Intelligence artificielle vs Machine Learning (ML) vs Deep Learning - Quelle est la différence

Dans votre vie de tous les jours, vous devez avoir entendu les termes Intelligence Artificielle (IA), Machine Learning (ML) et Deep Learning (DL). Vous avez peut-être également remarqué que ces termes sont souvent utilisés de manière interchangeable.

Mais est-ce que ces 3 sont les mêmes ? Avez-vous la liberté de les utiliser de manière interchangeable ? Découvrons-le!

En 1955, l'un des premiers parrains de l'IA, John McCarthy a défini l'intelligence artificielle comme "la science et l'ingénierie de la fabrication de machines intelligentes capables d'atteindre des objectifs comme les humains". Puis 4 ans plus tard, en 1959, Arthur Samuel a décrit l'apprentissage automatique comme un vaste sous-domaine de l'IA "qui donne aux ordinateurs la capacité d'apprendre sans être explicitement programmés". Qu'est-ce que cela implique ?

Dans Machine Learning, une fois qu'un programme est créé, il apprend progressivement à accomplir des tâches intelligentes au-delà des limites de la programmation - il apprend par l'expérience et les données. À cet égard, les programmes ML sont différents des programmes spécialement conçus avec un ensemble prédéfini de comportements et d'objectifs.

Cette image vous rendra probablement les choses un peu plus claires :

Maintenant, nous allons examiner en profondeur l'intelligence artificielle, l'apprentissage automatique et l'apprentissage en profondeur et leurs différences.

Intelligence artificielle contre apprentissage automatique

En termes simples, l'IA cherche à concevoir des programmes informatiques et des algorithmes spéciaux qui permettent aux machines de fonctionner comme des humains. L'idée fausse la plus courante que les gens ont à propos de l'IA est qu'il s'agit d'un « système ». La vérité – l'IA n'est pas un système ; il s'agit d'une étude (comme nous l'avons mentionné précédemment "science et ingénierie") portant sur la façon de former des ordinateurs pour accomplir des tâches effectuées par des humains.

L'IA peut être classée en 3 types :

• IA étroite : Il s'agit de l'IA qui peut programmer les machines pour effectuer des tâches particulières, mais d'une bien meilleure manière qu'un humain.
• IA générale : Il s'agit de l'IA qui peut effectuer un éventail de tâches intellectuelles/intelligentes avec le même niveau de précision qu'un humain.
• IA active : Peut-être la forme d'IA la plus avancée, l'IA active peut surpasser les humains dans des tâches spécifiques.

Puisque l'IA est une étude ou un concept de développement de machines intelligentes, elle doit disposer de moyens technologiques pour atteindre cet objectif, n'est-ce pas ?

L'apprentissage automatique est l'un de ces moyens. Marque nos mots ici, ML est l'une des façons dont nous pouvons exécuter le concept d'IA. Selon Tom Mitchell, expert en ML à l'Université Carnegie Mellon :

"L'apprentissage automatique est l'étude d'algorithmes informatiques qui permettent aux programmes informatiques de s'améliorer automatiquement grâce à l'expérience."

Ainsi, atteindre l'objectif de l'IA - créer des machines qui peuvent apprendre de l'expérience et des essais et erreurs, tout comme les humains. Les algorithmes de ML se nourrissent de données pour en tirer des enseignements. Chaque fois qu'une nouvelle entrée est introduite dans l'algorithme, il ajuste sa réponse à ce changement pour effectuer de nouvelles tâches. Un exemple classique d'apprentissage automatique est le moteur de recommandation. Vous devez avoir vu cela sur des plateformes en ligne comme Netflix et Amazon – en fonction du contenu que vous recherchez, ces applications organisent une liste de recommandations personnalisée et personnalisée du contenu que vous « aimeriez » voir.

À l'époque où l'IA en était à ses débuts, l'objectif des scientifiques et des chercheurs était de créer des machines capables d'effectuer des tâches nécessitant de l'intelligence. Au départ, ils ont développé des programmes (rappelez-vous encore une fois, des programmes sont nécessaires pour exécuter les plans de l'IA) qui pourraient résoudre des problèmes logiques de base et rivaliser avec les humains dans des jeux comme les échecs et les dames. Exemple concret - Deep Blue d'IBM qui a battu le champion du monde Gary Kasparov aux échecs.

C'est l'un des tout premiers exemples du succès de l'IA et il va sans dire qu'il a provoqué une énorme vague d'enthousiasme parmi les passionnés d'informatique et de technologie - c'était le début d'un monde avec de toutes nouvelles possibilités. Avance rapide jusqu'à aujourd'hui, regardez où en est l'IA - aujourd'hui, nous pouvons nous vanter d'applications d'IA réelles comme la voiture autonome de Google, Robot Sophia, des assistants virtuels intelligents comme Siri d'Apple et Alexa d'Amazon, Smart Homes et IoT, et tellement plus. Toutes ces inventions d'IA ont une chose en commun qui les anime : les algorithmes ML.

Apprentissage automatique contre apprentissage en profondeur

Tout comme le ML est un sous-ensemble de l'IA, le Deep Learning est un sous-ensemble du ML.

L'essence de Deep Learning est les réseaux de neurones artificiels (ANN). Étant donné que l'idée même de l'IA était d'imiter les capacités du cerveau humain, des réseaux de neurones artificiels ont été créés. Vous pouvez considérer le Deep Learning comme la branche évolutive du ML dans laquelle les ANN sont des réseaux complexes d'une quantité incompréhensible de neurones, profondément interconnectés les uns aux autres en couches.

Les ANN sont conçus pour résoudre des problèmes complexes que les algorithmes ML traditionnels et les réseaux de neurones simples ne peuvent pas résoudre. Ce n'est pas parce que les réseaux de neurones conventionnels sont connectés de manière simple - ils sont incapables de faire le poids lourd du cerveau humain qui compte plus de 86 milliards de neurones, façonnant un style complexe d'interconnectivité.

Maintenant, comme nous l'avons indiqué précédemment, le Deep Learning peut être considéré comme un sous-ensemble du Machine Learning. Essentiellement, l'apprentissage automatique consiste à développer des modèles qui s'améliorent progressivement dans la tâche qui leur est assignée, mais ils ont toujours besoin d'une sorte de conseils. Dans le cas où un algorithme ML renvoie un résultat inexact, les développeurs doivent intervenir et apporter les modifications nécessaires. Mais, un modèle d'apprentissage en profondeur - car il utilise des réseaux de neurones artificiels qui reproduisent le fonctionnement d'un cerveau humain - détermine par lui-même l'exactitude de ses prédictions, sans nécessiter aucune intervention humaine.

Pensées finales…

La discussion ci-dessus a dû clarifier de nombreuses questions que vous auriez pu avoir concernant l'IA, le ML ou le Deep Learning. Essentiellement, l'objectif final des trois technologies est le même : rendre les machines plus intelligentes. C'est la route qu'ils empruntent qui les rend différents les uns des autres.

Si vous ne savez toujours pas ce qui est quoi, n'hésitez pas à nous laisser un commentaire - nous vous couvrirons !