Aprendissatge Prigond

Aquestas tecnicas permetèron de progrès importants e rapids dins los domènis de l'analisi del senhal sonor o visual e per exemple la reconeissença faciala, de la reconeissença vocala, de la vision per ordinator, del tractament automatizat del lengatge. Dins las annadas 2000, auquestes progrès provoquèron d’investiments privats, universitaris e publics importants, per exemple fachs pels gigants de l’internet (Google, Apple, Facebook, Amazon, Microsoft).

Lo « deep learning » fa partit d’una familha de metòdes d'aprendissatges automatics fondats su l’aprendissatge de modèls de donadas. Una observacion (un imatge, p. ex.) se pòt representar de diferents biais per un vector de donadas, Per exemple segon:

• l’intensitat dels pixèls qu’es constituit;
• sas diferentas arèstas;
• sas diferentas regions, de formas particularas.

Unas representacions e una bona capacitat d'analisi automatic de las diferenciacions fasent lo pretzfach d’aprendissatge mai eficaç.

Una de las perspectivas de las tecnicas de l'aprendissatge prigond es lo remplaçament d’unas òbras, encara pro laboriosas, per de modèls algoritmics d’aprendissatge supervisat, non supervisat (es a dire demandan pas de coneissença especificas al subjècte del problèma estudiat) o alara per de tecnicas d’extraccion ierarquica de las caracteristicas.

Las recercas dins aqueste domèni s’esfòrça de bastir de representacions melhoras de real e de crear de modèls capables d’aprene aquestas representacions a partir de donadas non labelizadas a granda escalas. Unas d’aquestas representacions s’inspiran de las darrièras avançadas en neurosciéncia. S'agís, grosso modo, d'interpretacions del tractament de l’informacion e dels modèls de comunicacion del sistèma nerviós, a l'imatge del biais que lo sistèma nerviós establís de ligamss segon los messatges recebuts, de la responsa neuronala e del pes dels ligams entre las neurònas del cervèl.

Las diferentas arquitecturas de « deep learning » coma lo « deep neural networks », los « convolutional deep neural networks », e los « deep belief network » an diferents camps d’aplicacion:

• la vision per ordinator (reconeissença de formas);
• la reconeissença automatica de la paraula;
• lo tractament automatic del lengatge natural;
• la reconeissença audio e la bioinformatica,.

Dins aquestes dos darrièrrs domènis, per exemple, obtenguèron de resultats plan prometeires.

Las tecnicas d'aprendissatge prigond constituisson una classa d’algoritmes d'aprendissatge automatic que:

• utilizan diferentas sisas d’unitat de tractament non linear per l’extraccion e la transformacion de las caracteristicas; cada sisa prend a la dintrada la sortida de la precedenta; los algoritmes pòdon èsser supervizadas o non supervizadas, e lors aplicacions comprenon la reconeissença de modèls e la classificacion estatistica;
• foncionan amb un aprendissatge de diferents nivèls de detalh o de representacion de donada; per las diferentas sisas, se passa de paramètres de bas nivèls a de paramètres de naut nivèl, o los diferents nivèls correspondon a difarents nivèls d’abstraccion de las donadas.

Aquestas arquitecturas permeta, uèi de conferir de « sens » a de donadas en lor donant la forma d’imatges, de sons o de tèxtes.

L'aprendissatge prigond utiliza de sias amagadas de rets de neurònas artificialas, de « maquinas de Boltzmann restrenchas », e de serias de calculs propositionals complèxes. Los algoritmes d'aprendissatge prigond s’opausan als algoritmes d’aprendissatge pauc prigonds a causa del nombre de transformacions realizadas sus las donadas entre la sisa de dintrada e la sisa de sortida, ont una transformacion correspond a una unitat de tractament definida per de peses e de lindals.

Lo concèpte d'aprendissatge prigond prend forma dins las annadas 2010, amb la convergéncia de quatre factor:

• de rets de neurònas artificialas multisisas (d’espereles eissits entre autres del concèpte de perceptron, datant de la fin de las annadas 1950) ;
• d’algoritmes d'analisi discriminant e aprenents (que l'emergéncia ven de las annadas 1980) ;
• de maquinas que la poténcia de tractament permet de tractar de las donnadas massissas;
• de basas de donnadas pro grandas, capablas de menar de sistèmas de grandas talhas.

En octobre de 2015, lo programa AlphaGo, que se li aprenguèt a jogar al jòc de go mercé al metòde de l'aprendissatge prigond, venç lo campion europèu Fan Hui per 5 partidas a 0. En març de 2016, lo mèsme programa venç lo campion del mond Lee Sedol per 4 partidas a 1.

L'aprendisstage prigond s'aplica a diferents sectors de las NTIC, coma:

• la reconeissença visuala — per exemple, d'un panèl de signalizacion per un robot o una veitura autonòma — e vocala) ;
• la robotica ;
• la bioinformatica, p. ex., per l'estudi de l'ADN e dels segments non codificants del genòm ;
• la reconeissença o la comparason de formas ;
• la seguretat ;
• la santat ;
• la pedagogia assistida per l'informatica ;
• l'art
• l'intelligéncia artificiala en general.
• La traduccion

Lo metòde del Deep Learning es uèi utilizat per realizar de motors de traduccion automatica.

L'aprendissatge prigond pòt, per exemple, ajudar a:

• reconéisser melhor d’objèctes nautament desformables ;
• analizar las emocions reveladas per una cara fotograficada o filmada ;
• analizar los movements e posicion dels dets d'una man, util per ex. per traduire las lengas de signes ;
• Melhorar lo posicionament automatic d'una camèra, etc. ;
• pausa, dins unes cas, un diagnostic medical (ex. : reconeissença automatica d'un càncer en imatgeria medicala), o de prospectiva o de prediccion (ex. : prediccion de las proprietats d'un sol filmat per un robot).
• reproduire una òbra artistica a partir d'una fotografia a l’ordinator

Una aplicacion del deep learning per la santat publica es lo projècte Horus de la societat Eyra. S’agís d’un aparelh portable utilizant la plataforma NVidia Jetson, qu’ajuda los malvesents o los cecs a s’orientar e a reconeisser de personas o d’objèctes, tornant transcriure en audio un imatge captat per una camèra.

En fisica, l'aprendissatge prigond es utilizat per la recerca sus la matèria exotica.

De personalitats, d’esperelas eissidas de la comunautat dels conceptors e fornisseires en tecnologias, manifestèron lor crenta de veire, de mai a mens long tèrme, l'intelligéncia artificiala passar las performanças de l'intelligéncia umana. Se pòt far mencion de l'astrofisician britanic Stephen Hawking, un dels fondators de Microsoft, Bill Gates, lo PDG de Tesla, Elon Musk e l’especialista en IA e l’informatician Stuart Russell. D'autres, coma Raymond Kurzweil, se reclamant de la filosofia transumaniste, se’n gausisson al contrari, qualificant aquesta avançada de singularitat tecnologica.

Aquestas crentas sont relativizadas per de cercaires en intelligéncia artificiala, coma Yoshua Bengio. Aqueste darrièr estima en efièch que se foguèt largament exagerat los progrès recents de l'IA e sosestimat la lentor del procediment de melhoracion. Aqueste sector reconegut estima que l'IA es encora luènh de l’estadi ont se pòt dire que l'ordinator « compren » es a dire: soslinha que percebre e crear de concèptes, es pas veraiment comprende, e afirma que manca encara quicòm de fondamental per passar lo pas.

Enfin, la crenta que l'IA poiriá melhorar d'esprela per escapar possiblament al contraròtle dels umans li sembla infondada per tres rasons: primièra, las tecnicas actualas, fòrça especializadas, exigissent de fòrça longs temps d'aprendissatge ; segonda, repausan pas sus una forma d'autoprogramacion; e tresena, l'autoprogramacion es pas un axe de recerca.

Son tanben evocats de possibles usatges malvolent de deep learning. Ven alara possible d'incrustar la cara d'una persona sus una autra, e a l’amagat, e de li far far o dire de causa que faguèt pas o diguèt pas, le deep learning tornant crear los movements de cara fasent l'incrustacion realista. Atal, diferntas actriças coma Gal Gadot, Emma Watson, Cara Delevingne, Emma Stone, Natalie Portman o Scarlett Johansson trobèron lor cara incrustada sus aqueste d'una actriça pornografica amb un logicial accessible al grand public nomeant Deepfakes, creant de crentas al subjècte de la generalizacion d'un tal usatge, permetent qui que siá de noire a la reputacion d'una autra persona. Fàcia al dangièr, diferentas plataformas coma PornHub, Twitter e Reddit interdiguèron la publicacion de talas vidèos.

Articles connèxes

Nocions

Logicials

• PyTorch
• Theano (logicial)
• TensorFlow
• Keras

Teoricians

• Yoshua Bengio
• Geoffrey Hinton
• Yann LeCun

Ligams extèrnes

• Yoshua Bengio, « Introduction aux algorithmes d’apprentissage profonds », sur Université de Montréal, hiver 2012.
• L'apprentissage profond : une révolution en intelligence artificielle.

Bibliografia

• (en) Ian J. Goodfellow, Yoshua Bengio et Aaron Courville, Deep Learning, MIT Press, 2016 (ISBN 0262035618, lire en ligne) [détail des éditions]

• Y. Bengio (2009), Learning Deep Architectures for AI, Now Publishers, 149, 195.