Deep learning : définition de l'apprentissage profond

Le deep learning, ou « apprentissage profond », est une méthode d'apprentissage automatique qui utilise des réseaux de neurones artificiels composés de nombreuses couches successives. Chaque couche transforme un peu plus les données, ce qui permet au modèle de repérer des formes de plus en plus complexes.

La Commission nationale de l'informatique et des libertés (CNIL) le définit comme une méthode d'apprentissage automatique « utilisant des réseaux de neurones possédant plusieurs couches de neurones cachées ». Le Journal officiel du 09/12/2018, qui recommande le terme « apprentissage profond », précise que chaque couche correspond à un niveau croissant de complexité dans le traitement et l'interprétation des données.

Une image du quotidien

Pensez à une chaîne de tri du courrier dans un grand centre postal. Le premier poste sépare lettres et colis. Le suivant trie par département, puis par ville, puis par rue, puis par numéro. Aucun poste ne fait tout, mais l'enchaînement aboutit à un tri très fin. Dans l'apprentissage profond, chaque couche du réseau joue le rôle d'un poste : les premières repèrent des éléments simples (des contours dans une image, des morceaux de mots dans un texte), les suivantes assemblent ces éléments en notions plus riches.

Un exemple concret

Prenons une entreprise du bâtiment qui photographie ses chantiers. Un modèle d'apprentissage profond peut repérer automatiquement, sur les photos, la présence d'un échafaudage ou d'un casque. Le Journal officiel cite justement la détection automatique d'objets dans les images et la traduction automatique comme usages courants. Les assistants qui rédigent du texte reposent eux aussi sur l'apprentissage profond.

Ce que ça change pour une entreprise

• C'est la technique derrière la plupart des outils d'intelligence artificielle (IA) récents : reconnaissance de la parole, traduction, assistants de rédaction.
• Elle demande beaucoup de données et de calcul : la CNIL note que ces modèles ont un très grand nombre de paramètres, d'où des besoins en données très importants. Une petite entreprise entraîne rarement son propre modèle ; elle utilise ou adapte un modèle existant.
• Ses décisions sont difficiles à expliquer : le raisonnement est réparti dans un très grand nombre de réglages, ce qui complique les vérifications.

Termes voisins

• Apprentissage automatique : la famille dont fait partie l'apprentissage profond.
• Réseau de neurones : la structure utilisée.
• Transformer : une architecture d'apprentissage profond devenue centrale pour le langage.
• IA générative : l'une de ses applications les plus visibles.