Quotidien finance innovation, innovation financière journal
Financial Year with Finyear
 
 
 
 
 


              

Deep Learning : La nouvelle génération d’intelligence artificielle


On connaissait le machine learning, méthode d’apprentissage automatique utilisée principalement pour trouver des correspondances. Mais aujourd’hui, l’intelligence artificielle va plus loin avec l’émergence du deep learning.




Cette technique d’apprentissage (dite « profonde ») permet à un algorithme d’assimiler et identifier le contenu d’une image ou de comprendre le langage naturel. Il s’agit en fait d’un procédé conçu sur la base de réseaux de « neurones artificiels » à plusieurs couches, composés de milliers d’unités de calculs. Ces « neurones artificiels » n’ont rien de matériel : ce sont des fonctions mathématiques à plusieurs paramètres ajustables.

Cette forme d’intelligence artificielle tente de reproduire le fonctionnement neuronal du cerveau humain par le biais de ce réseau de « neurones artificiels ». Ainsi, ces réseaux sont capables de catégoriser les informations des plus simples aux plus complexes.
Prenons par exemple un objet du quotidien : la première couche va détecter des petits contours élémentaires, la seconde assemblera ces contours en motifs, puis les motifs en parties d’objet, puis ces parties en l’objet lui-même.

Le terme d’« Intelligence artificielle » et l’idée de construire des réseaux de neurones artificiels ne sont pas nouveaux : ils remontent à la fin des années 40-50.
À cette époque, les notions d’intelligence artificielle et d’apprentissage n’étaient pas encore corrélées : les programmes étaient conçus pour prendre en compte un certain nombre de scénarios, prédéfinis par les développeurs. Cette approche a donc rapidement fait apparaître ses limites.
Il a fallu attendre les années 1990 avec l’apparition de nouvelles technologies de Machine Learning, puis 2000 avec la démocratisation de moyens de calculs de plus en plus puissants, et 2010 avec l’accès au Big Data et l’accessibilité de GPU extrêmement puissantes, pour avoir la possibilité d’atteindre des couches de plus en plus denses et profondes des réseaux de neurones.

C’est depuis 2012 que se mettent en place de gros projets d’intelligence artificielle, portés par IBM (Watson), Google (DeepMind/AlphaGo) et Facebook (DeepFace).
Tous travaillent sur l’apprentissage supervisé pour de la reconnaissance vocale et/ou d’images, mais aussi sur l’utilisation de réseaux de neurones à mémoire pour un apprentissage par renforcement (visionnage de nombreux exemples afin de pouvoir tirer des conclusions de façon autonome par la suite).

Aujourd’hui, nous pouvons commencer à envisager l’utilisation de ces technologies très puissantes d’apprentissage supervisé et récurrent pour des applications dans plusieurs domaines : la domotique ou l’IoT par exemple (afin d’exploiter toutes les données obtenues).
Comment ? En créant des systèmes capables de gérer et d’exploiter des flux d’informations denses et complexes, complétant ainsi les compétences de l’homme.

Grâce au Cloud, l’intelligence artificielle devient accessible à tous et n’est plus réservée aux entreprises avec de gros moyens ou aux experts du domaine.
Entre mai 2015 et janvier 2016, +47 % de startups utilisent le machine learning.

Si les logiciels développés à ce jour peuvent traiter un seul point mieux que les meilleurs cerveaux humains, ils ne peuvent pas faire appliquer cette intelligence dans un autre domaine. La brique manquante à des systèmes 100 % intelligents et autonomes est le « sens commun » qu’humains et animaux obtiennent grâce à l’apprentissage non supervisé. La R&D dans le domaine de l’intelligence artificielle a donc encore de belles années devant elle.

« Si l’intelligence [artificielle] est un gâteau au chocolat, le gâteau lui-même est l’apprentissage non-supervisé, le glaçage est l’apprentissage supervisé, et la cerise sur le gâteau est l’apprentissage par renforcement. Les chercheurs en IA sont dans la même situation embarrassante que les physiciens : 95 % de la masse de l’univers est de nature complètement inconnue : matière noire et énergie noire. La matière noire de l’AI est la génoise au chocolat de l’apprentissage non-supervisé » Yann LeCun.

ACIES Consulting Group est un cabinet de conseil opérationnel spécialisé en Recherche et Innovation. Depuis 1990, notre mission est d’accompagner Grands Comptes, ETI et PME dans l'amélioration de la performance de leur R&I. Capitalisant sur la pluridisciplinarité de ses collaborateurs, nous intervenons principalement sur les secteurs de conseil suivants : - Fiscalité de la Recherche : accompagnement CIR, due diligence, pilotage de la R&D - Financement de la Recherche : identification des aides et des subventions, montage et accompagnement de projets collaboratifs - Performance de la Recherche : construction d’un modèle d’organisation de R&I efficace.
www.acies-cg.com

Les médias du groupe Finyear

Lisez gratuitement :

Le quotidien Finyear :
- Finyear Quotidien

La newsletter quotidienne :
- Finyear Newsletter
Recevez chaque matin par mail la newsletter Finyear, une sélection quotidienne des meilleures infos et expertises de la finance d’entreprise et de la finance d'affaires.

Les 6 lettres mensuelles digitales :
- Le Directeur Financier
- Le Trésorier
- Le Credit Manager
- The FinTecher
- The Blockchainer
- Le Capital Investisseur

Le magazine trimestriel digital :
- Finyear Magazine

Un seul formulaire d'abonnement pour recevoir un avis de publication pour une ou plusieurs lettres

Vendredi 15 Avril 2016
Notez




Nouveau commentaire :
Twitter

Your email address will not be published. Required fields are marked *
Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *



Recevez la newsletter quotidienne


évènements


Lettres métiers


Livres Blancs




Blockchain Daily News