8 min

La différence entre le deep learning et le machine learning

L'intelligence artificielle est un terme vague, quels sont les différents types d'IA ? Yext vous explique le deep learning et le machine learning.

By Yext

nov. 18, 2021

8 min

L'intelligence artificielle n'est plus un mythe de roman de science-fiction. Elle est partout autour de nous, rendant nos vies plus simples et plus fluides.

Si les rouages de l'IA sont particulièrement complexes, il existe deux fonctions de base qui sont extrêmement répandues dans la plupart des appareils technologiques actuels : le deep learning et le machine learning.

Vous avez peut-être déjà entendu parler de l'un ou de l'autre, voire des deux. Il s'agit principalement de protocoles qui permettent aux systèmes informatiques de capter et d'analyser des données, puis de prendre des décisions pertinentes en fonction de ces données.

C'est grâce à eux qu'Instagram et Facebook déterminent quel type de publicité vous montrer ou que Spotify peut établir des listes de lecture pour les utilisateurs en fonction de la musique qu'ils écoutent fréquemment.

Mais ce n'est pas aussi simple qu'il y paraît, et il existe des différences entre le deep learning et le machine learning. Ces sujets peuvent être assez compliqués, mais nous allons les décomposer en concepts faciles à comprendre.

Les bases

Bien qu'ils puissent sembler être des concepts très proches, le machine learning et le deep learning comportent des différences notables.

Le deep learning a une approche plus stratifiée de l'analyse des données que le machine learning, qui est une analyse plus simpliste des données et un principe d'extrapolation.

Mais avant d'aller trop loin dans la définition de l'un ou l'autre concept, nous aimerions souligner un élément qui peut aider à comprendre les deux :

Le deep learning, c'est le machine learning. Plus ou moins.

Le deep learning est en fait un élargissement des principes établis par le machine learning lors de son développement. Imaginez le machine learning comme la première voiture avec un démarreur à manivelle et sans radio, et le deep learning comme le véhicule d'aujourd'hui bénéficiant de toute la technologie moderne.

Ce sont toutes deux des voitures, mais l'une dispose manifestement d'améliorations par rapport à l'originale.

Le machine learning

Croyez-le ou non, le terme de << machine learning >> (apprentissage automatique) remonte en fait à 1952, sous la forme d'un jeu de dames virtuel qui apprenait les mouvements de son adversaire au fur et à mesure qu'il jouait.

Arthur Samuel, développeur chez IBM, a créé le jeu et implémenté un système dans lequel l'ordinateur calculait la probabilité de chaque mouvement qu'il était possible de réaliser sur la base de son expérience antérieure. Donc, plus les mouvements étaient nombreux, plus la stratégie était précise.

Au niveau le plus simple, il s'agit d'un protocole d'intelligence artificielle qui reçoit des données spécifiques et exécute une fonction. Au fil du temps, il en apprend davantage sur les données qu'il a recueillies et prend de meilleures décisions dans les fonctions qu'il exécute.

Si cela vous semble encore compliqué, ne vous inquiétez pas : c'est compliqué. Les exemples suivants devraient tout de même vous permettre d'en apprendre un peu plus sur cette forme d'IA :

  • YouTube utilise un algorithme pour déterminer les vidéos à suggérer à ses internautes en fonction de celles sur lesquelles ils ont déjà cliqué, et de celles que des internautes similaires ont regardé.

  • Plus les utilisateurs parlent à leurs assistants virtuels, comme Siri ou Cortana, plus ces derniers sont capables de reconnaître la voix et les questions des utilisateurs. En effet, plus l'assistant virtuel dispose d'échantillons de la voix, plus il peut être flexible dans sa façon de reconnaître les personnes et leurs questions.

  • Les traders financiers peuvent utiliser un logiciel qui suit les tendances de nombreuses stock options pour créer des schémas récurrents et faire ensuite des prédictions sur les transactions.

Le côté mathématique et codé du machine learning est assez complexe, mais son fonctionnement est plutôt méthodique et systématique. Ce n'est pas simple en soi, mais le machine learning a certaines limites par rapport au deep learning.

Le machine learning se rapporte plus à un outil d'analyse de données qu'à un véritable système d'intelligence artificielle, puisque son fonctionnement repose sur les données recueillies à partir de plusieurs sources.

Cependant, il n'ajoute pas ou ne développe pas ses fonctionnalités, sur la base de données étendues, et ne recherche pas de formes de données différentes pour en savoir plus. C'est là que réside la différence entre le machine learning et le deep learning.

Mais n'allons pas trop vite.

Le deep learning

Comme nous l'avons mentionné, le deep learning est une forme de machine learning, mais dans une version plus vaste et plus développée.

Le deep learning reçoit lui aussi des données et fonctionne sur la base de ce qu'il apprend, mais il va plus loin que le machine learning en ajoutant des couches à sa structure d'algorithmes.

Plus d'algorithmes, c'est plus de ressources de données à exploiter et plus de moyens de recouper les informations pour prendre une décision.

La structure en couches des algorithmes, ou réseaux neuronaux artificiels, a été développée sur la base des réseaux neuronaux biologiques. En fait, le deep learning ne s'arrête pas à la source de données qui lui est donnée ; il capte de nouveaux flux de données liés à la source originale et analyse chaque élément compilé.

Voici quelques exemples de deep learning :

  • Les voitures autonomes. L'objectif des véhicules autonomes, ou sans conducteur, est de faire en sorte qu'ils deviennent capables d'observer leur environnement par eux-mêmes et de prendre des décisions. Le feu est-il vert ou non, y a-t-il des piétons à proximité, y a-t-il des travaux qui influent sur la limitation de vitesse, le véhicule est-il dans la bonne voie ?

  • La reconnaissance faciale. Vous êtes-vous déjà demandé comment le Face ID de votre téléphone peut vous reconnaître, que vous ayez changé de coupe de cheveux ou que vous portiez des lunettes de soleil ? Bien sûr, il a ses limites, mais il intègre constamment de nouvelles informations basées sur les accessoires, la corpulence, les styles de barbe et les coupes de cheveux afin de suivre l'apparence de quelqu'un même si elle change régulièrement.

Finalement, partout, le deep learning absorbe constamment de nouvelles informations afin de pouvoir prendre des décisions plus judicieuses et pertinentes. Bien qu'il s'agisse d'un sous-ensemble du machine learning, nous commençons à voir la différence de puissance entre les deux.

Les principales différences

Comme nous l'avons souligné, le deep learning est avant tout une forme avancée du machine learning. Ils ont donc des points communs.

Cependant, si nous les examinons côte à côte, nous allons nous baser sur des aspects distincts pour déterminer quelle méthode convient le mieux à la fonction que nous cherchons à remplir.

Conditions de calcul

Le machine learning est tout sauf simple, mais comparé au deep learning, il n'est finalement pas si compliqué.

Surtout si l'on considère la puissance de processeur dont chaque système a respectivement besoin pour fonctionner.

Étant donné que le deep learning dispose d'un système d'algorithmes et de connexions neuronales plus complexe (sans parler d'une quantité de données plusieurs fois supérieure) que le machine learning, il nécessite un système extrêmement puissant.

Il s'agit d'une puissance de traitement potentielle de plusieurs milliers de cœurs, alors que le machine learning se contente de quelques-uns.

Il faut évidemment en tenir compte lors de la définition de vos ressources. La puissance du deep learning est immense, mais la puissance dont il a besoin pour y parvenir l'est tout autant.

Temps d'entraînement

En raison de la nature beaucoup plus complexe des algorithmes utilisés par le deep learning par rapport au machine learning, il faut beaucoup plus de temps pour entraîner le réseau à reconnaître les données.

Le deep learning peut prendre jusqu'à plusieurs mois pour analyser la quantité de données que nous introduisons. Des mois. Vraiment.

En outre, plus on introduit de couches dans le réseau, comme le nombre d'algorithmes dans son réseau neuronal, plus il faut de temps pour traiter toutes ces informations.

Le machine learning est en fait un système de correspondance complexe qui prend en compte un ensemble de données et le compare à d'autres ensembles de données afin de prendre une décision, mais à un seul niveau par rapport aux multiples niveaux du deep learning.

Ainsi, si le machine learning est plus limité, il prend beaucoup moins de temps à être mis en place.

Points de données

Le machine learning absorbe une quantité non négligeable d'informations pour prendre des décisions et peut fonctionner correctement même avec des données limitées. De son côté, le deep learning ne s'améliore qu'en fonction de la quantité de données qu'il absorbe.

Plus un protocole de deep learning peut absorber de données, plus il devient intelligent. Alors que le machine learning a généralement un plafond quant à la quantité d'informations qu'il peut analyser, le deep learning ne connaît pas de limites et devient plus puissant au fur et à mesure qu'il ingère des données.

Bien sûr, nous en revenons ici aux conditions du processeur et au temps d'entraînement : le deep learning devient de plus en plus puissant, certes, mais plus il absorbe de données, plus il a besoin d'énergie et de temps pour tout passer en revue.

En conclusion

L'intelligence artificielle constitue un formidable progrès technologique et n'en est, il faut bien le dire, qu'à ses débuts.

Le machine learning a de puissantes applications dans le monde réel et est déjà utilisé chaque jour dans les technologies qui nous entourent.

Le deep learning offre des retombées très performantes et, bien qu'il nécessite d'immenses systèmes pour être hébergé, il sera probablement un jour aussi courant que son prédécesseur.

Ces deux fonctions ont le potentiel de révolutionner la façon dont nous utiliserons la technologie à l'avenir dans le domaine médical, l'industrie automobile, les loisirs, les achats en ligne… Pratiquement tous les gestes de la vie quotidienne pourraient un jour faire appel à l'intelligence artificielle, sous une forme ou une autre.

Pour en savoir plus sur le deep learning et le machine learning ou pour renforcer les fonctions de recherche sur votre site, rendez-vous sur Yext.

Références :

  1. Beyond the AI hype: AI Is Here and Now, and Adoption Is Rising (Au-delà du battage autour de l'IA : elle est déjà là et en plein essor) | Martech.org

  2. A Brief History of Machine Learning (Bref historique du machine learning) | Dataversity.net

  3. How Does the YouTube Algorithm Work? A Guide to Getting More Views (Comment fonctionne l'algorithme de YouTube ? Guide pour obtenir plus de vues)

Share this Article