Qu’est-ce que le deep learning ?
Une technologie liée à l’IA et au ML
Le deep learning est un sous-groupe du machine learning (ML), qui est lui-même un sous-groupe de l’intelligence artificielle (IA). Le concept d’IA existe depuis les années 1950, avec pour objectif de rendre les ordinateurs capables de penser et de raisonner d’une manière similaire à celle des humains. Pour rendre les machines capables de penser, le deep learning se concentre sur leur apprentissage sans une programmation explicite. Le deep learning va plus loin que le machine learning en créant des modèles hiérarchiques plus complexes destinés à imiter la façon dont les humains apprennent de nouvelles informations.
Une technologie fondée sur les réseaux neuraux
Dans le contexte de l’IA et du ML, un modèle est un algorithme mathématique qui est entraîné pour arriver au même résultat ou à la même prévision qu’un expert humain lorsqu’on lui fournit les mêmes informations. Dans le cas du deep learning, les algorithmes sont inspirés de la structure du cerveau humain, et connus sous le nom de réseaux neuraux. Ces réseaux neuraux sont construits à partir de commutateurs de réseau interconnectés, conçus pour apprendre à reconnaître des schémas de la même manière que le cerveau humain et le système nerveux.
Une technologie d’avenir
De nombreux progrès récents en matière d’IA ont été rendus possibles par le deep learning. Des recommandations sur les services de streaming aux technologies d’assistant vocal en passant par la conduite autonome, la capacité à identifier des schémas et à classer de nombreux types d’informations différents est essentielle pour traiter de grandes quantités de données avec peu ou pas d’intervention humaine.
Comment fonctionne le deep learning ?
Si l’objectif initial de l’IA était globalement de rendre les machines capables de faire des choses qui, autrement, nécessiteraient l’intelligence humaine, l’idée s’est depuis affinée au cours des décennies qui ont suivi. François Chollet, chercheur en IA chez Google et créateur de la bibliothèque logicielle de machine learning Keras, explique que « l’intelligence n’est pas une compétence en soi, ce n’est pas ce que vous pouvez faire, c’est la qualité et l’efficacité avec lesquelles vous pouvez apprendre de nouvelles choses ».1
Le deep learning vise à améliorer ce processus d’apprentissage des machines. S’appuyant sur une IA et un ML fondés sur des règles, un scientifique des données détermine les règles et les caractéristiques du jeu de données à inclure dans les modèles, ce qui détermine le mode opératoire de ces modèles. Dans le cas du deep learning, le scientifique des données introduit des données brutes dans un algorithme. Le système analyse alors ces données, sans règles ou caractéristiques spécifiques préprogrammées. Une fois que le système a fait ses prévisions, celles-ci sont comparées à un jeu de données distinct pour en vérifier l’exactitude. Le niveau d’exactitude de ces prévisions, ou l’absence de prévisions, détermine la prochaine série de prévisions du système.
Le terme « deep » fait référence aux nombreuses couches que le réseau neural accumule au fil du temps afin d’améliorer ses performances à mesure qu’il progresse dans son apprentissage. Chaque niveau du réseau traite ses données d’entrée d’une manière spécifique, qui informe ensuite la couche suivante. Ainsi, la sortie d’une couche devient l’entrée de la couche suivante.
La formation des réseaux de deep learning prend du temps et nécessite l’ingestion de grandes quantités de données, qui sont testées à mesure que le système affine son modèle. Alors que les réseaux neuraux existent depuis les années 1950, il a fallu attendre ces dernières années pour disposer d’une puissance de calcul et de capacités de stockage de données suffisamment évoluées pour permettre aux algorithmes de deep learning d’engendrer de nouvelles technologies prometteuses. Les réseaux neuraux de deep learning ont par exemple permis aux ordinateurs d’effectuer des tâches telles que la reconnaissance vocale, la vision par ordinateur, la bio-informatique et l’analyse d’images médicales.
1. Podcast de Lex Fridman n° 120, « François Chollet: Measures of Intelligence », août 2020.
Le lien entre deep learning et machine learning
Si toute forme de deep learning est du machine learning, l’inverse n’est pas vrai. Les deux technologies impliquent un entraînement par rapport à des données de test afin de déterminer quel modèle correspond le mieux aux données. Cependant, les méthodes traditionnelles de machine learning nécessitent un certain niveau d’interaction humaine pour prétraiter les données avant que les algorithmes puissent être appliqués.
Le machine learning est un sous-groupe de l’intelligence artificielle. Son objectif est de donner aux ordinateurs la capacité d’apprendre sans être spécifiquement programmés sur les résultats à fournir. Les algorithmes utilisés par le machine learning aident l’ordinateur à apprendre à reconnaître les choses. Cet apprentissage peut être fastidieux et nécessiter une quantité importante d’efforts humains.
Les algorithmes de deep learning vont plus loin en créant des modèles hiérarchiques censés refléter les processus de pensée de notre propre cerveau. Ils utilisent un réseau neural multicouche qui ne nécessite pas de prétraitement des données d’entrée pour produire un résultat. Les scientifiques des données introduisent les données brutes dans l’algorithme, le système analyse les données en fonction de ce qu’il sait déjà et de ce qu’il peut déduire des nouvelles données, et établit une prévision.
L’avantage du deep learning est qu’il peut traiter les données selon des manières qui échappent à une IA simple, fondées sur des règles. Cette technologie peut être utilisée pour obtenir des résultats commerciaux explicites, aussi divers qu’une meilleure détection des fraudes, un rendement accru des cultures, une précision plus élevée des systèmes de contrôle des stocks des entrepôts, et bien d’autres encore.
Les applications actuelles du deep learning
Des entreprises de tous les secteurs appliquent des modèles de deep learning à des cas d’utilisation très divers. Voici quelques exemples des nombreuses applications concrètes du deep learning.
Santé – L’industrie médicale moderne génère de grandes quantités de données. La capacité à analyser rapidement et précisément ces données peut contribuer de plusieurs façons à améliorer les résultats des soins. Les algorithmes de deep learning sont appliqués dans des domaines tels que la recherche médicale, l’analyse d’imagerie, la prévention des maladies, le développement guidé de médicaments et le traitement du langage naturel, ce dernier pouvant s’avérer particulièrement utile pour entrer des notes cliniques en texte libre dans des dossiers médicaux électroniques (DME).
Fabrication industrielle – Les fabricants doivent continuellement fournir des produits et des services de meilleure qualité, plus vite et à moindre coût. Beaucoup d’entreprises adoptent l’ingénierie assistée par ordinateur (IAO) pour réduire le temps, les dépenses et les matériaux nécessaires au développement de prototypes physiques pour tester les nouveaux produits. Le deep learning peut être utilisé pour modéliser des schémas très complexes dans des données multidimensionnelles et améliorer la précision analytique des données de test.
Services financiers – La fraude est un problème croissant dans de nombreux secteurs, mais particulièrement pour les prestataires de services financiers. Le deep learning peut être utilisé pour identifier de façon rapide et économique les comportements suspects. Les informations fournies par les modèles de deep learning peuvent également aider à évaluer plus précisément le risque de crédit associé aux demandes de prêt, à prédire les valeurs boursières, à automatiser les opérations de back-office et à conseiller les clients sur les produits financiers.
Secteur public – À l’heure où de plus en plus de services, de systèmes et de processus se numérisent, les administrations peuvent exploiter le deep learning pour accroître l’automatisation et ainsi l’efficacité des fonctionnaires. La détection et la classification des images permettent aux forces de l’ordre de retrouver plus facilement des personnes d’intérêt dans les espaces publics. Les demandes de visa et d’immigration sont rationalisées grâce à des algorithmes qui automatisent certains aspects du traitement. Les aéroports utilisent le deep learning pour renforcer la sécurité, optimiser les opérations et automatiser la gestion des files d’attente. Les modèles de deep learning peuvent même servir à prévoir les conditions de circulation afin d’aider les autorités locales à prendre des mesures proactives pour désengorger les routes.
Les solutions de HPE accélèrent l’adoption du deep learning
Le deep learning est aujourd’hui bien plus accessible aux entreprises de toutes tailles. De la prise en main à l’optimisation et à la mise à l’échelle, HPE peut vous guider durant votre parcours, et vous aider à accélérer l’interprétation des données, génératrice d’innovations exceptionnelles. Nous disposons de tous les éléments nécessaires à la réalisation de vos objectifs commerciaux : des blocs de construction d’infrastructure, une expertise éprouvée et un accès à des partenaires validés.
Déroulez la complexité du deep learning et créez votre solution idéale. Les solutions leaders de HPE en matière de calcul haute performance, de plateforme de données intelligente et de fabric réseau haut débit vous permettent de déployer le deep learning à n’importe quelle échelle. Passez rapidement l’étape de la démonstration de faisabilité grâce aux solutions Advisory and Professional Services de HPE Pointnext, porteurs d’expertise, et aux services nécessaires pour accélérer le déploiement de vos projets d’IA — ramenant à quelques mois ou plusieurs semaines des délais de plusieurs années. Et accédez instantanément aux outils et aux données d’IA dont vous avez besoin grâce à HPE Ezmeral ML Ops, une solution basée sur des conteneurs qui prend en charge chaque étape du cycle de vie du machine learning.
Le Deep Learning Cookbook de HPE fournit quant à lui un ensemble d’outils qui caractérisent les charges de travail de deep learning et recommandent la pile matérielle/logicielle optimale pour une charge de travail donnée. Les recommandations présentées dans le Deep Learning Cookbook se fondent sur une collection massive de résultats de performance pour diverses charges de travail de deep learning sur différentes stacks technologiques et modèles de performance analytiques. La combinaison de mesures réelles et de modèles de performance analytiques nous permet d’estimer les performances de toute charge de travail et de recommander une pile optimale pour celle-ci.
En collaboration avec NVIDIA, HPE propose un portefeuille avancé de solutions optimisées d’IA et de deep learning. Conjointement, nous aidons nos clients à mettre en œuvre le deep learning en leur proposant des ateliers en ligne avec instructeurs, des architectures de référence et des benchmarks d’applications accélérées par les GPU de NVIDIA. Nos solutions se distinguent par une expertise éprouvée, le plus grand écosystème de deep learning et des structures logicielles d’IA.