La différence entre l'IA, l'apprentissage automatique et l'apprentissage en profondeur? – Apprendre une langue étrangère

Par exemple, lorsque le programme AlphaGo de Google DeepMind a battu le Sud-Coréen Lee Se-dol dans le jeu de société Go plus tôt cette année, les termes IA, apprentissage automatique et apprentissage en profondeur ont été utilisés dans les médias pour décrire la victoire de DeepMind. Et tous les trois font partie de la raison pour laquelle AlphaGo a battu Lee Se-Dol. Mais ce ne sont pas les mêmes choses.

La meilleure façon de concevoir leur relation est de les visualiser sous forme de cercles concentriques avec l'IA – l'idée qui est venue en premier – le plus grand, puis l'apprentissage automatique – qui s'est épanouie plus tard, et enfin l'apprentissage en profondeur – qui est à l'origine de l'explosion actuelle de l'IA – s'intégrant à la fois .

Du buste au boom

L’intelligence artificielle fait partie de notre imagination et s’agite dans les laboratoires de recherche depuis qu’une poignée d’informaticiens s’est ralliée autour de ce terme lors des conférences de Dartmouth en 1956 et a donné naissance au domaine de l’IA. Au cours des décennies qui ont suivi, l’intelligence artificielle a été présentée alternativement comme la clé de l’avenir le plus brillant de notre civilisation, et jeté à la poubelle de la technologie comme une notion farfelue de têtes de porte-hélices trop étendues. Franchement, jusqu'en 2012, c'était un peu des deux.

L'intelligence artificielle a explosé ces dernières années, et plus particulièrement depuis 2015. Cette situation est en grande partie liée à la grande disponibilité de GPU permettant un traitement parallèle plus rapide, moins onéreux et plus puissant. Cela a également à voir avec le doublage simultané d'un stockage pratiquement infini et un flot de données de chaque segment (tout ce mouvement Big Data) – images, texte, transactions, données de mappage, nommez-le.

Décrivons comment les informaticiens sont passés d’une crise économique jusqu'en 2012 à un boom qui a déclenché des applications utilisées quotidiennement par des centaines de millions de personnes.

Intelligence artificielle – L'intelligence humaine exposée par des machines

À l’époque de la conférence de l’été 56, le rêve de ces pionniers de l’IA était de construire des machines complexes – rendues possibles par des ordinateurs émergents – possédant les mêmes caractéristiques que l’intelligence humaine. C’est le concept que nous considérons comme une «intelligence artificielle» – des machines fabuleuses qui ont tous nos sens (peut-être même plus), toute notre raison et pensent comme nous. Vous avez vu ces machines à l'infini dans les films en tant qu'ami (C-3PO) et ennemi (The Terminator). Les machines à IA générales sont restées dans les films et les romans de science-fiction pour de bonnes raisons; nous ne pouvons pas le retirer, du moins pas encore.

Ce que nous pouvons faire relève du concept de «l'IA étroite». Technologies capables de réaliser des tâches spécifiques aussi bien ou mieux que nous, les humains. Des exemples tels que l'IA étroite sont des choses telles que la classification des images sur un service tel que Pinterest et la reconnaissance des visages sur Facebook.

Ce sont des exemples de l'IA étroite dans la pratique. Ces technologies présentent certaines facettes de l'intelligence humaine. Mais comment? D'où vient cette intelligence? Cela nous amène au prochain cercle, l'apprentissage automatique.

Apprentissage machine – Une approche pour atteindre l'intelligence artificielle

L'apprentissage automatique, à la base, consiste à utiliser des algorithmes pour analyser des données, en tirer des enseignements, puis pour déterminer ou prédire quelque chose dans le monde. Ainsi, plutôt que de coder manuellement les routines logicielles avec un ensemble d'instructions spécifique pour accomplir une tâche particulière, la machine est «formée» à l'aide de grandes quantités de données et d'algorithmes lui permettant d'apprendre à exécuter cette tâche.

L'apprentissage automatique venait directement des esprits des débuts de l'IA, et les approches algorithmiques au cours des années comprenaient l'apprentissage par arbre de décision et la programmation inductive. regroupement, apprentissage par renforcement et réseaux bayésiens, entre autres. Comme nous le savons, aucun n’a atteint l’objectif ultime de l’intelligence artificielle générale, et même l’intelligence artificielle restreinte était hors de portée des approches d’apprentissage précoce.

Pour en savoir plus sur l’apprentissage en profondeur, écoutez notre podcast Deep Learning 101 avec Will Ramey, de NVIDIA.

Il s’est avéré que la vision par ordinateur était l’un des meilleurs domaines d’application pour l’apprentissage automatique depuis de nombreuses années, bien qu’il faille encore beaucoup de codage manuel pour faire le travail. Les gens entraient et écrivaient des classificateurs codés à la main tels que des filtres de détection des contours afin que le programme puisse identifier où un objet commençait et s'arrêtait; détection de forme pour déterminer si elle avait huit côtés; un classificateur pour reconnaître les lettres «S-T-O-P». À partir de tous ces classificateurs codés à la main, ils développeraient des algorithmes pour donner un sens à l'image et «apprendraient» pour déterminer s'il s'agissait d'un signe d'arrêt.

Bien, mais pas génial. Surtout un jour de brouillard où le signe n’est pas parfaitement visible, ou un arbre en masque une partie. Il ya une raison pour laquelle la vision par ordinateur et la détection d’image n’ont rivalisé avec l’être humain que très récemment: c’était trop fragile et trop sujet aux erreurs.

Le temps et les bons algorithmes d'apprentissage ont fait toute la différence.

L'apprentissage en profondeur – Une technique pour mettre en œuvre l'apprentissage automatique

Une autre approche algorithmique de la foule des débuts de l’apprentissage automatique, les réseaux de neurones artificiels, est venue et a duré au cours des décennies. Les réseaux de neurones sont inspirés par notre compréhension de la biologie de notre cerveau – toutes ces interconnexions entre les neurones. Mais, contrairement à un cerveau biologique où tout neurone peut se connecter à un autre neurone à une certaine distance physique, ces réseaux de neurones artificiels ont des couches, des connexions et des directions de propagation de données discrètes.

Vous pouvez, par exemple, prendre une image, la découper en un tas de mosaïques qui sont entrées dans la première couche du réseau de neurones. Dans la première couche, les neurones individuels transmettent ensuite les données à une deuxième couche. La deuxième couche de neurones remplit sa tâche, et ainsi de suite, jusqu'à ce que la couche finale et la sortie finale soient produites.

Chaque neurone attribue une pondération à son entrée: son corrélation est-elle correcte ou incorrecte par rapport à la tâche en cours d'exécution? Le résultat final est ensuite déterminé par le total de ces pondérations. Alors, pensez à notre exemple de panneau d'arrêt. Les attributs d'une image de panneau d'arrêt sont hachés et «examinés» par les neurones: sa forme octogonale, sa couleur rouge vif, ses lettres distinctives, la taille de son panneau de signalisation, son mouvement ou son absence. La tâche du réseau de neurones est de déterminer s’il s’agit ou non d’un panneau d’arrêt. Il en résulte un «vecteur de probabilité», une hypothèse très éclairée, basée sur la pondération. Dans notre exemple, le système peut être sûr à 86% que l'image est un panneau d'arrêt, à 7%, à une limite de vitesse et à 5%, un cerf-volant coincé dans un arbre, etc. – et l'architecture de réseau indique alors au réseau de neurones si c'est juste ou pas.

Même cet exemple prend de l'avance, car jusqu'à récemment, les réseaux de neurones étaient complètement boudés par la communauté de la recherche sur l'IA. Ils existaient déjà depuis les débuts de l’intelligence artificielle et n’avaient produit que très peu d’intelligence. Le problème était que même les réseaux de neurones les plus élémentaires nécessitaient beaucoup de calculs, ce n’était tout simplement pas une approche pratique. Malgré tout, un petit groupe de recherche hérétique dirigé par Geoffrey Hinton de l'Université de Toronto a continué, parallélisant les algorithmes de fonctionnement des supercalculateurs et en prouvant le concept, mais ce n'est que lorsque les GPU ont été déployés que la promesse a été réalisée. .

Si nous revenons encore à notre exemple de panneau d’arrêt, il est très probable que, si le réseau est mis au point ou «formé», il génère souvent de mauvaises réponses. Ce dont il a besoin, c'est de la formation. Il doit voir des centaines de milliers, voire des millions d'images, jusqu'à ce que la pondération des entrées de neurones soit réglée de manière si précise qu'elle obtienne la réponse exacte pratiquement à chaque fois: brouillard ou pas, brouillard ou soleil. C’est à ce stade que le réseau de neurones s’est enseigné à quoi ressemble un signe d’arrêt; ou le visage de votre mère dans le cas de Facebook; ou un chat, ce que Andrew Ng a fait en 2012 chez Google.

La percée de Ng a consisté à exploiter ces réseaux de neurones et à les rendre énormes, à augmenter le nombre de couches et de neurones, puis à traiter d’énormes quantités de données dans le système. Dans le cas de Ng, c’était des images de 10 millions de vidéos YouTube. Ng a mis le “profond” dans l'apprentissage en profondeur, qui décrit toutes les couches de ces réseaux de neurones.

Aujourd’hui, la reconnaissance d’image par des machines formées via un apprentissage en profondeur dans certains scénarios est meilleure que l’humain, et cela va du chat à l’identification d’indicateurs du cancer dans le sang et des tumeurs lors d’une IRM. AlphaGo de Google a appris le jeu et s’est entraîné pour son match Go – il a réglé son réseau de neurones – en jouant contre lui-même, encore et encore.

Grâce à Deep Learning, AI a un avenir radieux

L'apprentissage en profondeur a permis de nombreuses applications pratiques de l'apprentissage automatique et, par extension, du domaine général de l'IA. L'apprentissage en profondeur décompose les tâches de manière à rendre possibles, voire probables toutes sortes d'assistants. Les voitures sans conducteur, de meilleurs soins de santé préventifs, des recommandations de films encore meilleures, sont tous présents aujourd'hui ou à l’horizon. AI est le présent et le futur. Avec l’aide de Deep learning, AI peut même atteindre l’état de science-fiction que nous imaginions si longtemps. Vous avez un C-3PO, je vais le prendre. Vous pouvez garder votre Terminator.