Pour qu’un système informatique puisse véritablement apprendre, il ne devrait pas être programmé pour effectuer une tâche particulière. Il devrait plutôt être programmé pour apprendre à accomplir la tâche. Pour ce faire, le système doit utiliser une forme plus perfectionnée d’apprentissage machine appelée apprentissage en profondeur qui repose sur des réseaux de neurones. Grâce aux réseaux neuronaux, le système peut identifier, indépendamment de la tâche à effectuer, des modèles parmi les données.
L’origine des réseaux neuronaux modernes repose sur un modèle mathématique du neurone appelé perceptron, dévoilé par Frank Rosenblatt en 1957. Ce modèle ressemble étroitement à la structure du neurone et dispose d’entrées ressemblant à des dendrites (une courte extension d’un neurone qui transmet des signaux électrochimiques d’un neurone à un autre). Dans le modèle original réalisé par Warren McCulloch et Walter Pitts, les entrées étaient égales à 0 ou 1. Chaque dendrite / entrée avait également un poids de +1 et -1. La valeur de chaque input était multipliée par son poids, et la somme des inputs pondérées était ensuite transmise à un modèle. Sur la base de ce schéma initial, le modèle du perceptron peut recevoir n’importe quelle valeur.
La première couche d’un perceptron prend des décisions très simples, en évaluant le « score » de l’input reçu. Les résultats de cette première couche alimentent ensuite une seconde couche, qui évalue la « décision » de la première couche.Grâce à cette méthode, le perceptron de la deuxième couche peut décider à un niveau plus complexe et plus abstrait que le perceptron de la première couche. Plus le nombre de couches de perceptrons est élevé, plus la capacité de prise de décision est importante.
L’apprentissage en profondeur et les réseaux neuronaux ont transformé le monde de l’intelligence artificielle ces dernières années. Plus important encore, ils ont joué un rôle important dans l’amélioration de l’intelligence de l’IA. Des tâches et des compétences autrefois considérées comme réservées à l’Homme sont actuellement réalisées par des réseaux neuronaux profonds. Ce qui nous montre, qu’avec des quantités massives de données et assez de puissance de calcul, les machines peuvent maintenant reconnaître des objets, traduire des conversations, s’entraîner pour identifier des modèles complexes, apprendre à concevoir des stratégies et planifier des plans d’urgence en temps réel. L’intelligence artificielle n’est pas seulement capable de faire des tâches. L’IA commence à penser.
Les entreprises envisagent maintenant d’utiliser l’apprentissage en profondeur dans les ports et les aéroports pour rechercher des armes dissimulées. Dans le domaine de la finance, les algorithmes de trading et de gestion des actifs embrasse progressivement les techniques d’apprentissage en profondeur. Les gestionnaires d’actifs utilisent l’apprentissage en profondeur pour identifier des modèles globaux parmi de multiples sources de données telles que les reçus d’expédition, les commentaires des clients sur Twitter, les discours des membres de la Réserve fédérale, pour n’en nommer que quelques-uns. Notez que, puisque la plupart de ces données ne sont pas structurées, il serait presque impossible de faire des modèles prédictifs simples avec des modèles statistiques réguliers.
