IA, machine learning et deep learning : comprendre les différences

Points clés à retenir

• L’intelligence artificielle (IA) est le domaine général : elle englobe les systèmes qui accomplissent des tâches associées à l’intelligence humaine, à l’aide de règles, de l’apprentissage ou d’autres méthodes.
• L’apprentissage automatique est un sous-ensemble de l’IA : il repère des régularités dans les données plutôt que de s’appuyer uniquement sur des règles explicitement écrites.
• L’apprentissage profond est un sous-ensemble de l’apprentissage automatique : il utilise des réseaux de neurones comportant de nombreuses couches pour apprendre des structures complexes dans du texte, des images, de l’audio et d’autres données.

L’IA est le terme générique, l’apprentissage automatique est l’une de ses approches, et l’apprentissage profond est une approche plus spécialisée au sein de l’apprentissage automatique. Le moyen le plus simple de retenir la différence est le suivant : l’apprentissage profond fait partie de l’apprentissage automatique, qui fait lui-même partie de l’IA.

Fonctionnement

Ces termes désignent des concepts liés, et non trois technologies concurrentes. Un même produit peut combiner les trois.

Intelligence artificielle : la catégorie générale

L’IA regroupe des méthodes permettant de créer des systèmes qui accomplissent des tâches telles que le raisonnement, la planification, la reconnaissance vocale et la compréhension du langage.

Toutes les IA n’apprennent pas à partir de données. Certains systèmes utilisent des connaissances et des règles rédigées par des personnes. Par exemple, un système expert fondé sur des règles peut recommander une étape de dépannage à partir d’un ensemble de symptômes.

Cela ne signifie pas que tout processus automatisé relève de l’IA. Un minuteur qui envoie un e-mail à midi est une automatisation ordinaire ; il ne devient pas intelligent simplement parce qu’il fonctionne sans intervention humaine.

Apprentissage automatique : repérer des régularités dans les données

Avec l’apprentissage automatique, les développeurs entraînent un modèle à l’aide d’exemples. Le processus d’entraînement ajuste le modèle afin qu’il puisse produire des prédictions ou prendre des décisions utiles à partir de nouvelles données d’entrée.

Par exemple, un filtre antispam peut apprendre à repérer des régularités dans des e-mails étiquetés « spam » et « non-spam ». Plutôt que de demander à quelqu’un d’écrire une règle pour chaque expression suspecte, le modèle apprend quelles combinaisons de signaux sont associées aux messages indésirables.

Les approches courantes comprennent :

• L’apprentissage supervisé : apprendre à partir d’exemples dont les réponses sont connues, comme des e-mails étiquetés.
• L’apprentissage non supervisé : trouver une structure dans les données sans réponses prédéfinies sous forme d’étiquettes, par exemple en regroupant des clients similaires.
• L’apprentissage par renforcement : apprendre grâce à des retours sur les actions et leurs résultats.

Dans de nombreux processus classiques d’apprentissage automatique, des personnes choisissent aussi les caractéristiques d’entrée utiles, comme le montant d’une transaction, l’ancienneté d’un compte ou la fréquence d’achat.

Apprentissage profond : apprendre grâce à des réseaux de neurones multicouches

L’apprentissage profond utilise des réseaux de neurones comportant plusieurs couches de traitement. Pendant l’entraînement, ces couches apprennent des représentations qui aident le modèle à traiter des données d’entrée complexes.

En reconnaissance d’images, les premières couches peuvent détecter des motifs visuels simples, tandis que les couches suivantes les combinent en caractéristiques plus complexes. Cela réduit la nécessité de concevoir manuellement chaque caractéristique, même si les personnes impliquées continuent de faire des choix importants concernant les données, la conception du modèle et son évaluation.

L’apprentissage profond est à la base de nombreux systèmes modernes de reconnaissance vocale, générateurs d’images et grands modèles de langage.

Une distinction importante : entraîner un modèle n’est pas la même chose que l’utiliser. L’entraînement modifie les paramètres qu’il a appris. Utiliser le modèle entraîné pour produire une réponse ou une prédiction s’appelle l’inférence. Un agent conversationnel qui répond à votre message n’apprend pas nécessairement de manière permanente à partir de cette conversation.

Exemples concrets

Assistance client

Un assistant fondé sur des règles peut guider les clients dans un arbre de dépannage prédéfini. Un modèle d’apprentissage automatique peut classer les demandes entrantes par sujet ou par degré d’urgence.

Un modèle de langage fondé sur l’apprentissage profond peut rédiger une réponse en langage naturel. Le produit d’assistance final peut combiner ces méthodes avec la recherche de documents et une vérification humaine.

Détection de fraude

Une banque peut utiliser des règles explicites pour signaler certaines transactions et l’apprentissage automatique pour repérer des combinaisons inhabituelles de signaux.

L’apprentissage profond peut également être utile dans certains systèmes de détection de fraude, mais ce n’est pas automatiquement la meilleure option. Des modèles plus simples peuvent être plus faciles à maintenir et à expliquer, surtout lorsque les données sont structurées en lignes et en colonnes.

Rédaction et recherche

ChatGPT utilise de grands modèles de langage pour faciliter des tâches telles que la rédaction, la programmation, l’analyse et les recherches du quotidien. Ces modèles de langage sont des exemples d’apprentissage profond.

Perplexity aide les utilisateurs à explorer des questions grâce à des réponses générées par l’IA accompagnées de références à des sources web. Il illustre la façon dont un produit d’IA peut combiner du texte généré et la recherche d’informations.

Ni une réponse fluide ni une référence ne garantissent l’exactitude. Pour les recherches importantes, consultez les sources citées et vérifiez qu’elles étayent bien l’affirmation.

Parole et images

Les systèmes de transcription vocale convertissent l’audio en mots, tandis que les systèmes de reconnaissance d’images identifient des motifs dans les images. L’apprentissage profond est largement utilisé dans les deux cas.

Ces systèmes reconnaissent des régularités apprises ; ils ne comprennent pas nécessairement une scène ou une conversation comme le ferait une personne.

Avantages et limites

L’IA peut automatiser des tâches complexes, mais la méthode compte. Les systèmes fondés sur des règles peuvent être prévisibles et faciles à examiner. Toutefois, leurs règles peuvent devenir difficiles à maintenir lorsque les exceptions se multiplient.

L’apprentissage automatique peut améliorer les prédictions à grande échelle. Il est utile lorsque les exemples historiques contiennent des régularités pertinentes. Ses limites comprennent les données de mauvaise qualité, les étiquettes biaisées et l’évolution des conditions, qui rend les régularités anciennes moins utiles.

L’apprentissage profond peut traiter des données complexes et non structurées. Il est particulièrement utile pour le langage, l’audio et les images. Entraîner de grands modèles à partir de zéro peut nécessiter des ressources de calcul et des volumes de données considérables, même si l’utilisation d’un modèle préentraîné est souvent bien plus pratique.

Pour les trois, gardez ces limites à l’esprit :

• Les erreurs restent possibles : un résultat présenté avec assurance peut tout de même être faux.
• Les biais peuvent se transmettre : les systèmes peuvent refléter des déséquilibres dans les données ou les choix de conception.
• Les possibilités d’explication varient : certaines décisions sont beaucoup plus faciles à examiner que d’autres.
• La confidentialité exige de la vigilance : les informations sensibles nécessitent des mesures de protection adaptées.

La meilleure approche est la plus simple qui répond à vos besoins en matière d’exactitude, de fiabilité, de coût et de supervision — pas nécessairement le modèle le plus récent ou le plus volumineux.

Comment commencer

1. Définissez la tâche avant de choisir la technologie. « Réduire le temps consacré à résumer des articles scientifiques » est plus utile que « commencer à utiliser l’apprentissage profond ».

1. Déterminez si vous avez besoin d’un outil ou d’un modèle sur mesure. La plupart des débutants et des professionnels très occupés devraient commencer par une application existante. Créer et entraîner un modèle constitue un projet technique à part entière.

1. Adaptez l’outil au processus de travail. Utilisez ChatGPT pour la rédaction et les explications, ou Perplexity pour les recherches sur le web avec des références. NotebookLM est une autre option à explorer pour les processus axés sur la recherche.

1. Testez l’outil sur un petit ensemble d’exemples connus. Comparez les résultats à des réponses que vous pouvez vérifier. Relevez les erreurs factuelles, les informations manquantes et l’ampleur des corrections nécessaires.

1. Ajoutez une vérification humaine lorsque les erreurs ont des conséquences. Vérifiez les résultats importants avant de les utiliser pour prendre des décisions en matière de santé, de droit, de finance ou d’emploi.

Si vous développez des modèles d’apprentissage automatique, Weights & Biases peut vous aider à suivre les sessions d’entraînement. Ce besoin est différent de la simple utilisation d’un assistant d’IA.

FAQ

Toute IA relève-t-elle de l’apprentissage automatique ?

Non. L’IA comprend aussi des approches fondées sur des règles explicites, la recherche, la planification et d’autres méthodes qui ne nécessitent pas d’apprendre à partir d’exemples. L’apprentissage automatique est l’une des principales branches de l’IA.

L’apprentissage profond est-il toujours meilleur que les autres formes d’apprentissage automatique ?

Non. L’apprentissage profond est puissant pour les tâches impliquant du texte, des images et de l’audio, mais des modèles plus simples peuvent mieux fonctionner avec certains jeux de données structurées. Ils peuvent aussi être plus rapides, moins coûteux et plus faciles à expliquer.

Où se situe l’IA générative ?

L’IA générative désigne les systèmes qui créent du contenu, comme du texte, des images ou de l’audio. La plupart des systèmes modernes d’IA générative largement utilisés reposent sur l’apprentissage profond. Cependant, l’apprentissage profond permet aussi d’effectuer des tâches non génératives, comme classer des images ou prédire une valeur numérique.