Qu'est-ce que le Deep Learning ?

Le deep generative learning est un deep learning qui se concentre sur la création de nouveaux résultats à partir des données apprises. Traditionnellement, le deep learning se concentrait sur l’identification des relations entre les données. Des modèles de deep learning ont été entraînés avec de grandes quantités de données afin de reconnaître des modèles dans le jeu de données.

Le deep generative learning ajoute de la génération à la reconnaissance de motifs. Ces modèles recherchent des motifs de données, puis créent leurs propres motifs uniques. Par exemple, ils peuvent analyser le texte de plusieurs livres, puis utiliser les informations pour générer de nouvelles phrases et de nouveaux paragraphes qui ne se trouvaient pas dans les livres d’origine.

Le deep generative learning est à la base des modèles d’IA générative et de fondation modernes. Ces modèles utilisent des technologies de deep learning à grande échelle, entraînées sur de vastes données, pour effectuer des tâches complexes, comme répondre à des questions, créer des images à partir de texte et rédiger du contenu.

Regardez une vidéo d’introduction aux modèles de fondation

Le deep learning a plusieurs cas d'utilisation dans l'automobile, l'aérospatiale, la fabrication, l'électronique, la recherche médicale et d'autres domaines.

• Les voitures autonomes utilisent des modèles de deep learning pour la détection d’objets.
• Les systèmes de défense utilisent le deep learning pour signaler les zones d’intérêt dans les images satellites.
• L’analyse d’images médicales utilise le deep learning pour détecter les cellules cancéreuses à des fins de diagnostic médical.
• Les usines utilisent des applications de deep learning pour détecter lorsque des personnes ou des objets se trouvent à une distance dangereuse des machines.

Ces différents cas d’utilisation du deep learning peuvent être regroupés en cinq grandes catégories : vision par ordinateur, reconnaissance vocale, traitement du langage naturel (NLP), moteurs de recommandation et IA générative.

Aide visuelle par ordinateur

La vision par ordinateur extrait automatiquement des informations et analyses à partir d’images et de vidéos. Des techniques de deep learning pour comprendre les images de la même manière que les humains. La reconnaissance d'images a plusieurs applications, dont les suivantes :

• Modération du contenu pour prélever automatiquement le contenu dangereux ou inapproprié des archives d'images et de vidéos
• Reconnaissance faciale pour identifier les visages et reconnaître les attributs tels que les yeux ouverts, les lunettes et les poils du visage
• Classification des images pour identifier les logos des marques, les vêtements, les équipements de sécurité et d'autres détails de l'image

Reconnaissance vocale

Le deep learning peut analyser la parole humaine malgré la diversité des modèles de discours, de la hauteur ou du ton de la voix, de la langue ou encore de l'accent. Les assistants virtuels tels qu’Amazon Alexa et les logiciels de synthèse vocale, et de reconnaissance vocale utilisent la reconnaissance vocale pour effectuer les tâches suivantes :

• Assister les agents des centres d'appels et classer automatiquement les appels
• Convertissez des conversations cliniques en documentation en temps réel.
• Sous-titrer avec précision les vidéos et les enregistrements de réunions pour élargir la portée du contenu
• Convertissez les scripts en messages d’assistance vocale intelligente.

Traitement du langage naturel

Les ordinateurs utilisent des algorithmes de deep learning pour recueillir des informations et du sens à partir de données texte et de documents. Cette capacité à traiter du texte naturel créé par l’homme a plusieurs cas d’utilisation, y compris :

• Agents virtuels automatisés et chatbots
• Résumé automatique de documents ou d'articles de presse
• Analyse de la Business Intelligence de documents longs comme les mails et les formulaires
• Indexation des phrases clés qui dénotent des sentiments, comme les commentaires positifs et négatifs sur les réseaux sociaux

Moteurs de recommandation

Les applications peuvent utiliser des méthodes de deep learning pour suivre l’activité des utilisateurs et développer des recommandations personnalisées. Ils peuvent analyser le comportement des utilisateurs et les aider à découvrir de nouveaux produits ou services. Par exemple,

• Recommandez des vidéos et du contenu personnalisés.
• Recommandez des produits et services personnalisés.
• Filtrez les résultats de recherche pour mettre en évidence le contenu pertinent en fonction de la localisation et du comportement de l’utilisateur

IA générative

Les applications d’IA générative peuvent créer de nouveaux contenus et communiquer avec les utilisateurs finaux de manière plus sophistiquée. Ils peuvent vous aider à automatiser des flux de travail complexes, à réfléchir à des idées et à effectuer des recherches de connaissances intelligentes. Par exemple, grâce à des outils d’IA générative tels que Amazon Q Business et Amazon Q Developer, les utilisateurs peuvent :

• Poser des questions en langage naturel et obtenir des réponses résumées à partir de multiples sources de connaissances internes.
• Bénéficier de suggestions de code, d’une analyse et de mises à niveau automatiques du code.
• Créer plus rapidement de nouveaux documents, e-mails et autres contenus marketing.

Les composants d'un réseau neuronal profond sont les suivants :

Couche d'entrée

Un réseau neuronal artificiel comporte plusieurs nœuds qui y saisissent des données d'entrée. Ces nœuds constituent la couche d'entrée du système.

Couche cachée

La couche d'entrée traite et transmet les données aux couches situées plus loin dans le réseau neuronal. Ces couches cachées traitent les informations à différents niveaux, adaptant leur comportement à mesure qu'elles reçoivent de nouvelles informations. Le deep learning profond comportent des centaines de couches cachées qu'ils peuvent utiliser pour analyser un problème sous différents angles.

Par exemple, si l'on vous donnait l'image d'un animal inconnu que vous deviez classer, vous la compareriez avec des animaux que vous connaissez déjà. Par exemple, vous pouvez regarder la forme de ses yeux et de ses oreilles, sa taille, le nombre de pattes et son motif de fourrure. Vous devez essayer d'identifier des modèles, tels que les suivants :

• L'animal a des sabots, il peut donc s'agir d'une vache ou d'un cerf.
• L'animal a des yeux de chat, il pourrait donc s'agir d'un chat sauvage.

Les couches cachées des réseaux neuronaux profonds fonctionnent de la même manière. Si un algorithme de deep learning tente de classer une image animale, chacune de ses couches cachées traite une caractéristique différente de l'animal et essaie de la catégoriser avec précision.

Couche de sortie

La couche de sortie se compose des nœuds qui produisent les données. Les modèles de deep learning qui génèrent des réponses « oui » ou « non » n'ont que deux nœuds dans la couche de sortie. D'autre part, ceux qui produisent un plus large éventail de réponses ont plus de nœuds. 

Les termes machine learning, deep learning et IA générative indiquent une progression de la technologie des réseaux neuronaux.

Machine learning

Le deep learning est un sous-ensemble du machine learning. Les algorithmes de deep learning ont vu le jour pour rendre les techniques traditionnelles de machine learning plus efficaces. Les méthodes traditionnelles de machine learning nécessitent un effort humain important pour entraîner le logiciel. Par exemple, pour la reconnaissance d'images d'animaux, vous devez effectuer les opérations suivantes :

• Étiquetez manuellement des centaines de milliers d'images d'animaux.
• Faites en sorte que les algorithmes de machine learning traitent ces images.
• Testez ces algorithmes sur un ensemble d'images inconnues.
• Déterminez pourquoi certains résultats sont inexacts.
• Améliorez le jeu de données en étiquetant de nouvelles images pour améliorer la précision des résultats.

Ce processus s'appelle l'apprentissage supervisé. Dans l’apprentissage supervisé, la précision des résultats ne s’améliore que lorsque vous disposez d’un jeu de données vaste et suffisamment varié. Par exemple, l'algorithme pourrait identifier avec précision les chats noirs mais pas les chats blancs parce que le jeu de données d'entraînement contenait plus d'images de chats noirs. Dans ce cas, vous aurez besoin de plus de données étiquetées d’images de chats blancs pour réentraîner les modèles de machine learning.

Les avantages du deep learning par rapport du machine learning

Un réseau de deep learning présente les avantages suivants par rapport à l'apprentissage automatique traditionnel. 

Traitement efficace des données non structurées

Les méthodes de machine learning trouvent que les données non structurées, telles que les documents texte, sont difficiles à traiter car le jeu de données d'apprentissage peut présenter des variations infinies. D'autre part, les modèles de deep learning peuvent comprendre des données non structurées et faire des observations générales sans extraction manuelle des caractéristiques. Par exemple, un réseau neuronal peut reconnaître que ces deux phrases d'entrée différentes ont la même signification :

• Pouvez-vous me dire comment effectuer le paiement ?
• Comment transférer de l'argent ? 

Relations cachées et découverte de modèles

Une application de deep learning peut analyser de grandes quantités de données plus en profondeur et révéler de nouvelles informations pour lesquelles elle n'a peut-être pas été formée. Par exemple, prenons un modèle de deep learning formé pour analyser les achats des consommateurs. Le modèle contient des données uniquement pour les articles que vous avez déjà achetés. Toutefois, le réseau neuronal artificiel peut suggérer de nouveaux articles que vous n’avez pas achetés en comparant vos habitudes d’achat à celles des clients similaires.

Apprentissage non supervisé

Les modèles de deep learning peuvent apprendre et s'améliorer au fil du temps en fonction du comportement des utilisateurs. Ils ne nécessitent pas de grandes variations de jeux de données étiquetés. Par exemple, considérez un réseau neuronal qui corrige ou suggère automatiquement des mots en analysant votre comportement de frappe. Supposons que le modèle ait été entraîné en anglais et qu’il puisse vérifier l’orthographe des mots anglais. Toutefois, si vous tapez fréquemment des mots non anglais, tels que danke, le réseau neuronal apprend et corrige automatiquement ces mots également.

Traitement des données volatiles

Les jeux de données volatiles présentent de grandes variations. Les montants de remboursement d'un prêt dans une banque en sont un exemple. Un réseau neuronal de deep learning peut également catégoriser et trier ces données, en analysant les transactions financières et en signalant certaines d’entre elles pour la détection des fraudes.

En savoir plus sur les différences entre le deep learning et le machine learning

IA générative

L’IA générative a fait passer les réseaux neuronaux du réseau neuronal et du machine learning à un niveau supérieur. Alors que le machine learning et le deep learning se concentrent sur la prédiction et la reconnaissance de modèles, l’IA générative produit des résultats uniques en fonction des modèles qu’elle détecte. La technologie d’IA générative repose sur l’architecture de transformeur, qui associe plusieurs réseaux neuronaux différents pour combiner des modèles de données de manière unique. Les réseaux de deep learning convertissent d’abord du texte, des images et d’autres données en abstractions mathématiques, puis les reconvertissent en de nouveaux modèles significatifs.

Les défis liés à la mise en œuvre du deep learning et de l’IA générative sont expliqués ci-dessous.

De grandes quantités de données de haute qualité

Les algorithmes de deep learning donnent de meilleurs résultats lorsque vous les entraînez sur de grandes quantités de données de haute qualité. Les valeurs aberrantes ou les erreurs dans votre jeu de données d'entrée peuvent affecter considérablement le processus de deep learning. Dans notre exemple d’image animale, le modèle de deep learning pourrait classer un avion en tant que tortue si des images non animales étaient accidentellement introduites dans le jeu de données.

Pour éviter de telles imprécisions, vous devez nettoyer et traiter de grandes quantités de données avant d’entraîner des modèles de deep learning. Le prétraitement des données d'entrée nécessite de grandes capacités de stockage de données.

Grande puissance de traitement

Les algorithmes de deep learning nécessitent des calculs intensifs et nécessitent une infrastructure dotée d’une capacité de calcul suffisante pour fonctionner correctement. Sinon, le traitement des résultats prend beaucoup de temps. 

Les services d’IA et de deep learning d’AWS exploitent la puissance du cloud computing pour vous permettre de créer et de développer la prochaine vague d’innovation en matière d’IA. Réinventez les expériences client grâce aux services spécialisés les plus complets, à l’infrastructure IA, à la technologie de deep learning et aux solutions d’IA générative les plus complètes. Par exemple,

• Amazon SageMaker fournit une infrastructure, des outils et des flux de travail entièrement gérés pour le développement du machine learning et du deep learning.
• Amazon Bedrock fournit une API unique permettant d’accéder à divers modèles de fondation performants développés par les plus grandes sociétés d’IA et de les utiliser.

Vous pouvez également utiliser l’infrastructure IA d’AWS pour accéder à des capacités de calcul, de stockage et de mise en réseau complètes, sécurisées et économiques afin de créer n’importe quelle application d’IA. Commencez à utiliser le deep learning IA sur AWS en créant un compte AWS gratuit dès aujourd’hui !