Qu'est-ce que le Deep Learning ?
La deep learning est une méthode d'intelligence artificielle qui apprend à des ordinateurs à traiter les données d'une manière inspirée par le cerveau humain. Les modèles du deep learning peuvent reconnaître des modèles complexes dans des images, du texte, des sons et d'autres données afin de produire des informations et des prévisions précises. Vous pouvez utiliser des méthodes du deep learning pour automatiser des tâches qui nécessitent généralement de l'intelligence humaine, telles que la description d'images ou la transcription d'un fichier audio en texte.
Pourquoi le deep learning est-il important ?
L'intelligence artificielle (IA) tente d'entraîner les ordinateurs à penser et à apprendre comme le font les humains. La technologie du deep learning alimente de nombreuses applications d'IA utilisées dans les produits de tous les jours, telles que les suivantes :
- Assistants numériques
- Télécommandes de télévision à commande vocale
- Détection des fraudes
- Reconnaissance faciale automatique
C'est également un élément essentiel des technologies émergentes telles que les voitures autonomes, la réalité virtuelle, etc.
Les modèles du deep learning sont des fichiers informatiques que les spécialistes de la science des données ont entraînés pour effectuer des tâches à l'aide d'un algorithme ou d'un ensemble d'étapes prédéfini. Les entreprises utilisent des modèles du deep learning pour analyser les données et faire des prévisions dans diverses applications.
Quelles sont les utilisations du deep learning ?
Le deep learning a plusieurs cas d'utilisation dans l'automobile, l'aérospatiale, la fabrication, l'électronique, la recherche médicale et d'autres domaines. Voici quelques exemples de deep learning :
- Les voitures autonomes utilisent des modèles de deep learning pour détecter automatiquement les panneaux de signalisation et les piétons.
- Les systèmes de défense utilisent le deep learning pour signaler automatiquement les zones d'intérêt dans les images satellites.
- L'analyse d'images médicales utilise le deep learning pour détecter automatiquement les cellules cancéreuses à des fins de diagnostic médical.
- Les usines utilisent des applications de deep learning pour détecter automatiquement lorsque des personnes ou des objets se trouvent à une distance dangereuse des machines.
Vous pouvez regrouper ces différents cas d'utilisation du deep learning en quatre grandes catégories : vision par ordinateur, reconnaissance vocale, traitement du langage naturel (NLP) et moteurs de recommandation.
Aide visuelle par ordinateur
La reconnaissance d'images est la capacité des ordinateurs à extraire des informations et des idées à partir d'images et de vidéos. Les ordinateurs peuvent utiliser 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 comme Amazon Alexa et les logiciels de transcription automatique utilisent la reconnaissance vocale pour effectuer les tâches suivantes :
- Assister les agents des centres d'appels et classer automatiquement les appels
- Convertir les conversations cliniques en documentation en temps réel
- Sous-titrer avec précision les vidéos et les enregistrements de réunions pour élargir la portée du contenu
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 dans les fonctions suivantes :
- Agents virtuels et chatbots automatisés
- 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 de différents utilisateurs et les aider à découvrir de nouveaux produits ou services. Par exemple, de nombreuses entreprises de médias et de divertissement, telles que Netflix, Fox et Peacock, utilisent le deep learning pour fournir des recommandations vidéo personnalisées.
Comment fonctionne le deep learning ?
Les algorithmes de deep learning sont des réseaux neuronaux modélisés sur le cerveau humain. Par exemple, un cerveau humain contient des millions de neurones interconnectés qui travaillent ensemble pour apprendre et traiter l'information. De même, les réseaux neuronaux de deep learning, ou réseaux de neurones artificiels, sont constitués de nombreuses couches de neurones artificiels qui fonctionnent ensemble à l'intérieur de l'ordinateur.
Les neurones artificiels sont des modules logiciels appelés nœuds, qui utilisent des calculs mathématiques pour traiter les données. Les réseaux neuronaux artificiels sont des algorithmes de deep learning qui utilisent ces nœuds pour résoudre des problèmes complexes.
Quels sont les composants d'un réseau de deep learning ?
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.
Qu'est-ce que le deep learning dans le contexte du machine learning ?
Le deep learning est un sous-ensemble du machine learning. Les algorithmes de deep learning ont vu le jour dans le but de 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 devrez étiqueter davantage d'images de chat blanc et réentraîner les modèles de machine learning.
Quels sont 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 d'autres clients similaires.
L'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 langue anglaise 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, par exemple en analysant les transactions financières et en signalant certaines d'entre elles pour la détection des fraudes.
Quels sont les défis du deep learning ?
Le deep learning étant une technologie relativement nouvelle, sa mise en œuvre pratique pose certains défis.
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 de pouvoir 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.
Quels sont les avantages du deep learning dans le cloud ?
L'exécution d'algorithmes de deep learning sur une infrastructure cloud peut permettre de surmonter bon nombre de ces défis. Vous pouvez utiliser le deep learning dans le cloud pour concevoir, développer et former des applications de deep learning plus rapidement.
Rapidité
Vous pouvez entraîner des modèles de deep learning plus rapidement en utilisant des clusters de GPU et de CPU pour effectuer les opérations mathématiques complexes requises par vos réseaux neuronaux. Ces modèles peuvent être déployés afin de traiter d'importants volumes de données et d'obtenir des résultats de plus en plus pertinents.
Capacité de mise à l'échelle
Grâce au large éventail de ressources à la demande disponible sur le cloud, vous pouvez déployer des ressources pratiquement illimitées afin d'amorcer des modèles deep learning de toutes tailles. Vos réseaux neuronaux peuvent tirer parti de plusieurs processeurs pour répartir de manière transparente et efficace les charges de travail entre différents types et quantités de processeurs.
Qu'est-ce que le deep learning sur AWS ?
Les services AWS Deep Learning exploitent la puissance du cloud computing pour vous permettre de mettre à l'échelle vos réseaux neuronaux de deep learning à moindre coût et de les optimiser en termes de vitesse. Vous pouvez également utiliser les services AWS, tels que les suivants, pour gérer entièrement des applications de deep learning spécifiques :
- Amazon Rekognition, pour ajouter à votre application des fonctions de reconnaissance d'images pré-entraînées ou personnalisables.
- Amazon Transcribe, pour reconnaître et transcrire automatiquement la parole avec précision.
- Amazon Lex, pour créer des chatbots intelligents qui comprennent l'intention, maintiennent le contexte conversationnel et automatisent des tâches simples dans de nombreuses langues.
Lancez-vous dans le deep learning sur AWS avec Amazon SageMaker pour créer, vous entraîner et déployer rapidement et facilement des réseaux neuronaux à grande échelle. Vous pouvez également utiliser les AMI Deep Learning AWS pour créer des flux de travail et des environnements personnalisés pour le deep learning. Créez un compte AWS gratuit pour commencer dès aujourd'hui !
Le Deep Learning sur AWS : prochaines étapes
