Intelligence artificielle (IA) vs machine learning vs deep learning

L'intelligence artificielle, le machine learning et le deep learning sont apparentés, mais construits sur différentes couches d'abstractions. Un des aspects qui leur est commun, c'est que toutes ces applications qui reposent sur ces trois technologies – par exemple, les voitures autonomes ou des logiciels qui aident les médecins à déterminer les risques d'accident cardiaque chez leurs patients – ont besoin de toujours plus de big data et de puissance de traitement pour faire apparaître des résultats exploitables.

Regarder Fundamentals of Machine Learning maintenant.
Regarder

Intelligence artificielle

L'intelligence artificielle (IA) est à la fois la théorie et le développement concret de machines/systèmes/logiciels qui imitent l'intelligence humaine pour accomplir des tâches très évoluées. L'IA tente de reproduire une partie de l'intelligence humaine à travers une application, un système ou un processus. La reconnaissance de la parole, la perception visuelle et la traduction linguistique sont des exemples de systèmes d'intelligence artificielle. Le machine learning et le deep learning sont des sous-ensembles de l'intelligence artificielle.

Machine learning et deep learning

Le machine learning (ML) est un sous-domaine de l'IA qui utilise les réseaux neuronaux artificiels (ANN) pour imiter la façon dont les êtres humains prennent des décisions. Le machine learning permet aux ordinateurs d'apprendre par eux-mêmes, sans aucune programmation, à partir de gros ensembles de données (ou datasets). Le machine learning est utilisé pour identifier les tendances enfouies dans les gros ensembles de données et pour la modélisation statistique.

La couche immédiatement inférieure est occupée par le deep learning (DL), l'une des nombreuses approches du machine learning. Le deep learning utilise des réseaux neuronaux profonds pour identifier des structures dans des volumes considérables de données. Dans le contexte IT, les « réseaux neuronaux » sont des ensembles d'algorithmes modélisés sur la structure biologique du cerveau humain. Chaque réseau neuronal se concentre sur une couche spécifique de la tâche à apprendre. Citons comme exemples d'application le système de recommandation de films de Netflix et l'algorithme du MIT qui permet de prédire très rapidement les futurs comportements.

Pour mieux comprendre la différence d'approche entre ces trois technologies, voyons comment elles doivent procéder pour apprendre à un ordinateur à reconnaître des photos de chat :

  • L'intelligence artificielle exige qu'un programmeur écrive tout le code nécessaire à l'ordinateur pour reconnaître un chat.
  • Le machine learning exige que des programmeurs apprennent au système à quoi ressemble un chat en lui montrant différentes photos et en corrigeant son analyse jusqu'à ce que celle-ci soit correcte (ou plus précise).
  • Le deep learning divise la tâche de reconnaissance du chat en plusieurs couches : une couche de l'algorithme apprend à reconnaître les yeux, une autre les oreilles, une troisième la silhouette générale, etc. Une fois connectées, ces différentes couches possèdent une certaine capacité de reconnaissance pour les prochains chats.

Le machine learning et le deep learning rendent l'IA plus efficace et plus accessible.

AI, ML et DL dans le cloud

Les progrès des technologies cloud rendent plus accessibles les solutions d'IA, de ML et de DL. Les fournisseurs de services d'IA en cloud comme Amazon Machine Learning, Microsoft Azure et Google Cloud AI proposent des ressources partagées (réseau, traitement, mémoire, unités de stockage) qui sont peu coûteuses, faciles à utiliser et hautement évolutives.

Avec les plates-formes technologiques intégrées dans le cloud (IaaS, PaaS, SaaS et iPaaS) les PME/TPE peuvent également bénéficier de la puissance du stockage des big data et de l'analytique en cloud. Les API dédiées à l'intelligence artificielle, les algorithmes de machine learning, le deep learning, la reconnaissance faciale, la visualisation des données, la vision par ordinateur et les techniques de traitement du langage naturel (NLP) sont intégrés dans le service, les calculs étant effectués à distance par le data center. Une formation spécialisée en data science n'est pas nécessaire.

Ces nouvelles solutions et plates-formes d'intégration des big data continuent d'accélérer le développement de l'IA, du ML et du DL.

Talend et l'intelligence artificielle

Les applications d'IA qui peuvent avoir un impact sur l'entreprise et qui sont disponibles dès aujourd'hui exigent des données pertinentes, fiables et de qualité : vous ne pouvez pas avoir les unes sans les autres ! Avec l'augmentation des volumes de big data et de la puissance de traitement et l'évolution des technologies, la perspective d'une IA forte débouchant sur la sentience autonome des machines se rapproche chaque jour.

Pour plus de détails sur l'intelligence artificielle, le machine learning et le deep learning, et sur l'utilisation des composants de machine learning Spark avec les solutions Talend, ne manquez pas le webinar à la demande Fundamentals of Machine Learning (Principes de base du machine learning).

| Last Updated: January 28th, 2019