Deep Learning: l'apprentissage automatique à son meilleur

Ce que vous devez savoir sur l'évolution de l'intelligence artificielle

L'apprentissage en profondeur est une forme puissante d' apprentissage automatique (ML) qui construit des structures mathématiques complexes appelées réseaux de neurones en utilisant de vastes quantités de données (informations).

Définition de l'apprentissage profond

L'apprentissage en profondeur est un moyen d'implémenter le ML en utilisant plusieurs couches de réseaux de neurones pour traiter des types de données plus complexes. Parfois appelé apprentissage hiérarchique, l'apprentissage en profondeur utilise différents types de réseaux de neurones pour apprendre des caractéristiques (également appelées représentations) et les trouve dans de grands ensembles de données brutes, non étiquetées (données non structurées). L'une des premières démonstrations percutantes de l'apprentissage en profondeur a été un programme qui a réussi à sélectionner des images de chats sur des séries de vidéos YouTube.

Exemples d'apprentissage en profondeur dans la vie quotidienne

L'apprentissage en profondeur n'est pas seulement utilisé pour la reconnaissance d'images, mais aussi pour la traduction de la langue, la détection de la fraude et pour analyser les données collectées par les entreprises sur leurs clients. Par exemple, Netflix utilise l'apprentissage en profondeur pour analyser vos habitudes d'écoute et prévoir les émissions et les films que vous préférez regarder. C'est ainsi que Netflix sait mettre des films d'action et des documentaires sur la nature dans votre file d'attente de suggestions. Amazon utilise l'apprentissage en profondeur pour analyser vos achats récents et les articles que vous avez récemment recherchés pour créer des suggestions pour les nouveaux albums de musique country qui vous intéressent et pour lesquels vous êtes sur le marché d'une paire de tennis gris et jaune chaussures. Comme l'apprentissage en profondeur fournit de plus en plus d'informations à partir de données non structurées et brutes, les entreprises peuvent mieux anticiper les besoins de leurs clients pendant que vous, le client individuel, bénéficiez d'un service client personnalisé.

Réseaux neuronaux artificiels et apprentissage profond

Pour rendre l'apprentissage en profondeur plus facile à comprendre, revisitons notre comparaison d'un réseau de neurones artificiels (RNA). Pour un apprentissage en profondeur, imaginez que notre immeuble de bureaux de 15 étages occupe un pâté de maisons avec cinq autres immeubles de bureaux. Il y a trois bâtiments de chaque côté de la rue. Notre bâtiment est le bâtiment A et partage le même côté de la rue que les bâtiments B et C. En face du bâtiment A se trouve le bâtiment 1, et en face du bâtiment B, le bâtiment 2, et ainsi de suite. Chaque bâtiment a un nombre différent d'étages, est fabriqué à partir de matériaux différents et a un style architectural différent des autres. Cependant, chaque bâtiment est toujours disposé dans des étages séparés (couches) de bureaux (nœuds) - chaque bâtiment est donc un ANN unique.

Imaginez qu'un paquet numérique arrive au bâtiment A, contenant beaucoup de différents types d'informations provenant de sources multiples telles que des données textuelles, des flux vidéo, des flux audio, des appels téléphoniques, des ondes radio et des photographies - mais il arrive dans un grand fouillis. n'est pas étiqueté ou trié de façon logique (données non structurées). L'information est envoyée à chaque étage dans l'ordre du 1 er au 15 e pour traitement. Après que le fouillis d'informations atteint le 15ème étage (sortie), il est envoyé au 1 er étage (entrée) du bâtiment 3 avec le résultat de traitement final du bâtiment A. Le bâtiment 3 apprend et incorpore le résultat envoyé par le bâtiment A et traite ensuite les informations qui se mélangent à travers chaque étage de la même manière. Lorsque l'information atteint l'étage supérieur du bâtiment 3, elle est envoyée de là avec les résultats de ce bâtiment au bâtiment 1. Le bâtiment 1 apprend et incorpore les résultats du bâtiment 3 avant de le traiter étage par étage. Le bâtiment 1 transmet les informations et les résultats de la même manière au bâtiment C, qui traite et envoie au bâtiment 2, qui traite et envoie au bâtiment B.

Chaque ANN (bâtiment) dans notre exemple recherche une caractéristique différente dans les données non structurées (fouillis d'informations) et transmet les résultats au bâtiment suivant. Le bâtiment suivant incorpore (apprend) la sortie (résultats) du précédent. Comme les données sont traitées par chaque ANN (bâtiment), elles sont organisées et étiquetées (classifiées) par une caractéristique particulière de sorte que lorsque les données atteignent la sortie finale (dernier étage) du dernier ANN (bâtiment), elles sont classées et étiquetées (plus structuré).

Intelligence artificielle, apprentissage automatique et apprentissage profond

Comment l'apprentissage en profondeur s'inscrit-il dans l'image globale de l' intelligence artificielle (IA) et du ML? L'apprentissage en profondeur augmente la puissance de la ML et augmente la gamme de tâches que l'IA est capable d'accomplir. Parce que l'apprentissage en profondeur repose sur l'utilisation de réseaux neuronaux et la reconnaissance de caractéristiques dans des ensembles de données plutôt que sur des algorithmes spécifiques, il peut trouver et utiliser des détails à partir de données non structurées (brutes) sans avoir besoin d'un programmeur -consommer une tâche qui peut introduire des erreurs. L'apprentissage en profondeur aide les ordinateurs à mieux utiliser les données pour aider les entreprises et les particuliers.