Où en sont l'apprentissage profond et AlphaGo ? Nous explorons les possibilités et l'avenir d'une IA performante, et envisageons les défis à venir.
Apprentissage profond et AlphaGo : l'évolution de l'intelligence artificielle
Mars 2016. À moins de vivre au milieu de nulle part, coupé du reste du monde, vous avez probablement entendu parler d'AlphaGo et de l'intelligence artificielle au moins une fois. Vous les avez probablement recherchés, vous demandant pourquoi tout ce tapage, et entendu les termes « apprentissage profond » et « apprentissage automatique ». Mais combien d'entre nous en savent ne serait-ce qu'un tout petit peu ? La plupart d'entre nous connaissent le nom de quelques mots comme « big data », mais guère plus. Dans cet article, nous examinerons l'histoire et les fondements techniques et théoriques de l'« apprentissage profond », l'un des sujets les plus brûlants de l'intelligence artificielle actuellement, et aborderons brièvement le « réseau Deep Q », fruit de l'imagination des cerveaux profonds à l'origine d'AlphaGo.
Un aperçu et un historique de l'apprentissage profond
Avant d'aborder le deep learning, parlons d'« apprentissage » : l'apprentissage automatique. Selon l'informaticien américain Tom M. Mitchell, l'apprentissage automatique peut être défini comme « l'utilisation de l'expérience acquise lors d'une tâche pour en améliorer la performance ou le résultat ». S'améliorer grâce à l'expérience répétée, c'est précisément l'objectif de l'apprentissage automatique. Tout comme les humains s'améliorent grâce à l'entraînement, l'apprentissage automatique est conçu pour imiter la façon dont les humains « apprennent ».
L'apprentissage profond est un type d'apprentissage automatique basé sur la technologie des réseaux de neurones artificiels. Un réseau de neurones artificiels est un modèle d'intelligence artificielle qui imite un réseau neuronal composé d'un grand nombre de neurones cérébraux, chacun d'eux envoyant et recevant des signaux via des synapses. L'apprentissage profond est conçu avec plusieurs couches dans la structure hiérarchique d'un réseau de neurones artificiels. Ces couches distinguent l'apprentissage profond de l'apprentissage automatique traditionnel. Alors que l'apprentissage automatique traditionnel nécessite l'extraction préalable de caractéristiques de base pour apprendre à partir des données d'entrée et obtenir le résultat souhaité, l'apprentissage profond peut travailler avec des données très basiques (comme les pixels dans le cas d'une image) pour produire un résultat sans extraction de caractéristiques.
L'évolution de l'apprentissage profond et son importance moderne
Le concept d'apprentissage profond, ou réseaux de neurones artificiels, a été évoqué il y a plus de 30 ans. On considère généralement que son origine remonte au Perceptron de Frank Rosenblatt, au milieu des années 1950. Il s'agissait d'un réseau neuronal monocouche compatible avec les modèles linéaires, mais pas avec les modèles non linéaires. Le matériel de l'époque ne permettait pas de suivre le rythme des calculs. Cependant, il a été démontré ultérieurement que les réseaux neuronaux profonds multicouches, comme l'apprentissage profond, pouvaient analyser des modèles non linéaires et résoudre des problèmes tels que le surentraînement, ce qui a suscité un regain d'intérêt.
À l'ère moderne, l'apprentissage profond est devenu l'un des domaines à la croissance la plus rapide, grâce aux avancées significatives réalisées dans le domaine du matériel et du big data. Cela a conduit à des innovations dans de nombreuses applications, notamment les voitures autonomes, la reconnaissance vocale, la reconnaissance d'images, et bien d'autres. Par exemple, les voitures autonomes utilisent l'apprentissage profond pour analyser l'état des routes en temps réel afin de déterminer des itinéraires sûrs. La technologie de reconnaissance vocale utilise également l'apprentissage profond pour reconnaître et comprendre plus précisément la parole humaine. Ces technologies transforment notre quotidien et leur impact devrait continuer de croître à l'avenir.
Réseau Deep Q de Deep Mind
Deep Mind, plus connu sous le nom d'AlphaGo, utilise un algorithme appelé Deep Q Network (DQN) dans son intelligence artificielle. Le DQN combine réseaux de neurones profonds et apprentissage par renforcement. La théorie de l'apprentissage par renforcement est similaire à la théorie de l'utilité en économie, qui stipule que le comportement rationnel consiste à calculer l'utilité de chaque objet et à choisir celui qui a la valeur d'utilité la plus élevée. Cependant, lorsque le comportement change suite à l'apprentissage, cela signifie que les valeurs d'utilité changent. La théorie de l'apprentissage par renforcement est une théorie qui clarifie l'évolution des valeurs d'utilité avec l'expérience. Elle remplace simplement le terme « utilité » par « fonction de valeur ».
L'avantage de DQN réside dans sa capacité à traiter des informations très simples et à exceller dans la plupart des tâches compétitives ou difficiles. Deep Mind l'a démontré en l'appliquant à des jeux classiques sur Atari 2600 : dans le cas d'un jeu de casse-blocs, les seules informations fournies étaient le score et l'écran. Au début, la machine n'était pas très performante, mais elle a progressivement obtenu de meilleurs scores, et a fini par apprendre à les améliorer toute seule.
L'avenir de l'apprentissage profond et notre rôle
Jusqu'à présent, nous avons abordé l'histoire de l'apprentissage profond, ses fondements théoriques et le réseau Deep Q de Deep Mind. Le fait qu'il soit plus facile d'alimenter les données que n'importe quel autre apprentissage automatique du passé tout en produisant d'excellents résultats est ce qui rend l'apprentissage profond si passionnant aujourd'hui. Certains voient dans l'apprentissage profond le potentiel d'une « intelligence artificielle forte », qui représente une avancée par rapport à l'état actuel de l'intelligence artificielle et surpasse l'humain en tous points. En fait, il l'a déjà surpassé dans certains domaines.
L'ère de l'IA approche à grands pas. À l'heure actuelle, il est plus important que jamais de se renseigner sur l'IA et de se demander ce que l'on devrait faire à cette époque. L'IA impactant notre quotidien et nos industries dans tous les domaines, nous devons suivre les avancées technologiques, mais aussi réfléchir aux enjeux éthiques et sociaux qui en découlent. Par exemple, certains craignent que les progrès de l'IA n'entraînent des pertes d'emplois. Le défi pour nous sera de trouver comment gérer cette situation et de trouver des solutions pour coexister avec l'IA.
