L’un dépend de l’autre, l’autre dépend des hommes. L’un apprend de ses erreurs, l’autre plus difficilement. Avec des noms aussi proches, il peut être compliqué de distinguer ces deux types d’intelligence artificielle. Pas de panique : on fait le point.
Les projets artistiques basés sur l’intelligence artificielle fleurissent de partout et, avec eux, de nouveaux termes nébuleux. Parmi ces nouvelles notions, les deux cousins : « deep learning » et « machine learning« . Soit, en français, « apprentissage en profondeur » et « apprentissage automatique ». On voit dès lors se dessiner une première distinction entre les deux outils issus de l’intelligence artificielle.
Pour réussir à distinguer les deux IA, il faut tout d’abord savoir que le deep learning (dont le photographe Simon « Raion » Lavi nous parlait dans sa récente interview), est une branche du machine learning. Plus précisément, le deep learning est considéré comme une évolution du machine learning. Pour creuser, il faut donc commencer par comprendre ce qu’est ce dernier, qui consiste à laisser des algorithmes découvrir des « patterns », à savoir des motifs récurrents au sein des ensembles de données, qui peuvent être des chiffres, des mots, des images, des statistiques…
Tout ce qui est stocké numériquement peut ensuite servir de données permettant de nourrir le machine learning. En décelant les patterns dans ces données, les algorithmes apprennent et améliorent leurs performances dans l’exécution d’une tâche qui lui est préalablement donnée. Si le machine learning se nourrit assez vite, il a cependant besoin d’intervention humaine pour apprendre et corriger ses erreurs. C’est là que le deep learning entre en scène.
Vers une plus grande autonomie
Nous l’expliquions, le deep learning est un sous-ensemble du machine learning utilisant des réseaux de neurones afin de reproduire le processus d’apprentissage du cerveau humain. Si cette technologie requiert de plus gros volumes de données d’entraînement, elle est capable d’apprendre elle-même de ses erreurs, et donc de les corriger. La différence majeure se situe ici : alors que les algorithmes de machine learning séparent les données en plusieurs parties afin de les traiter et de les assembler pour proposer un résultat, les systèmes deep learning ne considèrent le problème donné que dans son entièreté.
En résumé, le machine learning a besoin d’être bien moins entraîné, mais son niveau de précision est bien plus faible que le deep learning. Quant à sa marge d’erreurs, elle est beaucoup plus élevée.
Même s’il l’un découle de l’autre, ces deux outils sont donc bel et bien différents, utilisés pour des applications aux ambitions diverses. Basées sur l’analyse des productions de millions d’artistes, auteurs, designers, photographes, maquettistes et autres humains, morts ou vivants, les représentations visuelles générées par IA sont, par exemple, plutôt issues du machine learning. À l’image du Portrait d’Edmond Bellamy, ce tableau généré par le collectif Obvious en 2018.
Le deep learning est quant à lui préféré dans des projets de restauration très ambitieux, comme celui du projet de conservation du Retable de Gand peint par le néerlandais Jean Van Eyck. « Cela nous permet de décrypter des images techniques complexes, de diagnostiquer des compositions superposées ou modifiées, ainsi que des dommages qui ne sont pas apparents en surface », témoigne Hélène Dubois, responsable du projet. Et de conclure : « Nous pouvons mieux comprendre les peintures des maîtres anciens et l’information révélée aide les experts à protéger et à restaurer des pièces délicates. »
