AI, Deep Learning, Machine Learning… de quoi parle-t-on ?
Vous aussi vous êtes perdu lorsqu’il s’agit d’expliquer ce qui sépare l’intelligence artificielle (IA), le machine learning (ML) et le deep learning (DL) ? Ne vous inquiétez pas, vous n’êtes pas le seul. Les trois terminologies sont utilisées de manière interchangeable mais ne désignent pas à la même chose.
Andrey Bulezyuk, expert en informatique, basé en Allemagne et comptant plus de cinq ans d’expériences dans l’enseignement du fonctionnement des systèmes d’intelligence artificielle, déclare que « les praticiens de ce domaine peuvent clairement articuler les différences entre ces trois termes, étroitement liés ».
Par conséquent, existe-t-il une réelle différence entre l’intelligence artificielle, le machine learning et le deep learning ?
Voici une image qui tente d’expliquer la distinction entre eux:
Source towardsdatascience.com
Comme vous pouvez le voir sur l’image ci-dessus, le DL est un sous-ensemble du ML, qui est également un sous-ensemble de l’IA. Laissez-nous aller plus loin afin de comprendre ces trois terminologies et celle qui convient le mieux à votre stratégie d’inbound marketing.
Intelligence artificielle : l’intelligence humaine présentée par des machines
Le rêve des pionniers de l’IA était de construire des machines complexes, rendues possibles par des ordinateurs émergents et de plus en plus puissants, possédant tous nos sens (peut-être même plus), toute notre raison et qui pensent comme nous. C’est une technologie capable de réaliser des tâches spécifiques aussi bien ou mieux que les humains. Par exemple, l’IA sert pour la reconnaissance faciale sur Facebook. Mais comment ? D’où vient cette intelligence ? Cela nous amène au prochain point qui est le machine learning.
Machine Learning : une approche pour atteindre l’intelligence artificielle
Le machine learning est un sous-ensemble de l’intelligence artificielle. Il peut être interprété comme la capacité pour les systèmes informatiques, d’apprendre par eux-mêmes en utilisant des données fournies et de faire des prédictions précises. Pour les machines, l’apprentissage implique de donner beaucoup de données à l’algorithme, ce qui lui permet d’en apprendre plus sur les informations traitées.
Par exemple, voici un tableau qui identifie le type de fruit en fonction de ses caractéristiques :
Source towardsdatascience.com
Les fruits sont identifiés en fonction de leur poids et de leur texture. Cependant, la dernière rangée ne donne que le poids et la texture, sans le type de fruit. Ainsi, les données d’apprentissage sur les différentes caractéristiques entre une orange et une pomme alimentent un algorythme. Cela permettra à la machine de prédire avec précision le type de fruit présentant ces caractéristiques.
Deep Learning : une technique pour mettre en œuvre le machine learning
Le deep learning est la prochaine évolution du machine learning. Les algorithmes s’inspirent des modèles de traitements de l’information trouvés dans le cerveau humain pour les enseigner aux machines, afin qu’elles accomplissent les mêmes tâches. Par exemple, les réseaux de neurones artificiels (RNA) sont un type d’algorithme visant à imiter la façon dont notre cerveau prend ses décisions.
Le deep learning permet de découvrir automatiquement les fonctionnalités à utiliser pour la classification d’informations. Le machine learning exige que ces fonctionnalités soient fournies manuellement. En outre, contrairement au machine learning, le deep learning a besoin de machines haut de gamme et de très nombreuses données pour obtenir des résultats précis.