contraire devient de plus en plus performant, de façon exponentielle, si on lui fournit davantage de données.

Le machine learning fournit des valeurs numériques, comme une classification ou un score qui peut ensuite être interprété. 

Le deep learning peut, quant à lui, fournir n’importe quel type de résultat. Son application la plus connue est la reconnaissance faciale (utilisée par Facebook par exemple), mais l’on peut également citer la génération automatique de sous-titres en langage naturel pour une image.

Machine learning vs deep learning