Depuis une dizaine d’années, l’envol considérable de l’intelligence artificielle a eu des effets spectaculaires sur plusieurs domaines. Aujourd’hui, ce développement bouleverse tous les autres aspects de notre monde. E-santé, véhicules autonomes, cybersécurité, ou encore le nouveau paradigme du «Metaverse», pour ne citer que ces quelques exemples.

En chef de file de cet épanouissement se trouve l’apprentissage profond ou Deep learning (DL). De quoi s’agit-il ? L’apprentissage profond repose sur le traitement de quantités massives de données, et ce grâce à des réseaux de neurones artificiels dont la structure imite celle du cerveau humain. Ces réseaux sont composés de centaines de couchesde neurones, chacune recevant et interprétant les informations de la couche précédente.

Plus le nombre de neurones est élevé, plus le réseau est dit profond. C’est grâce à cette technologie que le modèle Alpha Go de Google a réussi à battre les meilleurs champions de Go en 2016. Avec environ 5,4 milliards de recherches par jour, le moteur de recherche du géant américain est luimême de plus en plus basé sur l’apprentissage par Deep learning plutôt que sur des lignes de code.

Selon Analytics Insight, le marché mondial du Deep learning devrait passer de 12,3 milliards de dollars américains en 2020 à 60,5 milliards de dollars américains d'ici 2025 à un taux de croissance annuel composé (TCAC) de 37,5% entre 2020 et 2025. Si la taille du marché augmente d'année en année, cela est en grande partie dû à tout l'argent injecté dans cette industrie par les plus grandes entreprises du monde. Ainsi, «l'investissement réalisé dans l'IA par l'ensemble des entreprises privées en 2021 est de 93,5 milliards de dollars», a révélé l'institut for Human-Centered Arificial Intelligence de l'Université de Stanford (Stanford HAI). Un résultat qui a doublé par rapport aux chiffres de 2020. «C’est une approche révolutionnaire de l'IA qui a permis aux ordinateurs d'apprendre de l'expérience et de comprendre le monde d'une manière qui n'était pas possible auparavant», souligne Mehdi Mansori, expert en PHP.

En raison de ses défis liés à la taille et à la diversité des données, des experts en IA comme Geoffrey Hinton, Yoshua Bengio, Yann LeCun qui ont reçu le prix Turing pour leurs travaux sur l'apprentissage profond, suggèrent de nouvelles méthodes pour améliorer les solutions d'apprentissage profond. Ces méthodes incluent l'introduction du raisonnement ou des connaissances préalables à l'apprentissage en profondeur, l'apprentissage auto-supervisé, les réseaux de capsules.

Un réseau neuronal complexe

«Le Deep learning ressemble aux neurones à l'intérieur d'un cerveau humain. Il est plutôt plus complexe que l'apprentissage automatique car il utilise des réseaux de neurones profonds. Dans ce cas, les machines appliquent la technique de plusieurs couches pour apprendre. Le réseau se compose d'une couche d'entrée pour accepter les entrées des données et d'une couche cachée pour trouver les entités cachées. Enfin, la couche de sortie fournit les informations finales… De la même manière que nous apprenons de l'expérience, l'algorithme DL effectuerait une tâche à plusieurs reprises, en l'ajustant un peu à chaque fois pour améliorer le résultat», détaille notre expert. Avec l'intérêt croissant pour l'apprentissage en profondeur de la part du grand public ainsi que des communautés de développeurs et de chercheurs, il pourrait y avoir des percées dans le domaine. Actuellement estimée à 2,6 quintillions d'octets, la quantité de données produites par l’homme chaque jour est stupéfiante et c'est la ressource qui rend l'apprentissage en profondeur aussi performant.