Yann Le Cun [ləkœ̃], né le 8 juillet 1960 à Soisy-sous-Montmorency, est un chercheur en intelligence artificielle et vision artificielle (robotique) français. Il est considéré comme l'un des inventeurs de l'apprentissage profond.
L'homme, lauréat du prix Turing en 2019 avec Geoffrey Hinton et Yoshua Bengio, est considéré comme l'un des pères fondateurs du deep learning. Yann LeCun est aujourd'hui en charge de l'intelligence artificielle pour l'entreprise Facebook.
Pour revenir à ses origines, le deep learning est apparu en 1943 lorsque Warren McCulloch et Walter Pitts ont utilisé des mathématiques et des algorithmes pour créer un système informatique reproduisant les réseaux neuronaux. De petites avancées ont été réalisées dans les années 1950, 1960, 1970 et 1980.
En 1959, c'est l'informaticien américain Arthur Samuel qui utilise pour la première fois le terme « machine learning », pour son programme créé en 1952. Celui-ci est capable de jouer aux dames et d'apprendre au fur et à mesure de ses parties.
Son objectif est de donner aux ordinateurs la capacité d'apprendre sans être spécifiquement programmés sur les résultats à fournir. Les algorithmes utilisés par le machine learning aident l'ordinateur à apprendre à reconnaître les choses.
Avec l'avènement des fakes news et ses effets néfastes sur les réseaux sociaux, la diffusion de deepfake sur le web constitue donc une nouvelle menace technologique. Manipulation, désinformation, humiliation, diffamation... les dangers des deepfakes seront de plus en plus nombreux.
Le deep learning et le Python
Python est un langage de programmation puissant pour la création d'IA. Il est également facile à apprendre et à utiliser, avec un riche écosystème de bibliothèques pour l'apprentissage profond. La communauté Python est vaste et active.
La paternité du terme « IA » pourrait être attribué à John McCarthy du MIT (Massachusetts Institute of Technology), terme que Marvin Minsky (université de Carnegie-Mellon) définit comme « la construction de programmes informatiques qui s'adonnent à des tâches qui sont, pour l'instant, accomplies de façon plus ...
1957 : la perceptron.
Le psychologue américain Frank Rosenblatt invente une machine qui apprend toute seule à reconnaître des lettres de l'alphabet écrites sur une feuille. Le perceptron fonctionne grâce à des capteurs et un programme informatique qui imite le fonctionnement du cerveau humain.
Si l'on répète à l'envi qu'un volume important de données est l'une des clés de voûte du machine learning, en avoir trop n'aide pas forcément. Ce problème est en lien direct avec le précédent. En effet, la masse d'information n'indique pas leur qualité et leur pertinence au regard d'un cas d'usage spécifique.
Les algorithmes de deep learning sont des réseaux neuronaux modélisés sur le cerveau humain. Par exemple, un cerveau humain contient des millions de neurones interconnectés qui travaillent ensemble pour apprendre et traiter l'information.
Le Machine Learning est une IA capable de s'adapter automatiquement avec une interférence humaine minimale, et le Deep Learning est un sous-ensemble du Machine Learning utilisant les réseaux de neurones pour mimer le processus d'apprentissage du cerveau humain.
Deep Learning : définition. Le Deep Learning (ou « apprentissage profond ») est un sous-domaine du Machine Learning, lui-même faisant partie de la grande famille de l'intelligence artificielle. Il correspond à toutes les techniques de réseaux de neurones artificiels.
Le GPU NVIDIA Titan RTX convient parfaitement aux jeux vidéo et à l'apprentissage en profondeur. Il est le choix idéal pour les scientifiques des données et des chercheurs en IA.
Concrètement, le deep learning est une technique d'apprentissage permettant à un programme, par exemple, de reconnaître le contenu d'une image ou de comprendre le langage parlé – des défis complexes, sur lesquels la communauté de chercheurs en intelligence artificielle s'est longtemps cassé le nez.
Pour les débutants, la meilleure façon d'apprendre le deep learning est d'apprendre les bases du machine learning. Vous pouvez ensuite passer aux réseaux neuronaux, qui sont un sous-ensemble de machine learning. Une fois que vous avez saisi les concepts des réseaux neuronaux, il est temps de passer à Python.
Naissance de l'intelligence artificielle 1943−1956. L'IBM 702 : un ordinateur utilisé par la première génération de chercheurs en IA.
On distingue trois techniques de Machine Learning : l'apprentissage supervisé, l'apprentissage non-supervisé, et l'apprentissage par renforcement.
Selon ce système de classification, il existe quatre types d'IA ou de systèmes basés sur l'IA : les machines réactives, les machines à mémoire restreinte, la théorie de l'esprit et l'IA auto-explicative.
Dans la géographie mondiale de l'intelligence artificielle, ce sont les États-Unis qui dominent largement la recherche et le développement.
GPT-3, l'intelligence artificielle qui a appris presque toute seule à presque tout faire. L'entreprise américaine OpenAI exploite le plus gros réseau de neurones artificiels au monde, effectuant une grande variété de tâches avec des résultats souvent bluffants, mais à la qualité imprévisible.
Cette technologie s'appelle Search Generative Experience (SGE). La société utilise déjà des techniques d'IA pour de nombreuses fonctions de recherche, notamment pour comprendre votre requête et évaluer les résultats les plus pertinents.
Python et Java sont tous deux des langages polyvalents dotés d'une grande collection de bibliothèques à des fins différentes. Si les deux sont relativement faciles à utiliser, la syntaxe simple de Python est plus facile à apprendre et à utiliser, alors que Java demande un peu plus de pratique.
Python, une approche de programmation moins limitée
Python est non seulement l'un des langages de codage qui se développent le plus rapidement, mais aussi un langage qui permet de réaliser rapidement des prototypes et des itérations. Cela rend le travail plus facile et beaucoup plus productif pour les développeurs.
Google Cloud offre aux développeurs Python les outils dont ils ont besoin pour concevoir des applications cloud natives réussies. Grâce aux SDK, à l'assistance intégrée à l'IDE et à la compatibilité des environnements d'exécution natifs, vous créez vos applications plus rapidement.