Différences entre IA, Machine Learning (ML) et Deep Learning (DL)
By Paul Claret
5 minutes read - 09/12/24
Aujourd’hui, on entend parler partout d’intelligence artificielle (IA), de Machine Learning (ML) et de Deep Learning (DL). Ces termes sont parfois utilisés comme s’ils signifiaient la même chose. Pourtant, ils désignent des concepts différents, même s’ils sont étroitement liés. Alors, c’est quoi la différence ? Voici une explication claire et accessible pour démêler tout ça.
Une vue d’ensemble : IA, ML, et DL en contexte
Voici une définition rapide pour situer les choses :
- IA : Le concept général de créer des machines intelligentes.
- ML : Une sous-catégorie de l’IA où les machines apprennent à partir de données.
- DL : Une sous-catégorie du ML qui utilise des réseaux de neurones complexes pour résoudre des problèmes encore plus avancés.
Ajourd’hui, les plus grandes avancés se font du côté du deeplearning. Cela ne veut pas dire que les autres applicaitons du machine learning ne valent rien et ne devrai pas être vu. D’ailleur dans mon cours roadmap AI, nous allons en étudier les plus importants et vous verrez qu’à eux seuls, ils peuvent déjà résoudre des problèmes complexes. Mais si vous n’y connaissez encore rien et que vous voulez un jour créer une IA aussi impressionante que ChatGPT… ne vous inquieter pas on va voir tout ça ensemble dans ma roadmap.
L’Intelligence Artificielle (IA)
C’est quoi l’IA ?
L’IA, c’est le domaine global qui vise à faire en sorte que les machines imitent des comportements humains comme apprendre, comprendre, ou raisonner. Cela inclut des systèmes très simples comme des règles programmées (“si A alors B”) et des systèmes très avancés comme GPT ou les voitures autonomes.
L’IA classique
Avant que le ML ne devienne dominant, l’IA fonctionnait surtout avec des règles explicites définies par les programmeurs. Par exemple :
- Exemple basique : Un programme qui joue aux échecs en suivant des stratégies codées à l’avance.
- Limite : Ces systèmes sont rigides et ne peuvent pas “apprendre” de nouvelles situations.
Le Machine Learning (ML)
C’est quoi le ML ?
Le Machine Learning, ou apprentissage automatique, est un sous-domaine de l’IA où l’objectif est que les machines apprennent à partir de données. Ici, pas besoin de programmer chaque règle : on donne à l’algorithme des exemples, et il trouve lui-même des patterns pour faire des prédictions.
Exemple :
Imaginons qu’on veut prédire si un email est un spam ou non. On entraîne
un modèle avec des milliers d’exemples d’emails classés comme “spam” ou
“non spam”. Le modèle analyse les données et découvre des critères
(comme certains mots-clés) pour classer les futurs emails.
Les types de ML
- Apprentissage supervisé : On donne au modèle des données avec des labels (par exemple, des photos avec “chat” ou “chien”).
- Apprentissage non supervisé : Le modèle essaie de trouver des groupes ou patterns dans les données sans labels (comme le clustering).
- Apprentissage par renforcement : L’algorithme apprend en interagissant avec un environnement, récompensé ou puni selon ses actions (comme les jeux vidéo ou les robots).
Le Deep Learning (DL)
C’est quoi le DeepLearning ?
Le Deep Learning est une extension du Machine Learning, mais il se concentre sur des modèles inspirés du fonctionnement du cerveau humain : les réseaux de neurones artificiels. Ces modèles peuvent être très simples (quelques couches de neurones) ou extrêmement complexes (des centaines de couches).
Petite précision importante à propos des réseaux de neurones sous cette représentation. Dans ce cours, je vais l’utiliser et elle est très bien pour comprendre le concept à haut niveau mais ne vous reposez pas trop dessus pour comprendre le reste du cours. Revoyez plutôt les maths de niveau lycée et les matrice. Parce que ce que vous voyez au dessus en réalité, c’est ça:
Ce qui distingue le DL, c’est sa capacité à apprendre automatiquement les caractéristiques importantes des données. Contrairement au ML classique, où il faut souvent extraire ces caractéristiques manuellement, le DL fait tout tout seul.
Exemple :
Pour reconnaître des visages dans des photos, un modèle de Deep Learning
apprendra lui-même des caractéristiques comme les contours des yeux, le
nez, ou la bouche à partir des images brutes, sans qu’on lui dise quoi
chercher.
Différences clés entre IA, ML et DL
| Aspect | IA | ML | DL |
|---|---|---|---|
| Définition | Concept général de machines intelligentes | Apprentissage à partir de données | Apprentissage à l’aide de réseaux profonds |
| Exemple | Un chatbot basique | Classifier des emails en spam ou non spam | Reconnaissance faciale automatique |
| Données nécessaires | Parfois aucune (règles codées) | Dépend du volume mais souvent modéré | Besoin de très grandes quantités de données |
| Complexité | Variable (facile - ultra complexe) | Moyenne | Élevée (mais tout à fait accesible à tous 😄) |
| Puissance de calcul | Modérée | Moyenne | Très élevée (GPU, TPU indispensables) |
Applications concrètes
IA classique
- Les systèmes experts : Utilisés en médecine ou dans les entreprises pour résoudre des problèmes spécifiques.
- Les jeux : Des IA qui suivent des règles codées (comme les échecs avant le ML).
Machine Learning
- Recommandations Netflix ou Spotify : Le système apprend vos goûts pour vous suggérer des films ou chansons.
- Finance : Prédire les cours des actions ou détecter les fraudes.
Deep Learning
- Voitures autonomes : Analyse d’images et décisions en temps réel.
- Génération de contenu : Modèles comme DALL-E ou GPT qui créent des images ou du texte.
Pourquoi tout le monde parle de Deep Learning maintenant ?
Le Deep Learning a explosé récemment grâce à trois facteurs :
- Données massives : Avec internet, on dispose de quantités astronomiques de données pour entraîner ces modèles.
- Puissance de calcul : Les GPU et TPU permettent de gérer les calculs complexes nécessaires au DL.
- Modèles innovants : Les Transformers, comme GPT, sont devenus des outils incontournables dans des domaines comme le langage ou les images.
Conclusion
L’intelligence artificielle, le Machine Learning et le Deep Learning sont liés, mais ils représentent des niveaux différents de sophistication et de spécialisation. L’IA est l’idée globale, le ML en est une méthode clé, et le DL pousse cette méthode à l’extrême avec des réseaux de neurones profonds.
Aujourd’hui, c’est le Deep Learning qui impressionne le plus grâce à des applications comme les assistants vocaux ou la création d’images, mais tout cela reste enraciné dans les concepts fondamentaux de l’IA et du ML. Si vous êtes curieux, comprendre ces différences est un bon point de départ pour explorer ce domaine fascinant.