Machine Learning, Deep Learning, AI, Informatique cognitive : quelles différences ?

Machine Learning

De nos jours, deux approches technologiques se détachent bâtir des solutions d'Intelligence Artificielle. D'une part les systèmes déterministes, à base de règles, et d'autre part des systèmes s'appuyant sur des algorithmes de Machine Learning. Contrairement aux moteurs de règles qui se contentent d'appliquer des formules et des algorithmes construits par le concepteur de la solution, les algorithmes de Machine Learning permettent à des ordinateurs de reproduire des processus cognitifs par mimétisme.

Ainsi, pour apprendre à reconnaître un chat, vous ne construisez pas des règles telles que c'est un animal à quatre pattes, de petite taille, avec des poils, une queue et qui retombe toujours sur ses pattes. Au contraire, vous vous contentez de montrer à la machine des images de chat. Charge à l'ordinateur de comprendre les caractéristiques similaires entre les photos qui lui permettront de reconnaître tous les autres chats du monde.

Le monde des algorithmes de Machine Learning est très vaste et chaque algorithme doit être choisi en fonction de la tâche à accomplir.

Deep Learning

Dans cette jungle, des algorithmes de plus ou moins grande complexité se cotoient. C'est ainsi que depuis quelques années, beaucoup de recherches ont été menées sur des algorithmes impliquant des réseaux de neurones formels.

Ces algorithmes s'inspirent du fonctionnement des neurones et des synapses du cerveau humain. Ils en reproduisent des mécanismes grâce à des couches de neurones successives. Sans entrer dans le détail des réseaux de neurones formels, disons que les plus simples, appelés perceptron, se contentent de présenter uniquement deux couches de neurones ; une couche d'entrée, une couche de sortie ; chaque couche pouvant disposer de plusieurs neurones (centaines, milliers, voire millions).

Les valeurs des neurones de sorties dépendent des valeurs des neurones d'entrées ainsi que d'un apprentissage du réseau qui qualifie les relations entre les neurones.

Si vous demandez à dix experts de définir ce qu'est le Deep Learning, vous aurez probablement dix bonnes réponses différentes. Le Deep Learning, d'un point de vue purement technique et algorithmique, consiste à disposer d'un réseau de neurones disposant d'une ou plusieurs couche(s) cachée(s) (entre la couche d'entrée et la couche de sortie).

Un avantage substantiel de ces modèles d'algorithme est d'offrir un mécanisme permettant de s'affranchir de la forte linéarité du modèle des réseaux neuronaux de type perceptron. Cela permet d'adresser des problématiques plus complexes, plus proches des situations réelles de notre environnement humain. Ainsi, des études récentes ont montré que le Deep Learning révèlait des résultats prometteurs dans les domaines de la reconnaissance visuelle et du traitement du langage naturel.