Pourquoi l’apprentissage profond ?
Les réseaux de neurones artificiels profonds ont démontré une performance inégalée en termes de reconnaissance d’images, de reconnaissance vocale ou de traitement du langage naturel.
Transport
Les véhicules autonomes comptent parmi les applications les plus spectaculaires mettant en œuvre l’apprentissage profond. La navigation autonome devient possible principalement grâce à la capacité des ordinateurs à reconnaître les composantes de l’environnement physique (routes, trottoirs, personnes traversant les rues, autres véhicules, etc.). Circuler avec un véhicule autonome implique une responsabilité civile qui dépend principalement de la capacité des réseaux de neurones profonds à distinguer correctement les objets. Pour réussir leurs tâches avec succès, des données de différentes natures (images, nuages de points, GPS, etc.) sont utilisées.
Agroalimentaire
Le secteur de l’agroalimentaire mise sur l’utilisation d’outils d’apprentissage profond pour assurer la qualité des produits alimentaires. Les industriels de ce secteur adoptent de plus en plus les technologies de reconnaissance visuelle pour identifier les débris potentiels pouvant se déposer sur les aliments pendant la production. Le degré d’exactitude des réseaux de neurones profonds a permis d’obtenir des technologies fiables sur lesquelles les professionnels de la qualité peuvent compter.
Sécurité
La reconnaissance des objets basée sur l’utilisation des réseaux de neurones artificiels profonds est largement utilisée pour sécuriser différentes places publiques (aéroports, stations de métro, salles de spectacles, etc.). Ces applications permettent de reconnaître des situations à risques par le biais de caméras de sécurité (bousculements, bagarres, mouvements de foules, présence d’objets dangereux, etc.).
Marketing et commerce
La majorité des réseaux sociaux se servent des réseaux de neurones profonds pour identifier les objets, l’emplacement, les personnes, les logos et le contexte liés à une image que l’utilisateur partage avec d’autres. Ces analyses visuelles permettent aux réseaux sociaux de contextualiser les utilisateurs pour favoriser le ciblage publicitaire.
Banques, assurances et institutions financières
Les banques et les institutions financières utilisent davantage des réseaux de neurones artificiels profonds pour automatiser le traitement des documents et mieux assister le client (p. ex. l’inscription automatisée des chèques par la reconnaissance visuelle). Qu’il s’agisse d’une application mobile dédiée ou d’un guichet bancaire, il est possible aujourd’hui de déposer un chèque automatiquement, sans l’intervention d’un opérateur humain. Les réseaux de neurones artificiels profonds ont la tâche de lire les inscriptions manuscrites sur le chèque pour en extraire le contenu et déterminer les paramètres de l’opération de dépôt.
Dans le monde de l’assurance, beaucoup d’organisations offrent maintenant à leurs assurés la possibilité de faire des réclamations sans interventions humaines. Certains assureurs proposent à leurs clients d’évaluer les dégâts automatiquement par analyse visuelle. Pour des raisons légales et sécuritaires, cette analyse est souvent confirmée par un expert humain qui validera le rapport. L’analyse automatisée permet néanmoins à l’utilisateur d’obtenir une réponse rapide de l’assureur quant à l’estimation des coûts.
Industrie manufacturière
Les applications d’apprentissage profond au sein du secteur manufacturier sont nombreuses. Celles qui touchent l’inspection et l’assurance de la qualité sont les plus populaires. D’autres cependant sont en forte croissance comme les cas d’usage liés à la robotisation de la gestion du stock et de l’entreposage. Les algorithmes d’apprentissage profond utilisés pour la navigation autonome au sein des entrepôts accélèrent sensiblement la chaîne logistique des manufacturiers et, par conséquent, le volume de leur production.
Médecine
L’analyse automatisée des images médicales est un des cas les plus répandus d’application des réseaux de neurones artificiels profonds. Qu’il s’agisse d’images radio ou d’images régulières, une utilisation croissante de l’analyse visuelle pour des cas de diagnostics non invasifs (déterminer les pathologies liées aux maladies de peau, etc.) se fait sentir.