Le Deep Learning : définition, histoire et cas d'usage

Le Deep Learning ou apprentissage profond est une sous branche du Machine Learning qui repose sur un empilement de couches de réseaux de neurones. L’objectif du deep learning est d’être capable d’imiter les actions du cerveau humain à l’aide de réseaux de neurones artificielles. Plus le réseau contient de couches et de neurones, plus le modèle va avoir de l’expressivité, ce qui lui permet de comprendre des concepts plus complexes et de mieux s’adapter à la réalité.

L’histoire du Deep Learning

En 1943 apparait le premier modèle de “neurone formel” proposé par Warren McCulloch et Walter Pitts. Il s’agit d’un neurone binaire, la sortie étant équivalente à 0 ou 1. C’est la première représentation informatique de cerveau humain. Puis c’est avec le “perceptron” en 1957 que l’on commence à parler de “réseau de neurones artificiels”.

Ensuite vient l’hiver de l’IA et il faudra attendre les années 1980 pour observer des progrès remarquables comme le “perceptron multicouche”. Le terme “deep learning” voit le jour grâce aux travaux du chercheur français Yann LeCun et à sa technique des réseaux de neurones convolutifs (réseaux de neurones inspirés par le cortex visuel des animaux). Mais le problème de ces nouveaux réseaux de neurones est la trop grande puissance de calcul nécessaire pour entrainer les modèles. La technologie sera donc délaissée.

C’est en 2012, à l’occasion du concours ImageNet Large Scale Visual Recognition Challenge, un défi de recherches informatiques organisé par l’université de Stanford, que le deep learning fait son grand retour, grâce au programme vainqueur qui s'appuie sur des techniques d’apprentissages profonds.

Aujourd’hui, la majorité des entreprises utilisant le machine learning s’appuie sur des techniques de deep learning, quel que soit le domaine : images, texte, audio, etc.

Le Deep Learning

La particularité de l’apprentissage profond repose dans la façon dont sont disposés les neurones et dont ils interagissent entre eux. Dans le cadre du deep learning, les neurones sont disposés en couches, reliées entre elles par des liaisons. Il peut y avoir des dizaines, voire des centaines de couches, chacune recevant et interprétant les informations de la couche précédente. Cet empilement permet d’atteindre des niveaux de complexité de l’information très élevés au fur et à mesure des couches, ce qui permet au modèle d’apprendre seul à partir des données fournies pendant l’entraînement.

C’est ici que réside la plus grande spécificité du deep learning: le réseau de neurones est capable d’apprendre de lui-même des tâches avancées, simplement en étudiant des exemples annotés sur lesquels il peut s’entraîner. Par exemple, pour reconnaître un chien d’un chat, le modèle va chercher à identifier des éléments sur les images permettant de différencier les deux animaux, en faisant évoluer ses couches de neurones pour apprendre petit à petit à les caractériser complètement.

A. Les outils du Deep Learning 

Il est possible de différencier 2 environnements distincts dans la création d’applications de Deep Learning :

• L'environnement de développement qui permet de créer et d’itérer sur les modèles de traitement de données, les réseaux de neurones. Pour cette phase, les entraînements des modèles peuvent se faire en local sur des petites machines, et les Data Scientists ont souvent recourt à des notebooks pour pouvoir itérer plus rapidement avec les frameworks de Deep Learning (Tensorflow, Pytorch)
• L'environnement de production qui permet de passer à l’échelle vos modèles de deep learning. Des technologies cloud comme AWS, GCP ou Azure sont utilisées pour industrialiser vos solutions et avoir de la puissance de calcul. D’autres outils liés au big data donnent la possibilité d’optimiser et de faciliter le traitement de grandes quantités de données, comme Spark ou DataBricks.
  
  
  

B. Application du Deep Learning

Il existe différents types de réseaux de neurones qui s’utilisent en fonction du cas d’usage :

Le NLP
Le Natural language processing ou traitement automatique des langues permet aux machines de comprendre, traduire ou générer du langage humain parlé ou écrit. Le NLP a maintenant beaucoup d’applications, notamment pour les systèmes de traduction (Google Translate, DeepL) ou pour les assistants vocaux (Siri, Alexa).

La Computer Vision
La Computer Vision permet aux machines de reconnaitre, identifier et classer des images. La vision par ordinateur est l’équivalent, en terme d’IA, des yeux humains et de la capacité de notre cerveau à traiter et à analyser les images perçues. Les grandes entreprises investissent de plus en plus dans des applications de computer vision comme Tesla qui base sa conduite autonome entièrement sur des caméras plutôt que d’utiliser des capteurs électroniques.

C. Cas d'usages du Deep Learning 

Aujourd'hui, les cas d’usage du deep learning sont multiples. Voici 2 solutions développées par Sicara pour répondre aux différentes problématiques des entreprises.

1.  API Prédictive 
   
   Pour une grande marque retail, nous avons développé un POC d’API prédictive permettant d’inférer le niveau de rides d’une personne à partir de sa photo.
   
2. Facturation Automatique 
   
   Pour un acteur industriel de la restauration d’entreprise, nous avons construit une application de facturation automatique des plateaux repas en utilisant des algorithmes qui sont à l’état de l’art de la recherche en reconnaissance visuelle.
   

Si vous aussi, vous avez un projet de Deep Learning ou des questions sur les différents cas d’usages, n’hésitez pas à nous contacter, nos équipes seront ravies de vous accompagner dans le développement de solutions complexes !