Qu’est-ce que le Deep Learning ?

Qu’est-ce que le Deep Learning ?

Le Deep Learning est une méthode de Machine Learning qui consiste à enseigner à des ordinateurs ce dont les humains sont naturellement capables : appr

Comment l’IoT va changer l’usinage CNC
Définition de l’exploration de données Data Mining
La régression linéaire

Le Deep Learning est une méthode de Machine Learning qui consiste à enseigner à des ordinateurs ce dont les humains sont naturellement capables : apprendre par l’exemple. Il s’agit d’une technologie essentielle au fonctionnement des voitures autonomes, car elle leur permet, par exemple, de reconnaître un panneau stop ou de différencier un piéton d’un lampadaire. C’est également sur ce principe que se basent les systèmes de commande vocale des appareils grand public, tels que les téléphones, les tablettes, les téléviseurs ou les haut-parleurs mains libres. Ces derniers temps, le Deep Learning attire beaucoup l’attention, et pour cause : il obtient des résultats auparavant irréalisables.

Le Deep Learning apprend à un modèle informatique comment réaliser des tâches de classification directement à partir d’images, de textes ou d’audio. Les modèles de Deep Learning peuvent atteindre un niveau de précision exceptionnel, parfois supérieur aux performances humaines. L’entraînement des modèles s’effectue via un vaste ensemble de données labellisées et d’architectures de réseaux de neurones qui contiennent de nombreuses couches.

Pourquoi le Deep Learning est important

Comment le Deep Learning obtient-il des résultats si impressionnants ?

Grâce à un seul principe : la précision. Les niveaux de précision de reconnaissance du Deep Learning n’ont jamais été aussi élevés. Les produits électroniques grand public peuvent ainsi répondre aux attentes client, ce qui est vital pour les applications où prime la sécurité, comme c’est le cas pour les véhicules autonomes. Des progrès récents ont amélioré le Deep Learning à tel point qu’il surpasse désormais les capacités humaines dans la réalisation de certaines tâches, telles que la classification d’objets dans des images.

Alors que les premières théories concernant le Deep Learning remontent aux années 1980, ce n’est que récemment qu’il est devenu exploitable. En voici les raisons :

Le Deep Learning nécessite un vaste jeu de données labellisées. Le développement de voitures autonomes s’appuie par exemple sur des millions d’images et des milliers d’heures de vidéo.

Le Deep Learning exige une puissance de calcul considérable. Les GPU haute performance sont dotés d’une architecture parallèle, qui est efficace pour le Deep Learning. Lorsque l’on y associe des clusters ou du cloud computing, il devient possible pour les équipes de développement de réduire la durée d’entraînement de réseaux de Deep Learning, de plusieurs semaines à quelques heures ou moins.

Exemples d’application de Deep Learning

Des applications de Deep Learning sont utilisées dans divers secteurs, de la conduite automatisée aux dispositifs médicaux.

Conduite automatisée : Les chercheurs du secteur automobile ont recours au Deep Learning pour détecter automatiquement des objets tels que les panneaux stop et les feux de circulation. Le Deep Learning est également utilisé pour détecter les piétons, évitant ainsi nombre d’accidents.

Aérospatiale et défense : Le Deep Learning sert à identifier des objets à partir de satellites utilisés pour localiser des zones d’intérêt et identifier quels secteurs sont sûrs ou dangereux pour les troupes au sol.

Recherche médicale : À l’aide du Deep Learning, les chercheurs en cancérologie peuvent dépister automatiquement les cellules cancéreuses. Des équipes de l’Université de Californie à Los Angeles (UCLA) ont conçu un microscope qui génère un ensemble de données de grande dimension afin d’entraîner une application de Deep Learning à identifier avec précision des cellules cancéreuses.

Automatisation industrielle : Le Deep Learning participe à l’amélioration de la sécurité des employés travaillant à proximité d’équipements lourds, en détectant automatiquement les situations dans lesquelles la distance de sécurité qui sépare le personnel ou les objets des machines est insuffisante.

Électronique : Le Deep Learning est utilisé pour la reconnaissance audio et vocale. Par exemple, les appareils d’assistance à domicile qui répondent à votre voix et connaissent vos préférences fonctionnent grâce à des applications de Deep Learning.

Fonctionnement du Deep Learning

La plupart des méthodes de Deep Learning utilisent des architectures de réseaux de neurones, ce qui explique pourquoi il est souvent question de réseaux de neurones profonds pour désigner des modèles de Deep Learning.

Le terme « profond » se rapporte généralement au nombre de couches cachées du réseau de neurones. Les réseaux de neurones classiques ne comportent que 2 à 3 couches cachées, tandis que les réseaux profonds peuvent en compter jusqu’à 150.

L’entraînement des modèles s’effectue à l’aide de vastes ensembles de données labellisées et d’architectures de réseaux de neurones qui apprennent des caractéristiques directement depuis les données, sans avoir à effectuer une extraction manuelle.

Figure 1 : Les réseaux de neurones sont organisés en couches constituées d’un ensemble de nœuds interconnectés. Les réseaux peuvent être composés de plusieurs dizaines, voire plusieurs centaines de couches cachées.

Un des types de réseaux de neurones profonds le plus répandu est le réseau de neurones à convolution (CNN ou ConvNet). Un CNN convolue les caractéristiques apprises avec les données d’entrée, et utilise des couches à convolution 2D. Cette architecture est donc parfaitement adaptée au traitement des données 2D telles que les images.

Les réseaux de neurones à convolution éliminent la nécessité d’effectuer une extraction de caractéristiques manuelle, ce qui vous libère de la tâche d’identification des caractéristiques utilisées pour classer des images. Un réseau de neurones à convolution extrait des caractéristiques directement depuis des images. Les caractéristiques utilisées ne sont pas pré-entraînées : le réseau les apprend lui-même en s’entraînant sur des images. Cette extraction automatisée des caractéristiques permet aux modèles de Deep Learning d’atteindre un taux de précision particulièrement élevé pour les tâches de vision par ordinateur telles que la classification d’objets.

Les réseaux de neurones à convolution s’appuient sur plusieurs dizaines, voire plusieurs centaines de couches cachées pour apprendre à identifier les caractéristiques d’une image. La complexité des caractéristiques apprises augmente avec le nombre de couches cachées du réseau. La première couche cachée peut par exemple apprendre à détecter les contours de l’image, tandis que la dernière apprend à détecter des formes plus complexes spécialement adaptées à la forme de l’objet que l’on vise à reconnaître.

 

COMMENTS