La prochaine nouveauté technologique est l'apprentissage automatique . Ou est-ce un apprentissage en profondeur ? C'est peut-être de l'intelligence artificielle . Si vous vous retrouvez empêtré dans les différences entre les trois, vous n'êtes pas seul.
Ne laissant jamais passer une occasion de générer du battage médiatique et de gagner de l'argent en capital-risque, certaines entreprises technologiques utilisent les trois de manière interchangeable. Bien qu'ils relèvent tous du même large parapluie, il existe des différences cruciales entre eux.
L'intelligence artificielle, communément appelée IA, est un concept plutôt qu'un système. L'intelligence est perçue comme un trait uniquement humain. Traditionnellement, on pensait que les machines acquéraient des connaissances, mais pas l'intelligence ou la sagesse. L'informaticien Alan Turing a passé une grande partie de la dernière partie de sa vie à se demander si les machines pouvaient penser.
Il a conçu le test de Turing qui vise à déterminer si une machine peut présenter un comportement intelligent plutôt que d'être nécessairement intelligente. Il s'agit d'une distinction importante car nous ne comprenons toujours pas complètement la pensée ou l'intelligence nous-mêmes.
Au lieu d'essayer de définir l'intelligence, nous espérons créer des machines capables de présenter des comportements intelligents.
Plutôt que d'être une technologie en soi, l'IA est un moyen de décrire des systèmes. Ces systèmes peuvent être étiquetés comme Narrow AI et General AI. L'IA étroite est un système intelligent mais uniquement pour une tâche spécifique. L'IA générale est le type que nous connaissons le mieux dans la culture pop.
Ces types de systèmes seraient capables d'afficher tous les éléments de l'intelligence humaine. Skynet de la franchise cinématographique Terminator, ou HAL de 2001 :l'Odyssée de l'espace sont des exemples fictifs d'IA générale. Bien que, malgré ce que les films vous disent, tous les systèmes d'IA générale ne seraient pas là pour détruire l'humanité.
Nous savons tous que les données peuvent être utiles. Qu'il s'agisse de savoir quel itinéraire emprunter pour se rendre au bureau ou de garder un œil sur notre santé, les données éclairent nos décisions et nous guident tout au long de la vie. Mais nous en générons tellement chaque jour qu'il est devenu impossible pour nous, humains, d'analyser.
Donc, nous devrions faire en sorte que des machines fassent le gros du travail à notre place.
Le cours d'apprentissage automatique de Google résume l'apprentissage automatique comme "l'utilisation de données pour répondre à des questions". Ils le décomposent en deux parties :l'entraînement et les prévisions. Imaginez que vous ayez une collection d'images présentant des formes que vous vouliez reconnaître. Si les images sont introduites dans l'algorithme d'apprentissage automatique, le système commence à apprendre les caractéristiques de cette forme.
Lorsqu'il rencontre une nouvelle image, la forme est comparée aux éléments des données d'entraînement pour déterminer s'il s'agit d'une correspondance.
Bien que vous ne le reconnaissiez peut-être pas, les résultats de recherche personnalisés, les listes de lecture Spotify et les recommandations de produits Amazon sont également le résultat de l'apprentissage automatique. Netflix utilise même des algorithmes d'apprentissage automatique pour personnaliser la pochette qui vous est présentée.
Bien que nous ne comprenions pas complètement l'intelligence, les scientifiques ont réussi à montrer que le cerveau génère des informations via un réseau complexe de neurones. Notre cerveau est constitué de ces connexions électriques qui forment des voies neuronales. Ces voies transportent des informations autour de notre corps nous permettant de bouger, de respirer et de penser.
Cependant, si chacune de ces voies neuronales était indépendante les unes des autres, nos temps de réaction seraient incroyablement lents et nous pourrions ne pas être en mesure d'établir des liens entre les pensées. Le succès du système tient à la relation entre toutes ces voies, donnant lieu à un traitement simultané des données.
L'apprentissage en profondeur est une méthode de réplication de ce réseau dense de neurones. En gérant plusieurs flux de données à la fois, les ordinateurs ont pu réduire considérablement le temps nécessaire au traitement des données. L'application de cette technique à l'apprentissage en profondeur a donné naissance à des réseaux de neurones artificiels.
Ces réseaux sont constitués d'une série de nœuds. Il existe des nœuds d'entrée pour recevoir des données, des nœuds de sortie pour les données résultantes et des couches cachées de nœuds au milieu. L'objectif est de transformer les données d'entrée en quelque chose que les nœuds de sortie peuvent utiliser. C'est là qu'interviennent les couches cachées. Au fur et à mesure que les données progressent à travers ces nœuds cachés, le réseau de neurones utilise la logique pour décider à quel nœud passer les données ensuite.
Bien que l'apprentissage automatique soit un outil puissant qui nous aide à donner un sens aux vastes quantités de données que nous créons, il ne fait pas preuve d'indépendance de pensée. L'algorithme est conçu par des programmeurs, et ils définissent les règles que le système d'apprentissage automatique doit respecter. Les préjugés des développeurs, qu'ils soient conscients ou non, ont des ramifications.
L'un des premiers revers importants pour l'apprentissage automatique est venu avec l'aimable autorisation de l'un des ingénieurs de Google. En 2015, il a remarqué que l'algorithme d'identification photo de l'entreprise le qualifiait, lui et ses amis noirs, de gorilles. Google s'est immédiatement excusé et a mis en place des correctifs à court terme.
Cependant, deux ans plus tard, WIRED a signalé que la solution de Google consistait à supprimer complètement les gorilles des données d'entraînement.
D'autre part, l'apprentissage en profondeur nous rapproche de l'intelligence artificielle générale. En tentant de reproduire l'esprit humain à travers une collection de nœuds multicouches, les structures d'apprentissage en profondeur n'ont pas besoin d'être formées avec un grand ensemble de données initial. Ils prennent des décisions en fonction des informations fournies et de la logique du système.
Que la prise de décision d'un réseau neutre ne soit pas transparente peut sembler énervant, mais cela signifie qu'il réussit à reproduire l'intelligence humaine. Par exemple, nous ne comprenons même pas complètement comment nous arrivons à nos propres pensées et décisions.
En fin de compte, il n'est pas nécessaire de comparer l'apprentissage automatique à l'IA, ou l'apprentissage en profondeur à l'apprentissage automatique, car ils ont tous des objectifs différents. L'IA décrit le concept d'intelligence de type humain dans les machines, tandis que l'apprentissage automatique et l'apprentissage en profondeur sont des efforts visant à créer une IA générale.
Cela ne veut pas dire que le domaine de l'IA est entièrement abstrait. Google utilise ses énormes ensembles de données en ajoutant l'IA à presque tous ses produits. Gmail a récemment été réorganisé avec Smart Replies, tandis que l'IA Duplex de la société se déploie à travers les États-Unis et peut gérer les appels téléphoniques en votre nom. Mais ils ne sont pas les seuls à pouvoir se lancer dans le jeu de l'IA.
Vous pouvez l'essayer par vous-même dès maintenant avec les expériences d'IA en ligne de Google.
Crédit image :sdecoret/Depositphotos
