Le deep learning – ou apprentissage profond – est une branche du machine learning – ou apprentissage automatique – faisant appel à des réseaux de neurones dits “profonds” car ils contiennent plusieurs couches de neurones intermédiaires (ou cachées).
Fonctionnement du Deep Learning
On peut en schématiser le fonctionnement comme suit :
- la couche d’entrée reçoit les données à analyser ;
- les couches intermédiaires sont chargées d’interpréter les données d’entrée, sans communiquer avec l’extérieur (c’est pourquoi on les appelle également couches cachées) : chaque couche intermédiaire reçoit un signal de la couche précédente et en transmet un vers la couche suivante ;
- la couche de sortie fait la synthèse des données telles que traitées par les couches intermédiaires, et calcule la valeur de sortie.
L’apprentissage des réseaux de neurones profonds peut être supervisé, semi-supervisé ou non supervisé.
Avantage du Deep Learning
L’un des principaux avantages des modèles de deep learning tient à ce qu’ils procèdent eux-mêmes à l’extraction des caractéristiques des données qui leur sont soumises. Si par exemple on soumet une banque d’images d’éléphants à un modèle de deep learning, il ne sera pas nécessaire de lui indiquer à quelles caractéristiques il pourra reconnaître un éléphant (trompe, défenses, oreilles…) : l’algorithme apprendra de lui-même à identifier les caractéristiques lui permettant de reconnaître l’animal en question. Il commencera par exemple par identifier le contour de petites parties de l’image, qu’il regroupera en ensembles (trompe, défenses, etc.) d’un niveau de plus en plus haut, jusqu’à pouvoir identifier un éléphant.
CC BY-SA 4.0 - Sven Behnke
L’une des applications les plus connues de l’apprentissage profond est l’intelligence artificielle générative.
Pour en savoir plus sur l'IA et le Product Management : télécharger notre bibliothèque de prompts
