L’Apprentissage Profond (Deep Learning), est une évolution de l’Apprentissage Machine (voir ce terme). Dans l’apprentissage machine, la première phase, la modélisation, permet de définir les variables qui seront utilisées dans le modèle. C’est donc l’analyste qui garde la main sur le choix d’utiliser ou non, certaines variables.
Dans l’apprentissage profond, c’est la machine qui détermine par elle-même, au travers d’un réseau de neurones, quelles seront les variables utilisées. L’Humain est toujours nécessaire, en amont, pour « labelliser » les données analysées par l’apprentissage profond. Le meilleur exemple est la classification de photos d’animaux. On va fournir à la machine des milliers de photos de chats et de chiens; chacune a été étiquetée « chat » ou « chien » par un Humain. La machine va toute seule chercher des variables différenciantes puis créer le modèle, qui lui permettra ensuite de calculer la probabilité qu’une nouvelle photo soit un chat ou un chien.
Principale différence donc, le modèle construit dans le cadre de l’apprentissage machine est explicable, et modifiable. Le modèle construit par l’apprentissage profond est très compliqué à expliquer, voir inexplicable.
Le modèle de l’apprentissage machine peut être lu et donc vérifié. Le modèle de l’apprentissage profond nécessite d’être testé à partir d’exemples pour comprendre comment il réagit. Lorsqu’un modèle d’apprentissage profond donne de mauvais résultats, c’est le plus souvent car les données qui lui ont été transmises sont partiales ou incomplètes.
L’apprentissage profond est essentiellement utilisé pour l’analyse de données non structurées (images, vidéos, textes). Il est peu utilisé dans les applications de gestion d’entreprise, essentiellement en raison de cette absence d’explicabilité.
Voir aussi : Apprentissage Machine (Machine Learning)
