# Quelle est la différence entre l’IA, l’apprentissage automatique et l’apprentissage profond?

Date: 2022-01-15 · Author: Robert Scales · https://guidetoartificialintelligence.com/fr/apprendre/difference-ia-apprentissage-automatique-profond/

**Answer:** Pensez à trois cercles emboîtés. L’intelligence artificielle est le plus large : toute technique qui permet à une machine de faire quelque chose qu’on qualifierait d’intelligent. L’apprentissage automatique se trouve à l’intérieur et couvre les systèmes qui apprennent à partir de données au lieu de suivre des règles écrites à la main; l’apprentissage profond se trouve à l’intérieur de l’apprentissage automatique et utilise des réseaux de neurones à plusieurs couches qui apprennent leurs propres caractéristiques à partir de données brutes.

Les trois termes sont souvent employés comme s’ils voulaient dire la même chose, et les manchettes n’aident guère. Ils sont liés, mais chacun est un sous-ensemble du précédent. L’explication d’IBM les compare à des poupées russes : l’apprentissage automatique est une partie de l’intelligence artificielle, l’apprentissage profond est une partie de l’apprentissage automatique, et les réseaux de neurones sont la mécanique au cœur de l’apprentissage profond.

Bien faire la distinction, c’est plus qu’une question de vocabulaire. Cela vous dit comment un système a été construit, de quel genre de données il a eu besoin et à quelles sortes d’erreurs vous attendre de sa part.

## L’intelligence artificielle : le cercle le plus large

L’intelligence artificielle (IA) est l’objectif général d’amener des machines à accomplir des tâches qu’on associe à l’intelligence humaine, comme jouer à des jeux, reconnaître la parole, traduire ou prendre des décisions. Elle ne dit rien du *comment*. Un programme peut relever de l’IA même si chacune de ses décisions vient de règles qu’une personne a tapées.

Pendant des décennies, une bonne partie de l’IA fonctionnait ainsi. Un programme d’échecs classique explore les coups possibles et note chaque position qui en résulte au moyen d’une formule écrite par des personnes : tant de points pour une dame, tant pour une tour, un bonus pour le contrôle du centre. Le programme peut très bien jouer, mais rien en lui n’apprend. Si son jeu est faible, un programmeur doit changer les règles.

Tout ce qui est construit aujourd’hui reste de l’IA « étroite », c’est-à-dire qu’elle fait un seul type de tâche. L’IA générale, une machine aussi polyvalente qu’une personne, n’existe pas.

## L’apprentissage automatique : apprendre les règles à partir des données

L’apprentissage automatique est la partie de l’IA où le système établit ses propres règles à partir d’exemples. L’idée est ancienne. En 1959, Arthur Samuel, d’IBM, a publié un article dont le titre employait l’expression « machine learning » (apprentissage automatique); il y décrivait un programme de dames qui avait appris à jouer mieux que lui après 8 à 10 heures de jeu, en partie en ajustant sa propre formule de notation au fil des parties.

Un filtre antipourriel est un bon exemple moderne. Au lieu d’écrire des règles comme « bloquer les courriels qui contiennent *argent gratuit* », des ingénieurs rassemblent des milliers de courriels déjà étiquetés pourriel ou non. L’algorithme d’apprentissage trouve quelles caractéristiques, comme certains mots, certains liens ou certains expéditeurs, permettent de prédire le pourriel, et il peut être entraîné de nouveau quand les polluposteurs changent de tactique.

En apprentissage automatique classique, ce sont encore des personnes qui choisissent les caractéristiques que l’algorithme examine. L’explication d’IBM insiste sur ce point : des experts humains décident quelles caractéristiques distinguent les catégories, et les données sont généralement propres et structurées.

## L’apprentissage profond : apprendre aussi les caractéristiques

L’apprentissage profond, c’est de l’apprentissage automatique fait avec des réseaux de neurones qui comptent de nombreuses couches. Un réseau de neurones est formé d’unités simples qui prennent chacune des entrées, les multiplient par des poids (des nombres qui indiquent l’importance de chaque entrée), les additionnent et transmettent un signal si le total dépasse un seuil. La définition pratique d’IBM qualifie un réseau de « profond » quand il a plus de trois couches, en comptant l’entrée et la sortie.

La différence importante, c’est qu’un réseau profond apprend ses propres caractéristiques à partir de données brutes, comme des pixels ou du texte. Personne ne dit à un outil de reconnaissance d’images de chercher des moustaches ou des roues. Avec assez de photos étiquetées, ses premières couches apprennent à détecter des contours, les couches suivantes les combinent en formes, et les dernières reconnaissent des objets. En contrepartie, l’apprentissage profond exige habituellement beaucoup plus de données et de puissance de calcul que l’apprentissage automatique classique.

## Un exemple concret : un tableau, quatre systèmes

| Système | Cercle | D’où vient son « savoir » |
|---|---|---|
| Programme d’échecs à règles | IA seulement | Une recherche, plus des règles de notation écrites par des personnes |
| Filtre antipourriel | Apprentissage automatique | Des régularités apprises de courriels étiquetés, à partir de caractéristiques choisies par des personnes |
| Outil de reconnaissance de photos | Apprentissage profond | Un réseau à plusieurs couches qui apprend les caractéristiques directement à partir des pixels |
| GPT-3 | Apprentissage profond | Un très grand réseau entraîné à prédire le mot suivant dans d’énormes quantités de texte |

> **À essayer :** choisissez trois applications sur votre téléphone, comme une carte, un album photo et un clavier. Pour chaque fonction que vous utilisez, devinez à quel cercle elle appartient : règles fixes, apprentissage à partir de données avec des caractéristiques choisies, ou apprentissage profond à partir de données brutes. Cherchez ensuite un indice, par exemple si la fonction s’améliore à mesure que vous l’utilisez.

## Où se situent les modèles de langage?

Les modèles de langage se trouvent dans le cercle le plus intérieur. Un modèle de langage est un système entraîné à prédire le mot suivant, ou le morceau de mot suivant, à partir du texte qui précède. Les principaux modèles de langage d’aujourd’hui sont des réseaux de neurones profonds; ils relèvent donc de l’apprentissage profond, ce qui en fait une forme d’apprentissage automatique et, par conséquent, une forme d’IA.

GPT-3 en est l’exemple le plus connu. Selon l’article d’OpenAI, il compte 175 milliards de paramètres, les poids ajustables à l’intérieur du réseau, et il a été entraîné sur environ 300 milliards de jetons de texte tirés en grande partie d’une exploration filtrée du Web, plus des livres et Wikipédia. Personne n’y a écrit de règles de grammaire ni de faits. Il a appris les régularités de la langue simplement en prédisant le jeton suivant, encore et encore, et le même article montre qu’il peut ensuite accomplir de nouvelles tâches à partir de quelques exemples dans le prompt.

Cette origine explique à la fois ses forces et ses faiblesses. Comme il a appris à partir de texte plutôt que de règles, il est souple et fluide. Comme il prédit des mots probables plutôt que de vérifier des faits, il peut se tromper avec assurance. Savoir à quel cercle appartient un système est un bon premier pas pour savoir jusqu’où lui faire confiance.

## Sources

- AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What's the Difference?: https://web.archive.org/web/20211226011034/https://www.ibm.com/cloud/blog/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks
- Some Studies in Machine Learning Using the Game of Checkers: https://people.csail.mit.edu/brooks/idocs/Samuel.pdf
- Language Models are Few-Shot Learners: https://arxiv.org/abs/2005.14165