Le machine learning est un sous domaine de l’Intelligence Artificielle alors que le deep learning est un sous domaine du machine learning. Pour Alfred Essa de McGraw-Hill Education, « il y a autant de différences entre les deux qu’entre un avion à hélices et un avion à réaction ». Explications.
Comme nous l’avons vu dans un précédent article de notre blog, le machine learning (ou apprentissage automatique) offre à des ordinateurs la capacité d’apprendre en se basant sur la data et les dote donc d’intelligence artificielle. Les algorithmes de Machine Learning doivent disposer de « caractéristiques » issues des données pour tirer des connaissances utiles issues de la data.
L’humain ne peut pas tout voir
Si l’on prend l’exemple de la reconnaissance faciale, les algorithmes de machine learning vont se concentrer sur des éléments de différentiation tels que la taille du nez, la forme de la bouche, la couleur des yeux, la position des traits du visage, etc.
L’humain n’est cependant pas toujours capable d’identifier la totalité des caractéristiques déterminantes d’une situation. Et c’est là que le deep learning intervient !
Enormes quantités de données = deep learning
Un algorithme de deep learning va parcourir un grand nombre d’exemples identifiés comme semblables, identifier lui-même des caractéristiques communes et utiles pour la reconnaissance.Il va tester un nombre d’exemples à 6 ou 7 chiffres pour déterminer efficacement ces caractéristiques. L’essor du Big Data peut lui fournir une multitude de données dans de nombreux domaines (voir quelques exemples d’applications dans cet article). A titre d’exemple, Facebook utilise le deep learning pour la reconnaissance faciale afin d’identifier automatiquement vos amis sur les photos.
A l’inverse, d’autres secteurs plus complexes ne sont pas capables d’alimenter le deep learning en entrées assez fiables ou assez nombreuses ; ce qui explique pourquoi le deep learning n’est pas généralisable à tous les sujets.
Le machine learning n’est pas mort !
Les data scientists continueront à développer des algorithmes d’apprentissage statistiques (machine learning) pendant encore longtemps, la plupart des entreprises n’ont en effet pas d’ensembles de données assez grands pour tirer parti du deep learning.
Autre différence notable, les algorithmes de type machine learning produisent toujours un résultat numérique, que ce soit une classification ou un score. Les résultats du deep learning, eux, ne se limitent pas à cela mais peuvent êtreun texte en langage naturel pour sous-titrer une image ou un son ajouté à un film muet par exemple.
Le deeplearning peut répondre à des questions importantes et complexes. Les entreprises avant-gardistes au nombre de données importantes investissent dans ces algorithmes de deep learning car elles parient que cela constituera, à terme, un élément différenciant pour un haut potentiel business.