Intelligence artificielle vs. apprentissage automatique vs. apprentissage profond
Nous aimons tous penser que nous sommes un peu plus intelligents qu'Arthur C. Clarke, qui a formulé sa critique emblématique : "Toute technologie suffisamment avancée est indiscernable de la magie : "Toute technologie suffisamment avancée est indiscernable de la magie".
Nous savons qui dirige Oz derrière le rideau, et nous ne sommes pas encore tout à fait convaincus que l'IA est aussi dangereuse que les armes nucléaires. l'IA est aussi dangereuse que les armes nucléaires ou un "dictateur immortel auquel nous ne pourrons jamais échapper." Il s'agit simplement de mathématiques appliquées et de statistiques de niveau universitaire, poussées jusqu'à leur conclusion logique.
Mais comprenons-nous vraiment la différence entre l'intelligence artificielle, l'apprentissage automatique et l'apprentissage profond ? Ou nous contentons-nous de répéter le jargon pour nous intégrer ?
Malgré les meilleures assurances du fondateur et PDG de DeepLearning.AI, Andrew Ng, "ne vous inquiétez pas si vous ne comprenez pas", nous devons réellement comprendre, Andrew Ng, de ne pas s'inquiéter si l'on ne comprend pas, nous avons en fait besoin de comprendre. Peut-être que le grand magicien de l'entrepreneuriat et le dur à cuire Mark Cuban l'ont mieux exprimé lors du Upfront Summit 2017 : "L'intelligence artificielle, l'apprentissage profond, l'apprentissage automatique - quoi que vous fassiez si vous ne le comprenez pas - apprenez-le. Parce que sinon, vous serez un dinosaure d'ici trois ans."
Ces trois termes sont utilisés de manière interchangeable, mais ils ne sont pas identiques. Pas du tout. Il s'agit plutôt de trois couches d'une poupée gigogne de type Matryoshka. L'apprentissage en profondeur est un type spécifique d'apprentissage automatique. Et l'apprentissage automatique est un sous-ensemble de l'intelligence artificielle.
Les attentes des consommateurs étant de plus en plus élevées, chaque entreprise doit commencer à réfléchir à sa propre relation avec ces technologies. Nous connaissons tous le BD (big data) et nous savons tous que nous avons besoin d'un plan pour interagir avec des milliards de fichiers, de lignes de code, d'images, de vidéos, de contenus générés par les utilisateurs et d'informations commerciales. Ces trois innovations technologiques (qui n'en font qu'une en réalité) nous permettent de tirer parti de la puissance de calcul des machines pour étendre nos propres capacités. Nous sommes dans la situation proverbiale "trop près pour les missiles, passer aux armes", comme on dit.
Alors, comment décortiquer ces couches et en comprendre les implications ? Ensemble, nous allons converser sur l'avenir de la technologie.
Intelligence artificielle
Dans sa définition la plus élémentaire, l'IA désigne tout programme capable de percevoir, de raisonner, d'agir ou de s'adapter d'une manière similaire à l'intelligence humaine. Il s'agit de matériel en silicium et d'impulsions électriques qui imitent l'esprit humain. Ce n'est pas effrayant, c'est utile.
Il s'agit d'une vaste catégorie de programmation technologique qui peut être utilisée pour décrire presque n'importe quelle machine ou système intelligent. Pour le meilleur ou pour le pire, elle est aujourd'hui largement appliquée à presque toutes les plateformes ou offres SaaS. À l'heure actuelle, tout le monde a recours à l'IA.
Il existe également de nombreuses approches théoriques différentes de l'IA. Certaines machines ne font que réagir sans utiliser l'expérience passée pour prendre de nouvelles décisions. D'autres ont une mémoire à court terme, tandis que d'autres encore sont conçues pour tenter de capter les émotions humaines et de comprendre la prise de décision. En théorie, l'IA peut même être consciente d'elle-même et comprendre non seulement nos états émotionnels et nos réactions, mais aussi ses propres sentiments internes et les interactions appropriées qu'ils impliquent.
Dans notre monde, il est plus utile de diviser l'IA en catégories distinctes qui correspondent à l'objectif et aux capacités d'une application particulière :
Intelligence artificielle étroite (IAO) Les programmes d'intelligence artificielle accomplissent une tâche spécifique. Le champ d'application est limité et les "comportements humains" correspondants sont plus élémentaires (par exemple, identifier les personnes sur ces photos. Prédire le gagnant de cette partie d'échecs. Localiser le fichier exact que je veux avec des paramètres de définition limités). Essentiellement, l'ANI calcule la probabilité de l'issue de cet événement, compte tenu d'entrées spécifiques. Des chatbots et assistants virtuels aux analyses prédictives en temps réel et à la recherche intelligente, cette technologie infiniment utile et largement répandue est ce que nous entendons lorsque nous parlons d'intelligence artificielle aujourd'hui.
L'intelligence artificielle générale (AGI) est une IA dont les performances sont équivalentes aux vôtres et aux miennes, voire à celles d'une poignée de mortels plus intelligents que nous. Elle est émotionnellement intelligente, empathique et nuancée. Et elle n'existe pas encore. Du moins, pas à notre connaissance.
La super intelligence artificielle (ASI) est l'IA qui hante nos rêves et se cache dans les coins de nos cauchemars. C'est le genre d'IA qui surpasserait l'intelligence et les capacités humaines, le genre d'IA que Hollywood met en scène dans des séries dystopiques de science-fiction (ou des séries occidentales de science-fiction) et qui nous fait tous nous interroger sur le rapport risque/récompense de la recherche sur l'IA. C'est également improbable à l'heure actuelle.
Apprentissage automatique
L'IA devient de plus en plus intelligente. Plus l'algorithme est exposé à des données, plus il est performant par rapport à de nouvelles données d'un ensemble similaire au fil du temps. Contrairement à l'apprentissage profond, l'apprentissage machine (ML) nécessite une intervention humaine pour s'améliorer.
Essentiellement, la ML est un moyen d'exploiter l'IA dans des applications spécifiques pour accéder à des ensembles de données incroyablement vastes et prédire l'avenir sur la base d'un historique statistique. Elle fonctionne avec des données structurées et non structurées, ce qui en fait un élément essentiel de notre croissance. Panzura CloudFS.
En particulier, la ML est un élément essentiel de l'automatisation. En utilisant les données pour enseigner aux algorithmes à prédire plus intelligemment les résultats futurs des données, nous pouvons transférer le travail prédictif vers des voies numériques qui déchargent nos réseaux neuronaux. Qu'il s'agisse de protocoles prédictifs de cybersécurité, de recherches intelligentes ou de prévisions et d'optimisation pour un secteur spécifique comme les services financiers ou l'ingénierie géospatiale, la ML intensifie nos propres intuitions dans la lecture des données et la prise de décisions.
La ML se nourrit de données. Aujourd'hui, il s'agit principalement d'ensembles de données traditionnels et d'algorithmes tels que le regroupement, la classification et l'analyse de régression. Plus vous disposez de bonnes données, plus votre modèle est performant au fil du temps. Étant donné que la ML fonctionne sur la différence ou le taux d'erreur entre les "vérités de base" établies et ses prédictions, il s'agit d'un système auto-optimisant qui progressera en fonction de la qualité des données qui lui sont fournies comme base de ses opérations.
L'apprentissage automatique étant encore une vaste catégorie de l'IA (par opposition à l'apprentissage profond), nous définissons souvent ce que nous entendons par apprentissage automatique en fonction de l'objectif qui lui a été assigné. Commencez par définir la portée d'un algorithme d'apprentissage automatique. Vous comprenez maintenant son objectif et vous pouvez diriger les données appropriées pour maximiser sa valeur au sein de votre application technologique, comme les fonctions de recherche intelligente ou l'analyse prédictive dans un contexte spécifique.
Apprentissage profond
Nous avons maintenant approfondi un sous-ensemble de l'apprentissage automatique. L'apprentissage profond utilise des couches de réseaux neuronaux pour appliquer de vastes lacs de données. La profondeur du réseau neuronal définit l'apprentissage en profondeur - un véritable algorithme d'apprentissage en profondeur comporte au moins trois nœuds de réseaux neuronaux, y compris l'entrée et la sortie.
Nous nous rapprochons ici de la science magique d'Arthur C. Clarke. L'apprentissage profond élimine une grande partie de l'intervention humaine nécessaire à l'apprentissage automatique. Il s'agit d'un algorithme auto-éducatif qui utilise le volume de données disponibles pour améliorer les performances prédictives, ouvrant de nouveaux niveaux de complexité dans ce qui peut être automatisé. Selon le MIT, il s'agit d'un apprentissage automatique évolutif qui représente l'avenir des données non structurées en particulier.
C'est dans le domaine de l'apprentissage en profondeur que l'intelligence artificielle imite le plus le cerveau humain aujourd'hui. Au-delà de l'analyse statistique avancée, l'apprentissage profond peut commencer à exécuter une prise de décision intelligente par un cerveau non humain.
Les réseaux neuronaux constituent l'épine dorsale de l'apprentissage profond. Une couche d'entrée accepte les données. Une couche cachée identifie les caractéristiques cachées lors de l'analyse initiale des données. Enfin, une couche de sortie fournit la sortie appropriée. Cette structure multicouche d'analyse des données est ce qui distingue l'apprentissage profond de l'apprentissage automatique. C'est aussi ce qui permet à l'apprentissage profond de résoudre des tâches pour lesquelles les modèles d'apprentissage automatique établis s'avèrent inadéquats.
Les progrès de l'apprentissage profond sont la force motrice d'une grande partie de l'IA interactive que nous connaissons aujourd'hui, des voitures autonomes aux assistants virtuels en passant par les capacités de traduction linguistique en temps réel. Étant donné que l'apprentissage profond peut gérer des biais pondérés complexes dans les entrées, puis rétropropager les sorties en fonction de l'objectif de réduction du taux d'erreur, il est intrinsèquement plus auto-optimisant que l'apprentissage automatique.
Peut-être le plus prometteur pour l'avenir de Panzura, l'apprentissage profond étend l'extraction de caractéristiques au-delà des limites de l'apprentissage automatique. Plutôt que de fonctionner sur des algorithmes plats qui nécessitent un prétraitement des caractéristiques des données, l'apprentissage profond peut prendre des données brutes et exécuter des algorithmes de recherche intelligents sans la catégorisation ou la classification sous-jacente des données. Ces algorithmes comprennent la représentation implicite des données brutes sans intervention humaine, ouvrant ainsi l'avenir des données non structurées.
L'essor des machines
Que vous compreniez ou non les arbres de décision et la régression logique ou que vous ayez du mal à définir un classificateur Naïve Bayes, vous devez comprendre les distinctions entre l'intelligence artificielle, l'apprentissage automatique et l'apprentissage profond. Ces trois technologies auront un impact sur votre avenir, l'avenir de vos données et l'avenir de votre organisation.
Alors que nous nous rapprochons de plus en plus d'un équivalent du cerveau humain piloté par le code, nous continuerons à observer des gains de productivité, de vitesse, d'intelligence et de mémoire. Nous aurons accès à plus de données que jamais. Les équipes qui apprendront à exploiter ces informations et à les utiliser pour améliorer leur expérience client, leur stratégie de mise sur le marché et le développement de leurs produits gagneront. Les autres se demanderont ce qui s'est passé lorsque les machines les ont remplacés.
Nous ne pouvons pas nous permettre de ne pas comprendre ces concepts. Même sans être titulaire d'un doctorat en informatique, nous pouvons voir l'avenir, et il ressemble beaucoup à l'intelligence pilotée par des algorithmes, associée aux émotions, à la créativité, au désir et à la volonté des êtres humains vivants. L'étincelle humaine ne sera jamais remplacée par des électrons, mais elle peut être considérablement améliorée grâce aux données appropriées.