De nouveaux termes apparaissent continuellement dans le domaine de l’intelligence artificielle. Le Deep Learning fait partie de la nouvelle vague de l’apprentissage en IA. Voyons un peu plus en détail de quoi il s’agit.
Temps de lecture : 2 minutes.
Quelques mots sur le Deep Learning
Branche du Machine Learning, le Deep Learning est un domaine de l’intelligence artificielle, de plus en plus utilisé au quotidien : reconnaissance faciale, identification d’image, traduction de conversations… Même s’il se base sur les mêmes fondations que l’apprentissage conventionnel des intelligences artificielles, le Deep Learning est un domaine plus pointu et approfondi.
En effet, le Deep Learning, anglicisme d’apprentissage profond, est un domaine de l’intelligence artificielle qui consiste à programmer une machine pour lui apprendre à réaliser des tâches précises à partir de données, d’exemples. L’idée principale étant de créer des algorithmes capables de se rapprocher du fonctionnement du cerveau humain grâce à des réseaux de neurones artificielles. Pour cela, le Deep Learning utilise un réseau de neurones artificielles.
Alors que le machine learning est déjà très performant, le deep learning est composé d’un mécanisme plus complexe. Ainsi, cette technologie permet de traiter de plus grandes quantités de données. C’est pourquoi, elle est très pertinente dans les domaines tels que la finance, le droit et bien évidement, la santé.
Les mécanismes de l’apprentissage profond.
Le Deep Learning consiste en l’utilisation de réseaux de neurones artificiels, inspirés des neurones biologiques. Il s’agit de dizaines voire de centaines de fonctions reliées entre elles, formant des neurones artificiels. Ces derniers sont répartis en plusieurs couches, connectées entre elles. Chaque couche a sa propre tâche, son propre objectif à atteindre. Ainsi, il leur est demandé d’interpréter l’information donnée par la couche de neurones précédente afin de la transmettre au suivant.
Il s’agit d’une chaine à laquelle chaque maillon apporte une information.
Plus ces neurones sont profonds, c’est-à-dire plus ils contiennent de fonctions, plus la machine est capable d’apprendre à réaliser des tâches complexes. (ex : identifier des personnes présentes sur des photos)
Cas particulier du Deep Learning : l’imagerie
Dans le cas particulier de l’analyse d’images médicales, les réseaux de neurones sont convolutifs.
La convolution est une opération mathématique. Si elle est fortement compatible avec l’image, c’est car elle permet d’extraire des features. Elle parvient à traduire les pixels de l’image.
Un réseau de neurones convolutif est un cas particulier des réseaux de neurones artificiels. Ce réseau est caractérisé par ses premières couches convolutionnelles qui appliquent un filtrage par convolution de l’input. Les premières couches détectent les attributs principaux et les dernières couches, les plus précis.
C’est pourquoi, cette architecture est souvent utilisée dans la reconnaissance d’images ou de vidéos médicale.