Donnez un sens au Machine Learning et au Deep Learning

Aujourd'hui, l'intelligence artificielle (IA) est principalement utilisée comme terme générique pour toutes les formes d'intelligence basée sur des calculs. Ce terme peut s'appliquer librement à tout système qui imite l'apprentissage et les processus de prise de décision humains en répondant aux entrées, analysant les données, reconnaissant des motifs ou développant des stratégies. Les expressions machine learning (ML) et deep learning (DL) décrivent mieux la réalité des systèmes de calculs intelligents contemporains et les problèmes qu'ils peuvent résoudre pour les développeurs et les utilisateurs finaux.

Machine Learning comparé au Deep Learning

Les systèmes de pointe d'intelligence informatique ML et DL d'aujourd'hui peuvent ajuster les opérations après une exposition continue aux données et autres entrées. Bien que liées par nature, de subtiles différences séparent ces domaines de la science informatique.

 

Le Machine Learning (ML) fait référence à un système qui peut activement apprendre par lui-même, plutôt que simplement passivement en obtenant des informations à traiter. Le système informatique est codé pour répondre aux entrées tel un humain en utilisant des algorithmes analysant les données à la recherche de motifs ou de structures. Les algorithmes de ML sont conçus pour améliorer leurs performances au fil de temps pendant qu'ils sont exposés à davantage de données.

 

Quand un humain reconnaît quelque chose, la reconnaissance est instantanée. Pour aider à imiter ce processus, les algorithmes de machine learning utilisent des réseaux neuronaux. Tout comme le processus d'apprentissage humain, des calculs en réseau neuronal classifient les données (comme un grand ensemble de photos) sur la base d'éléments reconnus dans l'image. Le taux de succès d'une classification correcte peut s'améliorer au fil du temps grâce à un retour humain « expert » qui aide le système à apprendre et confirmer les distinguer les décisions correctes des décisions incorrectes, en visant une efficacité optimale et une plus grande précision. L'algorithme du réseau neuronal modifie ensuite toutes les futures décisions sur la base du retour reçu. Ce processus imite la reconnaissance humaine en formant le réseau à produire la sortie souhaitée.


1. Un réseau neuronal pourrait dire :

1. Une forme est un élément récurrent
2. Voici les formes possibles :

machine intelligence example 1

2. L'algorithme applique ensuite cet apprentissage aux données en trouvant et catégorisant les éléments définis.

machine intelligence example 2

3. Ce processus peut s'améliorer avec le temps avec l'aide du retour humain. L'algorithme du réseau neuronal modifie ensuite toutes les futures décisions sur la base du retour reçu. Ceci résulte en une collecte des données plus précise.

Par exemple, si un retour humain était que « chaque forme possède de multiples variations », l'algorithme peut organiser les résultats de la manière suivante :

machine intelligence example 3

Par exemple, Google a embauché des photographes professionnels et des documentalistes pour fournir des conseils d'expert afin de former l'algorithme de réseau neuronal de sa caméra intelligente, Clips. Le retour humain a aidé la caméra à devenir intuitivement meilleure non seulement dans les aspects techniques de la photographie numérique, mais également en anticipant des qualités plus abstraites de capture de moments mémorables1

Le Deep Learning (DL) se concentre sur un sous-ensemble du machine learning qui va encore plus loin dans la résolution des problèmes, inspiré par la manière dont le cerveau humain reconnaît et retient les informations sans l'entrée pour guider le processus. Les applications DL doivent accéder à des quantités importantes de données desquelles elles doivent apprendre. Les algorithmes de DL utilisent des réseaux neuronaux profonds pour accéder de vastes ensembles d'informations, les explorer et les analyser – par exemple les fichiers de musique sur Spotify ou Pandora afin de faire des suggestions musicales basées sur les goûts d'un utilisateur spécifique.


1. Un réseau neuronal profond, utilisé par les algorithmes de deep learning, recherchent dans de vastes ensembles d'informations pour son analyse. 

deep learning example 1

2. Lors du traitement de ces informations, le réseau neuronal profond développe de nouvelles classifications comme : 

1. Les formes peuvent avoir différentes couleurs.
2. Les formes peuvent avoir différentes épaisseurs.
3. Il y a 2 000 formes différentes au total.

3. Ceci entraîne des résultats très précis qui continueront à être de plus en plus précis.


Le principal facteur distinctif entre DL et ML est la représentation des données. Dans l'exemple ci-dessus de ML de la caméra Google Clips, la contribution des photographes professionnels était nécessaire pour former le système. Dans un système DL, au contraire, les experts ne sont pas nécessaires pour l'identification précise des éléments. L'entrée – que ce soit une image, un article ou une chanson – est évaluée dans sa version brute ou sous sa forme sans étiquette avec un minimum de transformation. Ce processus de formation non supervisé est parfois appelé apprentissage par représentation. Lors de la formation, l'algorithme de DL apprend progressivement des données et améliore la précision de ses conclusions (également appelé inférence).

 

Exemples d'application actuelles de DL :

  • Conduite autonome : combiner des deep data (cartes, images satellites de trafic, rapports météo, préférences cumulées d'un client), les données temps réel d'un capteur d'environnement (un cerf sur la route, un conducteur qui dévie) et la puissance de calcul prendre des décisions (ralentir, tourner le volant).
  • Domaine médical : recherche contre le cancer, par exemple l'apprentissage pour détecter un mélanome à partir de photos2.
  • Smart Home : enceintes intelligentes utilisant les assistants personnels intelligents et des algorithmes de reconnaissance vocale pour comprendre les demandes verbales d'un utilisateur unique et y répondre.
  • Divertissement : analyse d'une vaste bibliothèque de données de films/ TV (genre, acteurs, réalisateurs, opinions) pour cumuler les goûts et les préférences d'un utilisateur.
  • Restauration : recommandations intuitives d'un restaurant basées sur l'emplacement physique d'un utilisateur, les comptes rendus, la disponibilité des réservations, les préférences définies et les comportements antérieurs.

Smart Jargon : comprendre ML et DL

  • Réseau neuronal : un système informatique inspiré par le cerveau humain et le système nerveux composé de différents nœuds informatiques (appareils de terminaison sur un grand réseau) organisés en couches. Les différentes couches réalisent généralement différents types de calculs sur les données.
  • Réseau neuronal profond : un réseau neuronal multicouche avec de nombreux niveaux masqués qui peuvent accéder à des vastes jeux de données plus complexes que les réseaux neuronaux standard.
  • Formation : le processus de correction et d'ajustement par lequel un algorithme apprend à évaluer les données avec plus de vitesse et de précision. La formation peut être supervisée (avec une contribution humaine) ou non supervisée (en réalisant des corrections automatiques précises basées exclusivement sur les données brutes).
  • Inférence : tirer des conclusions rapides et prédictives selon la combinaison des nouvelles données et de la formation appliquée et cumulative.
  • Représentation : détecter automatiquement les éléments ou classifications depuis les données brutes, ce qui permet à un système d'apprendre et de réaliser des tâches spécifiques.

AMD et le Machine Learning

Les applications intelligentes qui répondent avec des réflexes quasi humains nécessitent une énorme puissance de traitement informatique. Les principales contributions d'AMD aux systèmes de ML et DL se font par la livraison de calculs hautes performances (CPU et GPU) avec un écosystème ouvert pour le développement logiciel. Les applications de ML et DL se basent sur un matériel informatique qui peut prendre en charge les capacités de traitement les plus élevées (vitesse, capacité et organisation) afin de gérer simultanément des jeux de données complexes depuis de multiples flux d'entrée.

Par exemple, dans un scénario de conduite autonome, l'algorithme de DL peut avoir besoin de reconnaître le changement d'un feu de signalisation du vert à l'orange, le mouvement d'un piéton à proximité ou encore l'eau sur la chaussé à la suite d'une averse, parmi diverses variables en temps réel, ainsi que le fonctionnement basique des véhicules. Un conducteur humain formé peut prendre ces réactions coordonnées comme allant de soi. Cependant, pour simuler les capacités du cerveau humain, l'algorithme de conduite autonome a besoin d'un traitement efficace et accéléré afin de prendre ses décisions complexes avec suffisamment de rapidité et de précision pour la sécurité des passagers et des autres personnes aux alentours.

Les performances du matériel AMD et du logiciel associé offrent également de grands avantages lors du processus du développement et des tests pour les systèmes de ML et DL. Aujourd'hui, une plateforme de calcul développée avec les dernières technologies AMD (CPU AMD EPYC™ et GPU Radeon Instinct™) peut développer et tester une nouvelle application intelligente en quelques jours ou semaines, un processus qui prenait auparavant plusieurs années.

La puissance et la liberté pour en faire plus

Le nombre de brevets de machine learning a augmenté de 34 % entre 2013 et 2017.3 Tandis que beaucoup d'efforts sont consacrés dans ce domaine, l'industrie est encore à l'état embryonnaire en ce qui concerne l'aide apportée aux machines pour apprendre plus efficacement à partir de différents types de données. Les systèmes intelligents aux capacités de ML et de DL offrent un potentiel énorme de calcul qui imite les souvenirs humains, la correspondance de motif et l'association de données avec vitesse et précision. Une voie et une plateforme ont été établies et des innovations ne sont plus loin.

Notes
  1. Josh Lovejoy “The UX of AI,” Google Design, January 25, 2018, accessed April 23, 2018.
  2. Susan Scutti, “Automated dermatologist' detects skin cancer with expert accuracy,” CNN, January 26, 2017.
  3. Louis Columbus, “Roundup Of Machine Learning Forecasts And Market Estimates, 2018,” Forbes, February 18, 2018.