[deep learning] les algorithmes prennent des décisions en s'entraînant à reconnaître des modèles profondément enfouis et des corrélations reliant des données dispersées

Alors comment l'apprentissage approfondi (deep learning) fait-il cela ? Fondamentalement, ces algorithmes utilisent des quantités massives de données provenant d'un domaine spécifique pour prendre une décision qui optimise un résultat souhaité. Pour ce faire, ils s'entraînent à reconnaître des modèles et des corrélations profondément enfouis reliant les nombreux points de données au résultat souhaité. Ce processus de recherche de modèles est plus facile lorsque les données sont étiquetées avec ce résultat souhaité – « chat » contre « pas un chat » ; « a cliqué » contre « n'a pas cliqué » ; « a gagné la partie » contre « a perdu la partie ». Elle peut alors s'appuyer sur sa connaissance approfondie de ces corrélations - dont beaucoup sont invisibles ou sans intérêt pour les observateurs humains - pour prendre de meilleures décisions qu'un humain ne pourrait le faire. Pour ce faire, il faut des quantités massives de données pertinentes, un algorithme solide, un domaine restreint et un objectif concret. Si l'un de ces éléments vous fait défaut, tout s'écroule. Trop peu de données ? L'algorithme n'a pas assez d'exemples pour découvrir des corrélations significatives. Un objectif trop vaste ? L'algorithme manque de repères clairs pour l'optimisation. L'apprentissage approfondi est ce qu'on appelle l'intelligence artificielle étroite (narrow AI), qui prend les données d'un domaine spécifique et les applique à l'optimisation d'un résultat spécifique. Bien qu'elle soit impressionnante, elle est encore loin de l' « IA générale », la technologie polyvalente qui peut faire tout ce qu'un humain peut faire. L'application la plus naturelle de l'apprentissage approfondi se trouve dans des domaines comme les assurances et les prêts. Les données pertinentes sur les emprunteurs sont abondantes (cote de crédit, revenus, utilisation récente d'une carte de crédit), et l'objectif d'optimisation est clair (minimiser les taux de défaillance). Si l'on va plus loin, l'apprentissage approfondi permettra aux automobilistes de « voir » le monde qui les entoure, de reconnaître les motifs dans les pixels de l'appareil de prise de vue (octogones rouges), de déterminer à quoi ils correspondent (panneaux d'arrêt) et d'utiliser ces informations pour prendre des décisions (appliquer une pression sur le frein pour s'arrêter lentement) qui optimisent le résultat souhaité (me ramener chez moi en toute sécurité en un minimum de temps). Les gens sont si enthousiastes à propos de l'apprentissage approfondi précisément parce que son pouvoir principal - sa capacité à reconnaître un modèle, à optimiser pour un résultat spécifique, à prendre une décision - peut être appliqué à tant de types différents de problèmes quotidiens.