Apprentissage profond

Fiabilité

Qu’est-ce que l’apprentissage profond ?

L’apprentissage profond est une approche itérative de l’intelligence artificielle (IA) qui empile des algorithmes d’apprentissage automatique dans une hiérarchie de complexité et d’abstraction croissantes. Chaque niveau d’apprentissage profond est créé à partir des connaissances acquises par la couche précédente de la hiérarchie.

La première couche d’un algorithme de reconnaissance d’images en profondeur, par exemple, peut se concentrer sur l’apprentissage des motifs de couleur dans les données d’entraînement, tandis que la couche suivante se concentre sur les formes. À terme, la hiérarchie comportera des couches axées sur diverses combinaisons de couleurs et de formes, la couche supérieure se concentrant sur l’objet reconnu.

L’apprentissage profond est actuellement l’architecture d’IA la plus sophistiquée utilisée aujourd’hui. Les algorithmes d’apprentissage profond les plus répandus sont les suivants :

Réseau neuronal convolutif – l’algorithme peut attribuer des poids et des biais aux différents objets d’une image et différencier un objet de l’image d’un autre. Il est utilisé pour la détection d’objets et la classification d’images.

Réseaux neuronaux récurrents – l’algorithme est capable de mémoriser des données séquentielles. Ils sont utilisés pour la reconnaissance vocale, la prédiction de séries temporelles et le traitement du langage naturel.

Réseaux de mémoire à long terme – l’algorithme peut apprendre la dépendance d’ordre dans les problèmes de prédiction de séquence. Utilisé dans la traduction automatique et la modélisation linguistique.

Réseaux contradictoires génératifs – deux algorithmes s’affrontent et utilisent leurs erreurs respectives comme nouvelles données d’apprentissage. Utilisés pour la restauration de photos numériques et les vidéos truquées.

Réseaux de croyance profonde – algorithme d’apprentissage profond non supervisé dans lequel chaque couche a deux fonctions : elle fonctionne comme une couche cachée pour ce qui précède et comme une couche visible pour ce qui suit. Utilisés dans les secteurs de la santé pour la détection du cancer et d’autres maladies.

Techopedia explique l’apprentissage en profondeur

L’apprentissage profond est utilisé pour construire et former des réseaux neuronaux et des nœuds de réseaux décisionnels. Il est considéré comme une technologie de base de la quatrième révolution industrielle (Industrie 4.0) et du Web3.

L’apprentissage profond supprime l’identification manuelle des caractéristiques dans les données et, à la place, s’appuie sur n’importe quel processus de formation afin de découvrir les modèles utiles dans les exemples d’entrée. La formation du réseau neuronal est ainsi plus facile et plus rapide, et peut donner de meilleurs résultats qui font progresser le domaine de l’intelligence artificielle.

Un algorithme est considéré comme profond si les données d’entrée passent par une série de non-linéarités ou de transformations non linéaires avant d’être transformées en sortie. Aujourd’hui, la plupart des applications commerciales utilisent des algorithmes d’apprentissage automatique peu profonds.

L’IA superficielle, également appelée IA étroite, ne construit pas de hiérarchie d’appels de sous-programmes. Ce type d’algorithme d’apprentissage est plutôt conçu pour effectuer une tâche unique et discrète.

Termes connexes

Margaret Rouse
Technology Specialist
Margaret Rouse
Experte en technologie

Margaret Rouse est une écrivaine technique primée et enseignante reconnue pour sa capacité à expliquer des sujets techniques complexes à un public non technique et commercial. Au cours des vingt dernières années, ses explications ont été publiées sur les sites Web de TechTarget et elle a été citée comme une autorité dans des articles du New York Times, du Time Magazine, de USA Today, de ZDNet, de PC Magazine et de Discovery Magazine. L'idée que Margaret se fait d'une journée amusante est d'aider les professionnels de l'informatique et des affaires à apprendre à parler leurs langages hautement spécialisés respectifs. Si…