Le Deep learning est un ensemble de méthodes d’apprentissage automatique, c'est-à-dire les technologiques de l'intelligence artificielle dérivées du Machine learning. Elles sont conçues sur la base de ce que l’on peut appeler des réseaux de «neurones artificiels» à plusieurs couches .
Le concept de Machine Learning remonte au milieu du 20ème siècle. C'est dans les années 1950 que le mathématicien britannique Alan Turing imagine une machine capable d’apprendre, une « Learning Machine ». Par la suite, le développement de ce système a permis de créer des algorithmes capables d’apprendre et de s’améliorer de manière autonome.
Ces réseaux sur lesquels repose le deep learning (à noter qu'il s'appuie également sur la vision robotique ou encore la reconnaissance d'images) sont capables de catégoriser les informations des plus simples aux plus complexes. Pour un objet par exemple, la première couche détecte des petits contours élémentaires, la seconde assemble ces contours en motifs puis les motifs en parties d’objets puis ces parties en objets.
Ces «neurones artificiels» n’ont rien de matériel. Ce sont en fait des fonctions mathématiques à plusieurs paramètres ajustables. Ils sont calqués sur les neurones du cerveau humain et peuvent se connecter entre eux. Plus le nombre de neurones est élevé, plus le réseau est «profond».
Une phase d’apprentissage sur des objets connus permet de trouver les meilleurs paramètres en montrant par exemple à la machine des milliers d’images d’un chien, d’une voiture ou d’un sport ... L’un des enjeux étant de trouver des méthodes pour ajuster ces paramètres le plus rapidement et le plus efficacement possible.
Par exemple, si le réseau est utilisé pour reconnaître les photos comportant un objet déterminé, les algorithmes doivent être capables de distinguer les différents éléments de ces images et identifier de manière précise l'objet, quelque soit l'angle sous lequel il est photographié. Pour réussir cette tâche, le réseau doit être entraîné. Il est donc nécessaire de compiler un ensemble d’images d’entraînement pour pratiquer le Deep Learning.
La couche finale de neurones va alors rassembler les différentes informations pour déduire s’il s’agit ou non de l'objet souhaité. Le réseau pourra enfin comparer ce résultat aux "bonnes réponses" indiquées par les programmateurs. Si ce dernier correspond au résultat attendu, le réseau le gardera "en mémoire" pour s'en reservir lors de futures opérations similaires.
Aujourd'hui, le deep learning s'applique à de nombreuses technologies très répandues : il permet notamment la reconnaissance faciale de vos photos sur Facebook ou encore celle qui permet de déverouiller l'IPhone X d'Apple. Certains nouveaux logiciels de Google l'utilisent également.
Cette technologie est amenée à évoluer sans cesse puisqu'elle offre des possibilités potentiellement infinies, au fur et à mesure que nous découvrirons le fonctionnement du cerveau humain.
