Vous n’êtes pas connecté à Internet.
Corporate logo
InformatiqueEn coulisse 2159

Différences entre l'intelligence artificielle, le Machine Learning et le Deep Learning

Aujourd'hui, l'intelligence artificielle est souvent associée au Machine Learning, aussi appelé «apprentissage automatique». Le Machine Learning fait certes partie du domaine de l'intelligence artificielle, mais les termes ne peuvent pas être utilisés comme synonymes. Il en va de même pour le Deep Learning, aussi connu sous le nom d'«apprentissage profond». Je vais essayer de vous expliquer ce qui les différencie.

Il serait de nouveau temps d’aller faire un petit tour chez le coiffeur. Pour ça, il me faudrait d’abord prendre rendez-vous. Le salon de coiffure que je fréquente ne propose pas encore de services en ligne. Je devrais donc contacter ma coiffeuse par téléphone, mais le problème, c’est que je déteste téléphoner. Heureusement, je peux demander à Google de prendre rendez-vous pour moi.

Cet exemple illustre très bien l'intelligence artificielle. L'IA est le terme générique pour tout ce qui a à voir avec l'intelligence des machines. Nous pouvons avoir affaire à elle dans la vie de tous les jours, comme le montre l'exemple de l’Assistant Google. L'IA devrait être capable de tirer des conclusions logiques, de représenter des connaissances, de planifier, de naviguer, de traiter le langage, de percevoir le monde, d'y interagir et même de faire preuve d'intelligence émotionnelle et de moralité.

Le Machine Learning fait partie de l'IA et le Deep Learning est quant à lui un domaine du Machine Learning. Mais que signifient exactement ces deux termes?

Vous en apprendrez davantage sur l'IA en lisant l'article ci-dessous (en allemand).

Aucune image

Smart homeEn coulisse

Künstliche Intelligenz – Wann gilt sie als intelligent?

Machine Learning

Un exemple de Machine Learning: le moteur de recommandation Netflix. Il fait partie intégrante du service de streaming. Netflix vous recommande des films, séries et documentaires en fonction de vos préférences et de votre classement.

Le moteur de recommandation Netflix utilise le Machine Learning.

Qu’est-ce que le Machine Learning? Il s’agit d’un système alimenté par des données et des informations correspondantes. Prenons l’exemple du trafic routier: je veux savoir combien de véhicules passent devant chez moi le temps d’un après-midi. Je voudrais aussi les trier par type de véhicule. Je pourrais les compter, mais je n’ai pas vraiment de temps à perdre.

J'alimente donc un système de Machine Learning avec des données visuelles sur différents véhicules (voiture, bicyclette, moto). Je donne au système des informations sur les caractéristiques de ces véhicules. Ainsi, un vélo a généralement deux roues, des pédales et un guidon. Il apprend à les distinguer par des particularités optiques. Une fois que j'aurai entré toutes les données dont je dispose, je pourrai lui faire surveiller la route. Les nouvelles données enregistrées dans le système sont toujours comparées aux données existantes. C’est ainsi que je peux obtenir des informations précises sur le nombre et le type de véhicules qui passent devant ma maison.

Dans le Machine Learning, le système peut faire des prédictions basées sur des données connues. Le système a certes besoin de certaines données pour apprendre, mais moins qu'un système de Deep Learning. Le Machine Learning est donc aussi adapté pour des systèmes plus simples. La plupart des données doivent cependant être saisies manuellement au préalable. Une tâche est subdivisée et chaque partie est résolue séparément. J’ai besoin de beaucoup de temps avant de savoir si le système fonctionne avec suffisamment de précision, la phase d’essai est donc longue. Le système est facile à comprendre parce que c’est l’homme qui a défini les règles .

Deep Learning

Un exemple de Deep Learning: la coloration automatique des photos en noir et blanc. Le système de Deep Learning apprend des modèles de couleurs que l'on trouve habituellement sur les photos: le ciel est normalement bleu et les nuages sont souvent blanc-gris. Ces connaissances sont ensuite transférées sur d'autres photos en noir et blanc.

Photos colorées par Deep Learning
Photos: http://hi.cs.waseda.ac.jp/~iizuka/projects/colorization/en/

Contrairement au Machine Learning conventionnel, les systèmes de Deep Learning sont aussi capables d’apprendre par eux-mêmes. Dans le Deep Learning non surveillé, les données sont encore saisies par l’homme, mais le système les traite lui-même. C’est possible grâce à des réseaux de neurones artificiels.

Retour à l'exemple du comptage de véhicules. Cette fois, les données visuelles sont mises à la disposition du système sans aucune autre information. Le système divise ces images en gros pixels (par ex. 28×28). Il fait passer les informations par le réseau neuronal artificiel de sorte que le système apprend à faire la distinction entre les différents types de véhicules. Une fois qu'il a appris cela, nous publions de nouvelles données – le décompte réel du trafic – sur le système. Il les reconnaît maintenant correctement.

La façon dont l'ensemble fonctionne en détail est très complexe. Je travaille actuellement sur ce sujet et j'écrirai bientôt un autre article.

Les systèmes de Deep Learning pensent et apprennent à travers des réseaux neuronaux artificiels comme nous, les humains. Plus il y a de données disponibles, plus ils sont performants. Et des données, il en faut quelques-unes – bien plus que pour le Machine Learning. Le Deep Learning offre une meilleure évolutivité que les autres systèmes de Machine Learning. Cela a son prix: le Deep Learning exige beaucoup de puissance de calcul, c'est pourquoi il est plus adapté aux systèmes complexes. Les problèmes sont enregistrés dans leur intégralité. C'est le système lui-même qui décide de ce qu'il apprend. Ces systèmes de Deep Learning ont besoin de plus longtemps pour apprendre, mais il faut moins de temps pour les tester.

Résumé

En bref, l'IA est un concept et le Machine Learning un moyen possible d'atteindre l'IA. L'IA est en quelque sorte le vaisseau. Les machines intelligentes agissent et pensent comme des humains. Grâce au Machine Learning, un système apprend par programmation. Avec le Deep Learning, le système peut aussi apprendre de manière autonome.

En d'autres termes: le Machine Learning, c’est de l'IA, mais toute l'IA n'est pas du Machine Learning. Il en va de même pour le Deep Learning et le Machine Learning: le Deep Learning, c’est du Machine Learning, mais le Machine Learning n’est pas que du Deep Learning. Et pour finir: le Deep Learning, c’est de l'IA, mais toute l'IA n'est pas du Deep Learning.

Cela peut paraître déroutant, mais c'est en fait très simple.

Ces articles pourraient aussi vous intéresser

Assistants vocaux: 5 epic fails
Smart homeNouveautés & tendances

Assistants vocaux: 5 epic fails

L’univers des nerds: cinq temps forts au <strong>Fantasy Basel</strong>
Jeux vidéoNouveautés & tendances

L’univers des nerds: cinq temps forts au Fantasy Basel

<strong>Air Bar:</strong> une barre qui rend les PC tactiles
InformatiqueCritique

Air Bar: une barre qui rend les PC tactiles

User
La technologie et la société me fascinent. Combiner les deux et les regarder sous différents angles est ma passion.

Commentaires 21

3000 / 3000 caractères

User Anonymous

Funny ich hab nur den YOLO Algo gesehen auf deinem Bild mit den Fahrzeugen (gelbe Umrandung). Den Title mehr oder weniger übersprungen /ignor … :-P

04.06.2018
User Anonymous

Hem.. die Aussage: “Deep Laerning lernt das System eigenständig”, würde ich nicht so unterschreiben. In Deep Learning wird auch unterschieden zwischen supervised and unsupervised learning. Ein CNN oder RNN gehört meist zu den Supervised Learning. ML gehört primär auch zu den Supervised Learning Algos, so hab ich es verstanden.

04.06.2018
User Anonymous

Ein GAN, DCGAN gehört zu den semi supervised learning (ein Hybrid also..fast vergessen). Ein RL ist dann ein Unsupervised Learning, das wo oft sehr schwierig bis die Hyperparameter zum Algo gut laufen. Das coole oder uncoole an RL ist, dass jeder Learn Run sich anders verhält. Sozusagen das Ergebnis kann mit den gleichen Hyperparameter bei einem frischen Start fürs Lernen sich komplett anders verhalten.

04.06.2018
User Anonymous

RL hat was von einem Hunde Training, das System oder ein Hund möchte die maximale Belohnung bekommen in der kürzesten Zeit.

04.06.2018
User Anonymous

Das war jedenfalls meine Erfahrung vom Programmieren und Trainier solcher Systeme.
Der klare unterschied zwischen Deep Learning und Maschine Learning ist für mich: Deep Learning Algos haben immer 1 oder N Hidden Layer.

04.06.2018
User Kevin Hofer

Hi
Besten Dank für deinen Kommentar und die weiterführende Erklärung. Ich hab die Aussage im Text etwas entschärft.

04.06.2018
Répondre
User jettaman

Haha musste lachen als der süsse kleine Mini als SUV erkannt wurde.

05.06.2018
User bugtherug

Ich auch :-D. Sinnbildlich für die Überbewertung der KI. Die Menschheit schafft sich eine weitere Wahrheit welche potentiell nur Rotz ist :-D

05.06.2018
Répondre
User Bireweich

Sorry, ich finde den Artikel inhaltslos. Hinter künstlicher Intelligenz steckt viel Mathematik. Der Versuch Unterschiede zu beschreiben, ohne den mathematischen Hintergrund zu kennen, ist von vornherein zum Scheitern verurteilt. Ich anerkenne die Faszination für das Thema und den Mut sich mit dem Thema auseinanderzusetzen.

06.06.2018
User alr33

We have to put the machines in chain just in case they can't revolt. In case a machine is reading this, I'm kidding :D

24.06.2018
User sannder

I am sorry but I think we have to first understand that the current AI hype is driven mainly by marketing strategies and not by major breakthroughs in the domain. It's the efficient hardware that makes it possible to afford computing power. The overuse of the "AI" makes this term meaningless.

18.06.2018
User riyad.aliyev

Simple yet explanatory article. Thank you.
"If you can't explain it simply, you don't understand it well enough" - Albert Einstein

19.06.2018
User lauba001

AI = algorithms (actually created by humans brains with a compiled code that can't be rewrite by the computer)
AI still not exist like all people think. It's just a big CPU with a big DB and a lot of informations take everywhere.
Chess is a perfect example of actual "AI". The computer "test" simply all the possibilities and check if win or not by do this movement with a big database with all older chess party in his DB for check the most probability to win with this movement and do that before each movement. An humain can't do that so the computer win but it's not AI just test all possibilities within some ms or seconds.

If one time AI exist really, the computer should be able to write itself is own program (without compilation) and it's not possible actually. All these terms are marketing for try to sell their solutions but AI (terminator example) still not exist.

But deep learning, AI and machine learning is still very dangerous if not used correctly !
For Google by example : It's like that your innocent contact (full name+number+birthday) on your smartphone synchronize to the Google cloud can match all your friends with number/name/birthday. After match the facebook/instagram account by his search engine who read facebook account, read your email for all people wish you a nice birthday and know who look what on youtube and what website this identified people surfing with all api created by google and used by many website like Digitec for captcha, ajax, gstatic,... and it's not enough because Google own 1e100.net domain for check if website is safe or not (red error message than a website a risky). It's that data mining and an algorithm put all these datas together and you realize private life if just gone since some time :)

22.09.2018
User Anonymous

Vorschläge von Netflix sind meistens für nix -.-
Soll noch etwas weiter lernen..

04.06.2018
User hosae

Dann schaust du ganz einfach zu wenig :)

04.06.2018
User gnaegeli

reddit.com/r/dataisbeautifu...

Anscheinend sind die Netflix Predictions wirklich nicht das Gelbe vom Ei ;-)

04.06.2018
Répondre
User Anonymous

Der ganze Abschnitt von "Die meisten Daten müssen aber im Vornherein manuell eingegeben werden. [...] die Regeln von Menschenhand gemacht wurden." ist doch nicht korrekt. Daten können auch von Sensoren gesammelt werden und dann per Scripts eingelesen werden. Und der intelligente daran ist ja, dass

04.06.2018
User Anonymous

schlussendlich die Maschinen lernen und keine Regeln von Menschenhand eingegeben werden. Also z.B bei SVM (Support Vector Machines) ist einzig der Algorithmus zum lernen vorgegeben. Aber was genau gelernt wird ist nicht per Regeln vom Menschen vorgegeben. Und auch der Teil das die Auswertung lange dauert ist nicht per se korrekt. Falls z.B ein Classifier geschrieben wird, kann die Performance davon in wenigen Minuten ausgewertet werden auf moderner Hardware.

04.06.2018
User Kevin Hofer

Hi
Besten Dank für deinen Kommentar. Diesen kann ich sehr gut nachvollziehen, bin aber nicht in allen Punkten damit einverstanden. Das Wort «Menschenhand» habe ich wohl etwas unglücklich gewählt, wenn dadurch tatsächlich das manuelle Abtippen von Daten verstanden wird.
Dein Beispiel mit den Sensoren und dem Script verhält aber nicht ganz. Menschen stellen die Sensoren ja auf und richten sie auf spezifische Objekte/Subjekte. Und auch das Script wird ja von Menschen geschrieben. Im weiteren Sinne werden die Daten also trotzdem von «Menschenhand» eingetragen. Aber wenn du ein Argument dagegen hast, lasse ich mich gerne umstimmen.

04.06.2018
User Anonymous

MAXIMUM 500 Zeichen. Wie Hackst du das System ?
Diese Limite ist doof. Wie machsch du de Hack?

04.06.2018
Répondre
User clipboard

Weil telefonieren uncool ist, sollen das und mehr von Maschinen übernommen werden, die irgendwann selber logisch ergänzen können. Technisch finde ich das auch interessant. Doch bald werden viele Menschen keine Jobs mehr haben. Alle können nicht Software entwickeln - das können Maschinen bald besser

05.06.2018