Finalement l’apprentissage profond : est-ce une idée creuse ?


image-ikramIl y a quand-même quelque chose de passionnant c'est de montrer comment une construction théorique peut aussi marcher de manière très efficace en pratique. C'est ce plaisir que partage  Ikram Chraibi Kaadoud, doctorante chez Algotech informatique et dans une équipe de neuroscience computationnelle, dans le cas des réseaux de neurones. Après nous avoir présenté le fonctionnement de base d'un neurone artificiel en réseau, montré ces limites en terme de complexité, et partagé une solution en terme d'architecture, redonnons lui la parole.

Finalement l'apprentissage profond : est-ce une idée creuse ?

Le deep-learning - ou en français «apprentissage profond» - est un buzz-words - littéralement « mots-rumeurs » - qui tienne la une, quand des scientifiques savent médiatiser leurs résultats expérimentaux [1]. Ou relier leurs travaux au fantasme récurrent d'une intelligence artificielle [2]. Nous dans les épisodes précédents avons proposé de décortiquer le “comment ça marche” de ce formalisme est une construction scientifique multi-disciplinaire (elle marie science informatique et physique théorique) qui offre un outil algorithmique performant en termes de machine learning ou «apprentissage automatique» [3].

Bon. Nous avons décortiqué les principes dans les épisodes précédentr. Alors allons maintenant à la rencontre d'un travail abouti sur ces sujets et regardons dans quelle mesure ça marche !

Mais est-ce que les résultats numériques deviennent bluffants ?

En associant l’apprentissage profond à des mécanismes algorithmiques de vision par ordinateur, on peut par exemple analyser automatiquement une scène visuelle. À partir des travaux de Yann LeCun et ses collègues [4], on peut voir ici par exemple des scènes dans lesquelles le calcul a permis de reconnaître et segmenter les objets (verdure sur-coloriée en vert, bâtiments en ocre et véhicules en magenta) :

ou encore dans cette scène panoramique urbaine où chaque objet est catégorisé :

Précisons que l'algorithme ne «comprend» rien : le terme de route (road) ou bâtiment (building) ou personne (person) n’a pas de sens pour lui, ce ne sont que des étiquettes. Mais cela permet à d'autres algorithmes d'être programmés à partir de ces données. Par exemple, cela permet à un système de surveillance d'autoroute doté de milliers de caméras dont les flux vidéos ne sont humainement pas exploitables de veiller au mieux à la sécurité des automobilistes, ou inversement à un état totalitaire d'identifier automatiquement ceux qui tenteraient de circuler librement.

Ouaouh : mais jusqu'ou allons nous pouvoir aller ?

Le directeur de l'équipe qui a réalisé ces travaux est devenu le directeur de la recherche en intelligence artificielle chez Facebook. Est-ce une coïncidence ? Il est raisonnable de supposer que les données personnelles que nous avons mises en ligne sur ce réseau social peuvent être analysées à ce degré de sophistication.

De tels mécanismes d'apprentissage algorithmiques fonctionnent déjà fort bien, comme on le voit ici. Les réseaux de neurones profonds font aussi définitivement partie intégrante des systèmes de reconnaissance de parole, car ils apportent une amélioration indiscutable des taux de reconnaissance.

Alors cette devons nous avoir peur de cette intelligence artificielle [5] ? Si au sens fantasmagorique d'Isaac Azimov elle n'aura certes pas lieu [2], il y a des mécanismes d'apprentissage algorithmiques bien réels fonctionnent déjà fort bien, comme on le voit ici. Il faut les comprendre pour avoir un avis éclairé sur les conséquences de leur utilisation. Car si les robots ou les algorithmes ne domineront jamais le monde, quelques humains pourraient bien les utiliser pour se faire.

 

Remerciements.

Un grand merci aux éditeurs d'http://interstices.info qui ont eu la grande gentillesse de donner un avis sur cette série d'articles et ont contribué à améliorer le texte initial.

Références :

[1] Le “deep learning” pour tous ?, Rémi Sussan, Octobre 2014, InternetActu, http://www.internetactu.net/2014/10/02/le-deep-learning-pour-tous est cité ici comme contre exemple de texte permettant d'éclairer sur le sujet (attention : il contient plusieurs erreurs, par exemple le fait que Wikipédia francophone n'aurait pas d'entrée sur le sujet).

[2] L’intelligence artificielle n’aura pas lieu, Nicolas Rougier, Janvier 2015, blog L'«intelligence mécanique» de Scilog/Pour la Science, http://www.scilogs.fr/intelligence-mecanique/lintelligence-artificielle-naura-pas-lieu ce document explique en quoi l'intelligence artificielle en tant que fanstasme n'aura jamais lieu, tandis que l'intelligence algorithmique est déjà, là et bien là.

[3] Machine learning, Wikipédia, https://en.wikipedia.org/wiki/Machine_learning

[4] Learning Hierarchical Features for Scene Labeling (2013) Clément Farabet, Camille Couprie, Laurent Najman, Yann LeCun (2013) IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 35, No, pp 1915-1929 http://yann.lecun.com/exdb/publis/pdf/farabet-pami-13.pdf

[5] Qui a peur de l'intelligence artificielle ? Cyril Da (avec Citizen Press), juin 2015 http://www.inriality.fr/communication/intelligence-artificielle/qui-peur-de


Un commentaire pour “Finalement l’apprentissage profond : est-ce une idée creuse ?”

  1. patricedusud Répondre | Permalink

    Ravi de retrouver un scilogs apparemment "réparé"... 🙂
    Notons que si l'algorithme ne comprend rien le mécanisme probablement de type bayésien qui permet au cerveau humain de reconnaître un mot quelque soit la calligraphie de l'auteur ou la police de caractère utilisée ne "comprend" pas plus le sens du mot mais le transmet à d'autres fonctions cognitives qui vont le rapprocher de la "base de connaissance" du cerveau pour, en fonction du contexte, en tirer un sens. Rien ne dit que des mécanismes, des "algorithmes" ne pourront pas en faire de même. Notons la victoire du supercomputer Watson au jeu Jeopardize....

Publier un commentaire