Pour mieux comprendre l’évolution des technologies…

Un système de Deep Learning améliore ses performances avec le temps. Nous savons que nous devrons faire équipe avec ces technologies pour survivre. Nous pouvons voir cela comme une menace ou nous pouvons faire de ces technologies des partenaires de création… mais pour co-créer, faut-il d’abord comprendre.

Le fonctionnement de cette méthode (il en existe plusieurs variantes) repose sur une succession d'analyses qui évoluent progressivement : du plus petit au plus grand. Le tout débute par une reconnaissance d'informations simples, le plus souvent visuelles — songez à des ensembles de petits points regroupés les uns avec les autres. Ces points sont assemblés en des contours plus ou moins reconnaissables. Ces contours sont ensuite assemblés en des motifs. Et finalement ces motifs constituent des objets que le système parvient à identifier.

Comment apprend un système de deep learning ?

Un système de Deep Learning doit tout d'abord être accompagné. Son apprentissage se fait avec l'aide d'un être humain en chair et en os qui met à la disposition du système son expertise. Le système doit passer cette étape d'apprentissage s'il veut exécuter lui-même de nouvelles tâches et acquérir de nouvelles compétences.

Lors de cet apprentissage, l'accompagnement humain est parfois impossible. C'est le cas, par exemple, lorsqu'il s'agit de traduire en une série de mots les signaux sonores provenant de la voix humaine car ses intonations, selon le locuteur, peuvent varier à l'infini.

Il faut alors passer du mode « manuel » au mode « automatique ». Le système commence son apprentissage sous supervision. L'accompagnateur indique au système si son identification correspond à la réalité — s'agit-il bien d'un chien sur une image ; ou les mots reconnus sont-ils ceux que le locuteur vient de dire. Ensuite, après avoir rectifié à plusieurs reprises les résultats et ajusté les paramètres, le système est en mesure de généraliser. Il passe en mode automatique. Il est alors en mesure de reconnaître un chien qu'il n'a jamais vu, ou de comprendre les intonations d'une voix qu'il n'a encore jamais entendue.

Reprenons en ajoutant cette fois-ci quelques détails additionnels. Lorsqu'un système de Deep Learning est en opération, deux dispositifs sont à l'oeuvre :

1- un extracteur de caractéristiques ;
2- un classifieur entraînable.

Puisque l'extracteur de caractéristiques est difficile à construire en mode manuel et qu'il doit être repensé pour chaque application, un Deep Learning en mode automatique est mis à contribution. Le processus d'entraînement, en mode automatique, est subdivisé en plusieurs modules.

Pour une application donnée, et pour chaque exemple traité, tous les paramètres de tous les modules sont ajustés de façon à ce que le résultat s'accorde le plus fidèlement possible à la bonne réponse. Il est temps maintenant d'expliquer le qualificatif « Deep » ou « profond ». Il s'explique par le grand nombre de modules successifs : du plus petit détail (la texture du poil, s'il s'agit d'un chien) aux motifs plus complexes (les pattes, le museau, etc.).

À chaque étape, un gradient est calculé. Le gradient mesure l'impact qu'auront les paramètres d'ajustement sur le niveau d'erreur entre le résultat du système et la bonne réponse. On appelle ce dispositif un réseau neuronal multicouches. À l'instar d'un neurone, le système ne soumet son résultat que lorsqu'un certain seuil est franchi.

Le grand avantage du Deep Learning est qu'il permet de construire une représentation hiérarchique du monde et que, par conséquent, il n'est pas nécessaire de concevoir un nouvel extracteur pour chaque application. C'est le système lui-même qui s'en chargera en débutant avec des contours, qui deviendront des motifs, qui à leur tour, constitueront des parties d'objets pour finalement former des objets entiers.

Le Deep Learning est déjà à l'oeuvre autour de nous : les voitures sans chauffeurs, l'imagerie médicale. Pour l'instant, qu'il soit manuel ou automatique, l'apprentissage est supervisé.

Et le « Deep Learning » n'est utilisé que pour l'exécution de tâches spécialisées. Seul l'apprentissage non supervisé ouvrira la voie à une véritable intelligence : l'intelligence de l'homme, des dauphins, des baleines.

Une intelligence qui requiert à la fois une mémoire en évolution, une capacité de planification et de prédiction. Une machine véritablement intelligente sera capable de saisir l'environnement dans lequel elle se trouve, de comprendre ses lois, de connaître les contraintes auxquelles cet environnement est assujetti. Elle devra en « savoir » assez pour expérimenter elle-même, sans être supervisée, et développer ainsi un savoir prédictif de ce qui pourrait se produire si...

L'apprentissage non supervisé est le Graal des chercheurs en intelligence artificielle.

Envie de tenter l’expérience ?

DÉCOUVREZ L’EXERCICE No. 21

Écrire de la poésie ?

Référence

LeCun, Yann. Le « Deep learning », Une révolution en Intelligence artificielle. Collège de France, Leçon Inaugurale, 4 février 2016.