Intelligence artificielle, apprentissage automatique et apprentissage profond

Dans le monde en constante évolution d’aujourd’hui, de nouvelles technologies conçues pour nous simplifier la vie voient continuellement le jour. L’une de ces technologies essentielles est l’IA, ou intelligence artificielle. Vous connaissez peut-être déjà la forme la plus répandue de l’IA, soit les assistants numériques que l’on retrouve sur votre téléphone (p. ex. Siri) et dans votre maison (p. ex. Amazon Alexa).

Mais qu’est-ce que l’intelligence artificielle au juste? Quel est le lien entre l’intelligence artificielle, l’apprentissage automatique et l’apprentissage profond? S’agit-il de la même chose? Ces termes sont-ils interchangeables ou distincts?

L’intelligence artificielle est souvent utilisée comme terme générique englobant l’apprentissage automatique et l’apprentissage profond. Il existe toutefois de nombreuses différences entre ces types d’IA, et il est donc essentiel de comprendre ce que chaque terme représente ainsi que les liens qui les unissent.

Commençons par quelques définitions de base :

Intelligence artificielle (IA) : Le développement de machines capables d’imiter l’intelligence et le comportement humains.

Apprentissage automatique (AA) : Des algorithmes qui apprennent à partir de données structurées afin de prédire des résultats et de découvrir des tendances dans ces données.

Apprentissage profond (AP) : Des algorithmes fondés sur des réseaux de neurones hautement complexes qui imitent le fonctionnement du cerveau humain afin de détecter des tendances dans de vastes ensembles de données non structurées.

Cet article présente les différences et les liens entre l’intelligence artificielle, l’apprentissage automatique et l’apprentissage profond. Nous aborderons également des exemples de situations où il convient d’utiliser l’AA ou l’AP, ainsi que les avantages de privilégier l’un plutôt que l’autre.

Le lien entre l’IA, l’AA et l’AP

Pour commencer, examinons le lien qui unit l’intelligence artificielle (IA), l’apprentissage automatique (AA) et l’apprentissage profond (AP). Puisque ces trois éléments sont interreliés (c’est-à-dire qu’on ne peut avoir l’un sans l’autre), il est essentiel de comprendre leur relation avant d’analyser chaque élément individuellement.

Le texte de l’image se lit comme suit : Intelligence artificielle (IA) : Le développement de machines capables d’imiter l’intelligence et le comportement humains. Apprentissage automatique (AA) : Des algorithmes qui apprennent à partir de données afin de prédire des résultats et de découvrir des tendances dans ces données. Apprentissage profond (AP) : Décomposer les tâches en éléments précis et enseigner aux machines à l’aide de données non structurées. Image fournie par CENGN.

L’apprentissage automatique est une sous-catégorie de l’IA, et l’apprentissage profond est une sous-catégorie de l’AA, ce qui signifie qu’ils sont tous deux des formes d’IA.

L’intelligence artificielle est le concept général selon lequel les machines peuvent exécuter des tâches de façon intelligente en imitant les comportements et les processus de réflexion humains.

L’apprentissage automatique, un sous-ensemble de l’IA, repose sur l’idée que les machines peuvent apprendre et s’adapter grâce à des expériences et à des données afin d’accomplir des tâches précises (Source : sas). Par exemple, la prévision météorologique des sept prochains jours à partir de données de l’année précédente et de la semaine précédente. Chaque jour, les données de l’année/de la semaine précédente changent, et le modèle d’AA doit donc s’adapter aux nouvelles données.

L’apprentissage profond est un sous-ensemble de l’AA. Les modèles d’AP reposent sur des réseaux de neurones hautement complexes qui imitent le fonctionnement du cerveau. Grâce à de multiples couches d’unités de traitement, l’apprentissage profond va encore plus loin en apprenant des tendances complexes dans de grandes quantités de données. Par exemple, l’apprentissage profond (combiné à la vision par ordinateur) permet à une voiture autonome de détecter un piéton qui traverse la route.

Maintenant que nous en savons plus sur le lien entre l’IA, l’AA et l’AP, examinons chacun de ces éléments individuellement.

Intelligence artificielle

Qu’est-ce que l’intelligence artificielle?

L’intelligence artificielle, ou IA, recrée l’intelligence et le comportement humains à l’aide d’algorithmes, de données et de modèles. L’IA permet de prédire, d’automatiser et d’accomplir des tâches généralement effectuées par des humains, avec une plus grande précision, un biais réduit ainsi que des économies de coûts et de temps.

Quand utilise-t-on l’intelligence artificielle?

L’intelligence artificielle est utilisée lorsqu’une machine accomplit une tâche en faisant appel à l’intellect et aux comportements humains. Par exemple, Roomba, l’aspirateur robotisé intelligent, utilise l’IA pour analyser la taille de la pièce, les obstacles et les trajets possibles. Tout comme un être humain qui tiendrait compte de ces renseignements, Roomba conserve ensuite cette information et crée le trajet le plus efficace pour passer l’aspirateur (Source : BuiltIn).

Vous souhaitez un autre exemple?

Découvrez comment l’intelligence artificielle influence l’avenir des services de santé mentale ou le nouveau rôle qu’elle joue dans le recrutement.

Maintenant que nous comprenons mieux l’intelligence artificielle, examinons l’apprentissage automatique et l’apprentissage profond.

Apprentissage automatique

Qu’est-ce que l’apprentissage automatique?

L’apprentissage automatique, ou AA, est un type d’IA qui utilise des algorithmes pour apprendre à partir de données afin d’en dégager le sens ou de prédire une tendance. L’apprentissage automatique fait appel à des méthodes issues des réseaux de neurones, des statistiques, de la recherche opérationnelle et de la physique pour découvrir des renseignements cachés dans les données sans qu’on lui indique où chercher ni quoi conclure (Source : sas). Par exemple, l’apprentissage automatique sert à développer des processus de traitement autoapprenants, où un logiciel reçoit des instructions pour accomplir une tâche précise. La machine est ensuite entraînée et apprend à effectuer le travail en analysant les données et les algorithmes pertinents, ce qui lui permet de comprendre comment accomplir la tâche, puis d’améliorer son rendement.

La régularisation et l’apprentissage automatique

La régularisation est une forme de régression dans laquelle les estimations des coefficients sont contraintes ou réduites vers zéro (Source : Towards Data Science). Elle aide la machine à éviter le risque de surapprentissage, qui peut entraîner une faible précision dans les prédictions. En cas de surapprentissage, le modèle consacre trop d’efforts à comprendre le bruit superflu (ou les points de données non pertinents) dans l’ensemble de données. Les modèles d’apprentissage automatique traitent souvent de grands ensembles de données; la régularisation sert donc à éliminer le bruit dans l’ensemble de données afin de produire des réponses plus précises.

Quand utiliser l’apprentissage automatique

Utilisez l’apprentissage automatique lorsque vous souhaitez enseigner à un modèle comment accomplir une tâche, comme prédire un résultat ou découvrir une tendance à l’aide de données structurées (voir Données structurées et non structurées pour les définitions). Par exemple, Spotify crée une liste de lecture personnalisée en fonction de vos chansons préférées et des données provenant d’autres utilisateurs ayant des goûts similaires.

Structured vs. Unstructured DataDonnées structurées et non structurées

Les données structurées (données quantitatives) sont des données organisées, déchiffrables par les algorithmes d’AA, faciles à utiliser par les entreprises et accessibles par un plus grand nombre d’outils que les données non structurées. Ce type de données possède un format prédéfini, ce qui limite sa flexibilité et ses cas d’utilisation. Les numéros de téléphone, les dates, les noms de clients et les noms de produits en sont des exemples.

Les données non structurées (données qualitatives) sont généralement faciles et peu coûteuses à stocker, et peuvent être utilisées dans différents formats puisqu’elles n’ont pas de but défini. Cependant, comme ce type de données se présente sous diverses formes, il est difficile à analyser et à exploiter. L’AP est couramment utilisé pour les données non structurées et constitue la meilleure option pour les cas d’utilisation les plus complexes. Les photos, les fichiers audio et les fichiers vidéo en sont des exemples.

Les avantages de l’apprentissage automatique

Prévisions précises

Les entreprises obtiennent des renseignements précis et significatifs lorsqu’elles intègrent l’apprentissage automatique à leur analyse de données afin de prévoir des facteurs comme les tendances du marché et les habitudes d’achat des consommateurs. Cela permet aux entreprises de réduire leurs coûts et de mieux gérer leurs stocks. L’AA peut également indiquer d’autres éléments, comme les coûts de transport, la demande future et les délais de livraison. Dans ce scénario, on privilégie l’apprentissage automatique plutôt que l’apprentissage profond, car les modèles d’AA sont mieux outillés pour traiter les données structurées utilisées en prévision et sont plus efficaces pour prédire les tendances.

Automatisation 

Grâce à l’apprentissage automatique, les entreprises peuvent réduire le temps consacré à l’analyse d’ensembles de données complexes. Les résultats et les tâches accomplis par les modèles d’apprentissage automatique sont souvent très fiables et bien exécutés. En effet, le modèle peut apprendre par lui-même en formulant ses propres prédictions et en améliorant ses algorithmes, sans intervention humaine. En revanche, un modèle d’apprentissage profond nécessite une intervention humaine à ses débuts, car quelqu’un doit examiner ses résultats puisqu’il traite des données non structurées.

Reconnaissances des tendances et des modèles

Les modèles d’apprentissage automatique sont conçus pour traiter de grands ensembles de données structurées et les analyser afin de découvrir des tendances et des modèles que les humains ne remarqueraient pas. Un modèle d’apprentissage profond n’est pas recommandé dans ce cas, car il n’est pas conçu pour reconnaître les tendances et les modèles au sein de données structurées.

Applications de l’apprentissage automatique

Les agents conversationnels

Les agents conversationnels sont des systèmes d’intelligence artificielle conversationnelle entraînés par apprentissage automatique afin de fournir la réponse ou l’assistance appropriée en fonction des données saisies. Ces systèmes apprennent à partir d’expériences passées, comme les questions posées par les visiteurs précédents et les réponses fournies, ainsi qu’à partir d’ensembles de données contenant d’éventuelles questions futures et les réponses appropriées. Bien que l’apprentissage profond y joue un rôle, cette fonction précise consistant à fournir des réponses appropriées aux questions est propre à l’apprentissage automatique, puisqu’elle nécessite l’analyse de données structurées.

Outils éducatifs

Les outils éducatifs, comme les applications d’apprentissage des langues, utilisent également l’apprentissage automatique. En analysant les données que vous avez fournies en complétant des sections du cours, l’AA utilise ces connaissances pour adapter le système éducatif à vos besoins. L’apprentissage profond ne s’applique pas à cette fonction, puisque les applications éducatives utilisent principalement des données structurées.

Plateformes de diffusion en continu

Les recommandations sur les plateformes de diffusion en continu constituent une autre forme d’apprentissage automatique. Le modèle d’AA intégré à ces plateformes analyse les chansons, les films ou les émissions avec lesquels vous avez interagi dans le passé, les compare aux données d’autres clients ayant des comportements de consommation similaires, puis suggère du contenu supplémentaire susceptible de vous plaire. Encore une fois, cette fonction utilise des données structurées plutôt que non structurées, de sorte que les modèles d’apprentissage profond ne peuvent pas être appliqués.

Vous souhaitez apprendre à créer votre propre algorithme d’apprentissage automatique?

Maintenant que nous avons acquis une compréhension de base de l’apprentissage automatique, explorons davantage et découvrons l’apprentissage profond.

Apprentissage profond

Qu’est-ce que l’apprentissage profond?

L’apprentissage profond est l’évolution de l’apprentissage automatique et des réseaux de neurones. Il fait appel à une programmation informatique et à un entraînement avancés afin de comprendre les modèles complexes cachés dans de grands ensembles de données (Source : sas). L’AP vise à comprendre le fonctionnement du cerveau humain dans différentes situations, puis à tenter de reproduire ce comportement (Source : IBM). L’apprentissage profond est utilisé pour des problèmes complexes comme la reconnaissance faciale, la détection de défauts et le traitement d’images.

Quand utiliser l’apprentissage profond?

L’apprentissage profond sert à accomplir des tâches complexes et à entraîner des modèles à l’aide de données non structurées (voir Données structurées et non structurées pour les définitions). Par exemple, l’apprentissage profond est couramment utilisé dans les tâches de classification d’images, comme la reconnaissance faciale. Bien que les modèles d’apprentissage automatique puissent également reconnaître des visages, les modèles d’apprentissage profond sont plus précis. Dans ce cas, il extrait des données non structurées (images de visages) des facteurs comme les différents traits du visage. Les traits extraits sont ensuite comparés à ceux enregistrés dans une base de données.

Les avantages de l’apprentissage profond

Traitement efficace des données non structurées

Bien que les modèles d’apprentissage automatique puissent traiter différents types de données, ils sont limités lorsqu’il s’agit de comprendre des données non structurées (comme l’écriture manuscrite, les images et les voix). Cela signifie que les connaissances cachées dans ces données peuvent passer inaperçues, et c’est là que l’apprentissage profond comble cette lacune. Lorsque les entreprises entraînent leurs modèles d’apprentissage profond, elles doivent le faire à l’aide de données non structurées, ce qui peut aider l’entreprise à optimiser bon nombre de ses fonctions.

Évolutivité

La capacité de l’apprentissage profond à traiter simultanément d’énormes quantités de données et à effectuer des analyses rapidement rend cette approche hautement évolutive. Une entreprise peut améliorer sa productivité, sa modularité et sa portabilité grâce à l’apprentissage profond. Par exemple, la plateforme Cloud AI de Google peut exécuter des réseaux de neurones profonds à grande échelle sur son infonuagique, en tirant parti de son infrastructure pour dimensionner les prédictions par lots, ce qui améliore l’efficacité en ajustant le nombre de nœuds selon les demandes de trafic (Source : Width.ai).

Algorithmes parallèles et distribués

Comme les modèles d’apprentissage profond prennent mieux en charge les algorithmes parallèles et distribués, le temps nécessaire à un modèle d’AP pour apprendre les paramètres pertinents est considérablement réduit. Les modèles peuvent être entraînés localement (sur une seule machine); toutefois, le traitement de vastes ensembles de données devient alors difficile. Les algorithmes parallèles et distribués permettent de répartir les données (ou le modèle) sur plusieurs machines, rendant l’entraînement plus efficace (Source : Width.ai). De plus, les algorithmes parallèles et distribués accélèrent le temps nécessaire au modèle pour apprendre et s’entraîner, ce qui permet à l’entreprise d’économiser du temps et de l’argent.

Applications de l’apprentissage profond

Assistants virtuels

L’apprentissage profond est utilisé dans des assistants virtuels comme Alexa et Siri, qui font appel au traitement du langage naturel (TLN). Le TLN analyse et comprend les données non structurées, comme les formes de langage humain (écrit et verbal). Il analyse également des facteurs comme la reconnaissance du langage, l’analyse des sentiments et la classification de texte, puis génère la réponse appropriée à votre saisie. Lorsqu’on utilise le TLN, il est recommandé de faire appel à l’apprentissage profond, car il comprend mieux les données non structurées, comme le langage écrit et verbal, ce qui est utile dans les scénarios d’analyse des sentiments.

Véhicules autonomes

Les voitures autonomes sont des systèmes de prise de décision autonomes qui traitent les données provenant de multiples capteurs, comme les caméras, le LiDAR, le RADAR et le GPS. Les données recueillies sont ensuite analysées à l’aide d’algorithmes d’apprentissage profond afin de produire des décisions pertinentes selon l’environnement du véhicule. L’apprentissage profond joue un rôle dans la perception d’une voiture autonome, car il l’aide à reconnaître et à classer les objets, les bâtiments, les êtres, les panneaux de signalisation, les feux de circulation, etc., captés par ses capteurs et ses caméras. L’AP est également utilisé pour améliorer l’odométrie visuelle du véhicule, ce qui l’aide à calculer sa position et son orientation pendant la navigation (Source : Neptune.ai).

Fabrication

L’apprentissage profond est également utilisé dans le secteur manufacturier pour améliorer la qualité. L’entretien de l’équipement et des machines représente une dépense importante pour l’industrie manufacturière. Les modèles d’apprentissage profond réduisent le temps d’arrêt d’une pièce, car ils aident à détecter les problèmes de qualité grâce à la surveillance des processus et à la détection des anomalies. Cela permet à l’entreprise d’économiser sur les réparations imprévues, de mieux concevoir son équipement, d’améliorer la sécurité des employés et la qualité des produits, et d’accroître la productivité. Seul l’apprentissage profond peut être utilisé pour cette fonction, car les modèles d’AA sont limités dans le traitement des données non structurées liées à la surveillance des processus et à la détection des anomalies.

Résumé de l’intelligence artificielle, de l’apprentissage automatique et de l’apprentissage profond

L’intelligence artificielle recrée l’intelligence et les comportements humains à l’aide d’algorithmes, de données et de modèles. L’IA est mise en œuvre lorsqu’une machine accomplit une tâche en faisant appel aux comportements humains.

L’apprentissage automatique, ou AA, un sous-ensemble de l’IA, utilise des algorithmes pour apprendre à partir des données et en dégager le sens ou en prédire les tendances. L’AA est utilisé lorsqu’on souhaite enseigner à un modèle comment prédire un résultat ou découvrir une tendance à l’aide de données structurées.

L’apprentissage profond, ou AP, un sous-ensemble de l’AA, est l’évolution de l’apprentissage automatique et des réseaux de neurones. Il fait appel à une programmation informatique et à un entraînement avancés afin de comprendre les modèles complexes cachés dans de grands ensembles de données, à l’image du cerveau humain (Source : sas).

Une commercialisation plus rapide pour les PME canadiennes en intelligence artificielle

CENGN collabore avec de petites et moyennes entreprises technologiques canadiennes en leur offrant un accès gratuit au banc d’essai commercial multi-infonuagique et informatique de calibre commercial de CENGN, afin d’accélérer leurs efforts de commercialisation et de mise à l’échelle.

Need to test your latest artificial intelligence solution?Vous souhaitez tester votre dernière solution en intelligence artificielle

À propos de l'auteur

Mikayla est rédactrice de contenu et étudiante en marketing chez CENGN (automne 2022). Elle est étudiante en commerce des affaires à l’Université d’Ottawa avec une spécialisation en marketing. Mikayla est passionnée par l’utilisation de l’écriture professionnelle pour transformer des sujets complexes en contenu agréable et facilement accessible. Dans ses temps libres, elle aime lire et faire du bénévolat en tant que directrice principale du marketing pour Enactus uOttawa, une organisation à but non lucratif dirigée par des étudiants qui utilise l’action entrepreneuriale pour aider les gens à améliorer leurs moyens de subsistance.

Plus de Mikayla Federchuk