Le deep learning expliqué aux dirigeants d'entreprise et aux cadres
Pour en savoir plus
Qu’est-ce que le deep learning ?
Le deep learning, également appelé deep neural learning ou deep neural network, est une fonctionnalité de l’intelligence artificielle (IA) qui copie le cerveau humain dans sa manière de traiter les données et de créer des modèles qui visent à faciliter la prise de décisions. En tant que sous-ensemble du machine learning dans le domaine de l’intelligence artificielle, le deep learning dispose de réseaux capables d’apprendre sans surpervision externe à partir de données non structurées ou sans étiquette.
Le deep learning adopte une approche en couches pour améliorer la prise de décisions, tout en conservant constamment les données qu'il reçoit. Ainsi, si le machine learning est comparable au bachotage d'un étudiant à l'approche d'un examen, soit une relecture intensive de ses notes, le deep learning correspond davantage aux révisions d’un écolier, qui relit continuellement les lettres de l’alphabet et apprend lentement les billions de manières de combiner ces lettres pour former des mots. Dans le premier exemple, des données déjà identifiées sont interprétées. Dans le second, l’interprète libère tout le potentiel des données qui lui sont fournies.
C'est important pour les entreprises, car le deep learning peut fournir des informations sur les données à davantage de collaborateurs et atteindre un degré de fidélité plus élevé pour des cas d’usage plus complexes.
À mesure que le deep learning devient de plus en plus sophistiqué, il s’intègre à des cas d’usage métier concrets - en particulier dans le domaine de la vision par ordinateur. Il est ainsi prêt à faire ses premiers pas sur la scène industrielle mondiale.
Les entreprises assimilent l’analyse des données à une solution aux problèmes de l’entreprise et, grâce au deep learning, elles disposent désormais de machines intelligentes capables d'analyser leurs données multidimensionnelles les plus complexes afin d’obtenir de nouvelles informations.
Les secteurs qui tirent profit du deep learning
La santé
Le deep learning permet de répondre aux demandes immédiates formulées dans le domaine de la santé, un secteur qui produit une myriade de données.
La principale application dans le domaine de santé est la vision par ordinateur. De nombreuses procédures spécialisées et coûteuses impliquent de l’imagerie médicale. De l’IRM à la tomodensitométrie, en passant par de simples radiographies, les médecins utilisent l’observation visuelle pour poser leur diagnostic à partir d’une image. Cependant, la charge cognitive qui s'exerce sur les médecins est beaucoup trop importante pour qu’ils puissent se montrer efficaces en permanence.
Le deep learning excelle actuellement dans le domaine de la reconnaissance d’images et est capable d'effectuer cette tâche plus rapidement qu'un être humain. En exposant un programme à des millions, voire des milliards d’images numérisées, ainsi que leur corrélation avec un diagnostic donné, le deep learning pourrait se passer d'une intervention humaine et permettre au médecin de se contenter de prescrire un traitement. À l’avenir, même de simples recommandations de traitement pourraient être automatisées grâce à un assistant médical alimenté par l’IA, ce qui permettrait aux médecins de se libérer pour effectuer un travail qui nécessite des compétences et de l’imagination, comme la recherche d'un remède contre le cancer.
Outre l’oncologie, le deep learning offre de nombreuses possibilités dans le domaine de la découverte de nouveaux médicaments. Les start-ups étudient actuellement la manière dont le deep learning pourrait permettre de prédire avec exactitude les meilleurs produits pharmaceutiques à utiliser dans la lutte contre certaines maladies en fonction de leur structure moléculaire et de découvrir de nouveaux usages pour les médicaments existants qui n’avaient pas été initialement envisagées par leurs créateurs.
Le secteur manufacturier
Les usines de fabrication de demain verront converger de nombreux domaines de pointe, tels que la robotique, le cloud computing, l'Internet of Things (IoT) et la fabrication additive. La plupart de ces domaines nécessitent un travail important lié à la visualisation.
Au lieu de laisser l’assemblage, l’identification des défauts et autres tâches aux humains, tout est transmis à un algorithme de deep learning qui exploite les informations des capteurs pour favoriser une meilleure prise de décision.
La construction automobile
Google, Tesla, Volvo et d’autres équipementiers automobiles s’efforcent de mettre des voitures autonomes sur le marché. Les véhicules automatisés pourraient se révéler des atouts très prometteurs pour la rapidité et l’efficacité du transport de marchandises, tout en ayant un impact très faible sur l'environnement.
L’application du deep learning à la construction automobile basée sur le transport de fret peut augmenter les marges bénéficiaires des entreprises qui oeuvrent dans le domaine de la logistique routière.
La vente de détail
La vente de détail exige également une quantité importante d’informations visuelles. Certaines entreprises décident des types de vêtements qu'un client aimerait acheter en tenant compte de leurs choix précédents et en s'en servant comme modèle pour faire des recommandations.
Pour les clients qui possèdent déjà ou voient un produit qui leur plaît, une fonction de recherche d’image inversée pourrait leur permettre de retrouver la robe ou la chemise que portait quelqu'un qu'ils ont croisé dans la rue pour pouvoir l'acheter.
Dans un avenir lointain, les détaillants pourraient fournir aux acheteurs des robots-assistants capables d'interpréter le langage naturel et de leur offrir une expérience d’achat personnalisée.
Le deep learning adopte une approche en couches pour améliorer la prise de décisions, tout en conservant constamment les données qu'il reçoit. Ainsi, si le machine learning est comparable au bachotage d'un étudiant à l'approche d'un examen, soit une relecture intensive de ses notes, le deep learning correspond davantage aux révisions d’un écolier, qui relit continuellement les lettres de l’alphabet et apprend lentement les billions de manières de combiner ces lettres pour former des mots. Dans le premier exemple, des données déjà identifiées sont interprétées. Dans le second, l’interprète libère tout le potentiel des données qui lui sont fournies.
C'est important pour les entreprises, car le deep learning peut fournir des informations sur les données à davantage de collaborateurs et atteindre un degré de fidélité plus élevé pour des cas d’usage plus complexes.
À mesure que le deep learning devient de plus en plus sophistiqué, il s’intègre à des cas d’usage métier concrets - en particulier dans le domaine de la vision par ordinateur. Il est ainsi prêt à faire ses premiers pas sur la scène industrielle mondiale.
Les entreprises assimilent l’analyse des données à une solution aux problèmes de l’entreprise et, grâce au deep learning, elles disposent désormais de machines intelligentes capables d'analyser leurs données multidimensionnelles les plus complexes afin d’obtenir de nouvelles informations.
Les secteurs qui tirent profit du deep learning
La santé
Le deep learning permet de répondre aux demandes immédiates formulées dans le domaine de la santé, un secteur qui produit une myriade de données.
La principale application dans le domaine de santé est la vision par ordinateur. De nombreuses procédures spécialisées et coûteuses impliquent de l’imagerie médicale. De l’IRM à la tomodensitométrie, en passant par de simples radiographies, les médecins utilisent l’observation visuelle pour poser leur diagnostic à partir d’une image. Cependant, la charge cognitive qui s'exerce sur les médecins est beaucoup trop importante pour qu’ils puissent se montrer efficaces en permanence.
Le deep learning excelle actuellement dans le domaine de la reconnaissance d’images et est capable d'effectuer cette tâche plus rapidement qu'un être humain. En exposant un programme à des millions, voire des milliards d’images numérisées, ainsi que leur corrélation avec un diagnostic donné, le deep learning pourrait se passer d'une intervention humaine et permettre au médecin de se contenter de prescrire un traitement. À l’avenir, même de simples recommandations de traitement pourraient être automatisées grâce à un assistant médical alimenté par l’IA, ce qui permettrait aux médecins de se libérer pour effectuer un travail qui nécessite des compétences et de l’imagination, comme la recherche d'un remède contre le cancer.
Outre l’oncologie, le deep learning offre de nombreuses possibilités dans le domaine de la découverte de nouveaux médicaments. Les start-ups étudient actuellement la manière dont le deep learning pourrait permettre de prédire avec exactitude les meilleurs produits pharmaceutiques à utiliser dans la lutte contre certaines maladies en fonction de leur structure moléculaire et de découvrir de nouveaux usages pour les médicaments existants qui n’avaient pas été initialement envisagées par leurs créateurs.
Le secteur manufacturier
Les usines de fabrication de demain verront converger de nombreux domaines de pointe, tels que la robotique, le cloud computing, l'Internet of Things (IoT) et la fabrication additive. La plupart de ces domaines nécessitent un travail important lié à la visualisation.
Au lieu de laisser l’assemblage, l’identification des défauts et autres tâches aux humains, tout est transmis à un algorithme de deep learning qui exploite les informations des capteurs pour favoriser une meilleure prise de décision.
La construction automobile
Google, Tesla, Volvo et d’autres équipementiers automobiles s’efforcent de mettre des voitures autonomes sur le marché. Les véhicules automatisés pourraient se révéler des atouts très prometteurs pour la rapidité et l’efficacité du transport de marchandises, tout en ayant un impact très faible sur l'environnement.
L’application du deep learning à la construction automobile basée sur le transport de fret peut augmenter les marges bénéficiaires des entreprises qui oeuvrent dans le domaine de la logistique routière.
La vente de détail
La vente de détail exige également une quantité importante d’informations visuelles. Certaines entreprises décident des types de vêtements qu'un client aimerait acheter en tenant compte de leurs choix précédents et en s'en servant comme modèle pour faire des recommandations.
Pour les clients qui possèdent déjà ou voient un produit qui leur plaît, une fonction de recherche d’image inversée pourrait leur permettre de retrouver la robe ou la chemise que portait quelqu'un qu'ils ont croisé dans la rue pour pouvoir l'acheter.
Dans un avenir lointain, les détaillants pourraient fournir aux acheteurs des robots-assistants capables d'interpréter le langage naturel et de leur offrir une expérience d’achat personnalisée.