Google a mis un grand coup de projecteur sur le terme Deep Learning avec son programme AlphaGo. Ce dernier consiste à programmer une intelligence artificielle à jouer au jeu de stratégie particulièrement complexe, le Go, dans le but de battre les meilleurs joueurs du monde. Google réussi son pari puisque AlphaGo bat le champion du monde, le chinois Ke Jie en mai 2017. Pour mieux comprendre les cas d’usages métiers du Deep Learning il est important de comprendre son fonctionnement. 

Une technique d’apprentissage automatique basée sur les réseaux de neurones

Le Deep Learning est une technique d’apprentissage au même titre que le Machine Learning, mais il a la spécificité d’être basé sur des « réseaux de neurones artificiels ». Google n’est pas le seul géant du web à s’y intéresser, toutes les grandes entreprises investissent massivement dans des programmes de Deep Learning :  Facebook, Amazon, IBM, Microsoft … Depuis quelques années la discipline est en train d’exploser, mais les premiers principes du Deep Learning remontent aux années 50.

Au cours d’études cherchant à comprendre le fonctionnement du cerveau humain, les premiers réseaux de neurones furent inventés. Mais, c’est Yann Lecun, qui est réellement à l’origine du Deep Learning en inventant les réseaux de neurones convolutifs, en 1990. Toutefois, ces derniers ne pourront pas être exploités pleinement à l’époque en raison du manque de puissance de calcul des ordinateurs.

Ce sont d’ailleurs ces réseaux de neurones convolutifs qui distinguent le Deep Learning du Machine Learning. Là où dans le Machine Learning l’intervention humaine est nécessaire pour extraire des caractéristiques, (d’une image par exemple) pour ensuite modéliser un algorithme, les réseaux de neurones vont eux permettre au programme d’être pleinement autonome dans l’extraction des caractéristiques de l’image à partir de données brutes.

Les réseaux de neurones, comment ça fonctionne ?

Les neurones sont divisés en plusieurs couches qui vont chacun réaliser des calculs de plus en plus complexes.

D’ailleurs, c’est ce besoin massif de données et de puissance de traitement qui a retardé l’explosion du Deep Learning. Il n’y a que depuis peu que les volumes de données sont assez importants pour de tels programmes et surtout que les systèmes informatiques sont assez performants pour les traiter. En effet, la phase d’apprentissage/d’entraînement d’un modèle de Deep Learning demande une certaine puissance de traitement.

Le schéma ci-dessus illustre la démarche effectuée. Une première série de calcul est réalisée par la première couche, couche d’entrée, ce qui permettra à la deuxième couche de répondre à de nouveaux calculs. L’objectif final est d’avoir des scores de classification avec un niveau de précision maximal. Plus le nombre de couches est élevé, plus le réseau de neurones est dit « profond ».

Cependant, pour pouvoir être performant le réseau de neurones doit s’entraîner, en assimilant un grand nombre de données. C’est notamment comme cela que le programme de Google AlphaGo a été capable de battre les meilleurs joueurs du monde. L’entreprise a fait analyser un grand nombre de parties du jeu stratégique au programme afin qu’il parcoure les plus de combinaisons possibles et soit capable de donner une réponse optimale en fonction de la phase de jeu. Plus le nombre de données est important plus son apprentissage est complet et le système performant.

Une puissance nécessaire

D’ailleurs, c’est ce besoin massif de données et de puissance de traitement qui a retardé l’explosion du Deep Learning. Il n’y a que depuis peu que les volumes de données sont assez importants pour de tels programmes et surtout que les systèmes informatiques sont assez performants pour les traiter. En effet, la phase d’apprentissage/d’entraînement d’un modèle de Deep Learning demande une certaine puissance de traitement.

Les moyens étant disponibles aujourd’hui pour exploiter ces nouvelles techniques d’apprentissages autonomes, de nombreuses entreprises mettent en place différents cas d’usages. Alors que les applications du Deep Learning les plus reconnues sont la reconnaissance faciale et vocale, quels autres cas d’usages le Deep Learning s’appliquent à l’entreprise ?

Les moyens étant disponibles aujourd’hui pour exploiter ces nouvelles techniques d’apprentissages autonomes, de nombreuses entreprises mettent en place différents cas d’usages. Alors que les applications du Deep Learning les plus reconnues sont la reconnaissance faciale et vocale, quels autres cas d’usages le Deep Learning s’appliquent à l’entreprise ?

La bonne image à la bonne personne

Pour certains secteurs du e-commerce tel que la mode, l’ameublement et l’e-tourisme, le rôle des images est l’un des facteurs qui influe le plus sur la décision d’achat. Dans le cadre de la vente de voyages, les clients peuvent avoir différentes motivations pour une même destination (voyage culturel, voyage détente, nature et sport, voyage en famille, en France ou à l’étranger, …) et il faut alors proposer des visuels en adéquations avec les attentes du client.

Grâce au Deep Learning, une agence de voyage en ligne peut labéliser l’ensemble de sa banque d’images : activité sportive, piscine, musée, plage, etc. Une fois les images catégorisées, il est ensuite possible de montrer dynamiquement la bonne image auprès de chaque internaute à partir de ce qu’il regarde sur le site. Sachant que l’e-tourisme est le premier secteur du e-commerce en France en 2017 (source Phocuswright), on comprend pourquoi de nombreux acteurs du tourisme lancent des projets de Deep Learning pour améliorer leurs moteurs de recommandations.

Une analyse de texte plus précise

Le c-commerce ou commerce conversationnel avec des chatbots est déjà bien développé à ce jour et utilisé par les entreprises telles que Ebay ou bien Blablacar. Il consiste à envoyer des messages instantanés à ses clients dans l’objectif d’un marketing one-to-one. Mais ces technologies, bien que performantes, ne permettent pas une réelle personnalisation de la relation avec les consommateurs. Chaque question ou échange est anticipé par les ingénieurs et préalablement enregistré dans le système qui peut par la suite répondre à l’interlocuteur. Au même titre que l’application Siri chez Apple qui peut répondre seulement aux questions qui ont été préconfigurées par les ingénieurs de l’entreprise. Le Deep Learning a donc sa place à jouer pour rendre ces outils plus autonomes et rendre les échanges personnalisés.

De même, la compréhension d’un texte est possible grâce au Machine Learning et permet d’identifier le sujet, l’intention ou le sentiment. Grâce au Deep Learning, cette analyse est plus pertinente et précise. On peut ainsi citer des applications juridiques qui utilisent le Deep Learning et dont le but est d’analyser d’importants volumes de textes tels que des échanges de mails, des documents de travail, contrats… Ces derniers sont alors classifiés par thème, voire même rangés par ordre d’importance afin de faciliter le travail des avocats qui doivent traiter un nombre important de documents pour certains procès. Chez Openvalue, le Deep Learning est utilisé afin d’affiner l’analyse de texte pour améliorer les résultats de moteurs de recommandations (produits, contenus, …).

Des applications du Deep Learning variées

A l’heure où nous écrivons ces lignes, les cas d’usages liés au Deep Learning sont principalement liés à la reconnaissance d’images et vidéo. On peut ainsi citer, parmi d’autres :

 

• Horus : un wearable qui permet aux mal-voyants de voir, lire une étiquette ou un livre, s’orienter et reconnaître un ami dans la rue. En effet, doté de deux caméras et d’écouteurs, Horus utilise le Deep Learning pour analyser l’environnement et le décrire au porteur de l’objet.
• Deepfont : Photoshop, l’illustre logiciel de retouche d’image met désormais l’accent sur les technologies du Deep Learning avec des outils comme DeepFont qui permet d’analyser un texte et d’identifier la police de caractère utilisée parmi une base de donnée de quasi 20.000 polices. Deepfont est un véritable Shazam pour les graphistes.
• Baylabs : fondé par des ingénieurs du MIT, Baylabs est une solution d’aide à la décision médicale spécialisée dans l’analyse des échocardiographies. L’ échocardiographie ou écographie cardiaque est une technique d’imagerie médicale employant des ultrasons. Face au nombre croissant de maladies cardiovasculaires, la demande d’échocardiographies explose. Ainsi la solution Baylabs permet aux cardiologues de gagner du temps dans leur analyse et la mise en place d’un traitement efficace.

D’autres entreprises avec des projets plus originaux annoncent utiliser le Deep Learning à des fins prédictives. C’est le cas de Scriptbook et Vault, deux startups qui prédisent les retombées financières d’un film en analysant son scénario et d’autres critères (thèmes, acteurs, degré d’action et d’effets spéciaux, …).

Nous ne sommes qu’aux prémices des applications de Deep Learning. Les futurs enjeux de cette méthode basée sur des réseaux de neurones artificiels sont a priori énormes et encore peu explorés. En effet, chez Openvalue, le Deep Learning est considéré comme l’un des deux enjeux majeurs de 2018 avec la Data Governance qui a été mise en avant avec le nouveau Règlement Général pour la Protection des Données.