Que peut faire l’apprentissage profond ?

L’apprentissage profond a révolutionné les mondes de l’intelligence artificielle et de l’apprentissage machine. La possibilité de créer des réseaux de neurones artificiels si performants a procuré de nombreuses opportunités pour tous les segments de l’économie : divertissement, marketing, médecine, finance, manufacture, etc.

Les réseaux de neurones profonds ont démontré une réelle capacité à extraire de la connaissance, quel que soit le support de données : images, vidéos, échantillons de sons, données transactionnelles, etc.

La reconnaissance d’images

Une des premières applications de l’apprentissage profond était liée à la reconnaissance d’images. Cette reconnaissance visuelle constituait une des tâches les plus complexes à automatiser par le biais des ordinateurs. Les images étant des supports de données riches et complexes, en extraire de la connaissance de manière efficace implique un traitement de données dense (une caméra de 12 mégapixel produit des images de plus de 36 millions de valeurs numériques à traiter) et variable. La variabilité naturelle des entités dans la nature (humains, chats, chiens, voitures, etc.) présentait un défi de taille pour en automatiser la reconnaissance.

Avant l’utilisation de l’apprentissage profond appliqué à la reconnaissance d’images, construire un logiciel de reconnaissance d’objets était une tâche fastidieuse et peu efficace appelée « ingénierie des caractéristiques » (Feature engineering). Il fallait spécifier manuellement les caractéristiques permettant de reconnaître un objet parmi un ensemble d’images. Par exemple, pour la reconnaissance d’un chat, les caractéristiques graphiques sont les oreilles généralement pointues, les longues moustaches, etc. Cette tâche lente et inefficace a rapidement été remplacée par l’apprentissage machine qui pouvait l’accomplir automatiquement avec une grande précision grâce aux algorithmes de reconnaissance visuelle qui utilisent les réseaux de neurones artificiels profonds.

La reconnaissance sonore

Le développement des réseaux de neurones profonds a bien profité aux applications liées au traitement de signal comme la reconnaissance vocale, la génération du contenu vocal synthétique (p. ex. la narration virtuelle) et bien d’autres cas d’applications niches tel le traitement des données ultrasons, etc. Tout comme pour la reconnaissance d’images, le traitement du signal impliquait un effort important consacré à filtrer et à identifier les caractéristiques à travers les données pour réaliser des tâches telles que la reconnaissance vocale.

Aujourd’hui, grâce à l’apprentissage profond, on peut entraîner les algorithmes avec des échantillons de données sonores (ayant subi un certain prétraitement) afin d’en extraire statistiquement les caractéristiques pour l’exécution des tâches de reconnaissance vocale ou autres.

Le traitement du langage naturel

Les mêmes principes (avec des techniques différentes) ont largement favorisé l’évolution du traitement du langage naturel. Plusieurs cas d’usage ont émergé grâce à la performance des réseaux de neurones profonds, p. ex. la traduction automatique. Des services en ligne tel Google Translate utilisent principalement l’apprentissage profond pour extraire le sens exact et la sémantique d’un texte et le transformer, avec sa traduction, en une autre langue.

Les réseaux de neurones artificiels construisent une sorte de langage machine intermédiaire permettant de générer le texte dans la langue à traduire. L’utilisation de l’apprentissage profond pour le traitement du langage naturel a largement contribué à l’émergence des architectures de réseaux de neurones et des techniques spécifiquement efficaces quant au traitement des données textuelles, p. ex. les réseaux de neurones récurrents profonds (Deep Recurrent Neural Network).

Le traitement des séries temporelles

L’émergence des réseaux de neurones profonds a aussi contribué à l’amélioration de la performance des algorithmes liés à la détection d’anomalies et à l’analyse prédictive. Les techniques d’apprentissage profond peuvent identifier automatiquement des patrons à travers des données à multiples dimensions ayant des corrélations naturellement complexes.