Deep learning (DL) vs machine learning (ML) : guide comparatif

Que vous visiez une carrière de data scientist ou que vous suiviez simplement l’actualité de l’intelligence artificielle, vous avez sans doute déjà entendu parler de machine learning et de deep learning. Mais que recouvrent exactement ces notions ? Et en quoi diffèrent-elles ? Dans cet article, nous comparons machine learning et deep learning afin d’en préciser les points communs, les différences, les cas d’usage et les avantages.

Qu’est-ce que l’intelligence artificielle ?

Nous proposons un guide IA pour débuter qui traite le sujet en profondeur. En bref, l’intelligence artificielle (IA) est un domaine de l’informatique qui vise à créer des systèmes capables d’exécuter des tâches nécessitant habituellement des capacités humaines. Cela inclut, par exemple, la compréhension du langage naturel, la reconnaissance de motifs et la prise de décisions pour résoudre des problèmes complexes.

On peut voir l’IA comme un ensemble d’outils permettant de rendre les ordinateurs plus intelligents et d’automatiser des tâches. Parmi ses applications : les voitures autonomes, les systèmes de recommandation et les assistants vocaux.

Comme nous allons le voir, des notions comme le machine learning et le deep learning sont des facettes d’un champ plus vaste au sein de l’IA. Pour aller plus loin, consultez notre guide dédié intelligence artificielle vs machine learning. 

Qu’est-ce que le machine learning ?

Comme pour l’IA, nous avons un guide dédié qui explique ce qu’est le machine learning. En résumé, le machine learning (ML) est une façon de mettre en œuvre l’intelligence artificielle : il s’agit d’une branche spécialisée au sein du vaste domaine de l’IA, elle-même issue de l’informatique.

Avec le machine learning, on développe des algorithmes capables d’apprendre sans être explicitement programmés. Parmi ces algorithmes :

• Arbres de décision
• Naive Bayes
• Forêt aléatoire
• Machine à vecteurs de support
• Plus proches voisins (k-NN)
• Regroupement k-means
• Mélange gaussien
• Modèle de Markov caché

Alors, comment les ordinateurs apprennent-ils automatiquement ?

La clé, c’est la donnee. Vous fournissez des données, caractérisées par différents attributs ou features, que les algorithmes vont analyser et comprendre. Ils construisent une frontière de décision à partir de ces données, ce qui leur permet de faire des prédictions ou des classifications. Une fois l’algorithme entraîné à partir des données, vous passez à la phase de test : vous lui présentez de nouveaux points de données et il fournit des résultats sans programmation supplémentaire. Exemple :

Imaginons que vous souhaitiez prédire le prix des logements. Vous disposez d’un jeu de données sur 1000 maisons comprenant le prix et le nombre de pièces : ce sont vos variables explicatives. Votre mission consiste à injecter ces variables dans un algorithme, par exemple un arbre de décision, afin qu’il apprenne la relation entre le nombre de pièces et le prix.

Dans ce scénario, vous saisissez le nombre de pièces et l’algorithme prédit le prix. En phase de test, si vous indiquez « trois » pièces, l’algorithme doit être capable d’estimer correctement le prix, après avoir appris la relation entre nombre de pièces et prix dans les données d’entraînement.

Qu’est-ce que le deep learning ?

Le deep learning est une sous-catégorie du machine learning qui structure l’apprentissage des ordinateurs pour qu’ils reconnaissent des motifs et prennent des décisions, à l’instar des humains. Par exemple, pour apprendre à une machine à distinguer des animaux, on commence par des notions simples comme le nombre de pattes, puis l’on introduit des concepts plus complexes comme l’habitat ou les comportements.

Dans l’univers du machine learning, le deep learning se distingue par l’usage de réseaux de neurones comportant trois couches ou plus. Ces réseaux multi-couches s’efforcent de reproduire certaines mécaniques d’apprentissage du cerveau humain, permettant à la machine d’analyser et d’apprendre à partir de volumes massifs de données. Un réseau à une seule couche peut faire des prédictions rudimentaires, mais l’ajout de couches permet de capter des schémas plus complexes et d’améliorer la précision.

Le deep learning fonctionne en quelque sorte comme un filtre sophistiqué à plusieurs étapes. On injecte des données brutes en entrée ; elles traversent différentes couches du réseau où elles sont raffinées et analysées. Au final, on obtient une information structurée ou une « prédiction » précise.

Ce processus excelle pour décrypter des données à multiples niveaux d’abstraction, ce qui le rend indispensable à des tâches comme la reconnaissance d’images et de la parole, le traitement automatique du langage naturel, ou encore les stratégies de jeu. C’est l’ossature de nombreuses innovations, des assistants de nos téléphones aux véhicules autonomes.

Comme on le voit ci-dessus, ce réseau de neurones comprend plusieurs couches :

• Couche d’entrée. L’entrée peut être des pixels d’image ou une série temporelle.
• Couche(s) cachée(s). Appelées couramment poids : elles sont apprises lors de l’entraînement du réseau.
• Couche de sortie. La couche finale fournit la prédiction liée à l’entrée fournie au réseau.

Un réseau de neurones est donc une fonction d’approximation : il apprend les paramètres (poids) dans les couches cachées qui, multipliés par l’entrée, donnent une sortie prédite au plus proche de la sortie souhaitée.

Le deep learning consiste à empiler plusieurs couches cachées entre l’entrée et la sortie : d’où le qualificatif « deep ».

Deep learning vs machine learning : similarités et différences clés

Fonctionnement

Comme établi, le deep learning est un sous-ensemble spécialisé du machine learning qui recourt à des réseaux de neurones à multiples couches pour analyser des données et prendre des décisions intelligentes. Il va plus en profondeur dans l’analyse, d’où le terme « deep », et permet des insights plus fins et sophistiqués. Le machine learning, qui englobe le deep learning, vise à développer des algorithmes capables d’apprendre à partir des données et de faire des prédictions ou des choix, en utilisant une variété de méthodes dont les réseaux de neurones ne sont qu’un exemple.

Extraction de features

Le deep learning extrait automatiquement des caractéristiques pertinentes à partir de données brutes. Une « feature » est ici une propriété mesurable de l’objet étudié. Le deep learning ne dépend pas de méthodes d’extraction conçues manuellement (comme les motifs binaires locaux ou les histogrammes de gradients), qui résument les données selon des schémas prédéfinis. Il apprend plutôt les représentations les plus utiles pour la tâche, en partant de descripteurs simples puis en construisant des représentations de plus en plus complexes. Le machine learning traditionnel, lui, s’appuie souvent sur des features « fait main » et requiert une ingénierie soignée pour des performances optimales.

Dépendance aux données

Les modèles de deep learning sont très gourmands en données : plus ils en ont, mieux ils performent. À l’inverse, de nombreux algorithmes de machine learning donnent des résultats satisfaisants avec des jeux de données plus restreints. C’est un critère essentiel à considérer lorsqu’on choisit une approche, notamment en cas de disponibilité limitée des données.

Sur la figure ci-dessus, on observe qu’avec davantage de données, la performance des algorithmes de deep learning continue d’augmenter, tandis que celle des algorithmes traditionnels tend à plafonner même si l’on ajoute des données.

Puissance de calcul

Le deep learning demande des capacités de calcul avancées, généralement fournies par des GPU (unités de traitement graphique), en raison du volume de données et de la profondeur des réseaux. De nombreux algorithmes de machine learning peuvent fonctionner sur CPU (processeurs centraux) standards, ce qui les rend plus accessibles pour débuter.

Temps d’entraînement et d’inférence

L’entraînement d’un réseau de deep learning peut être très long, parfois sur plusieurs mois. L’« entraînement » consiste à apprendre au modèle à prédire correctement à partir des données. Le « temps d’inférence », c’est-à-dire le temps nécessaire pour produire une prédiction une fois le modèle entraîné, peut être lui aussi significatif en deep learning à cause de la complexité des modèles. Les algorithmes traditionnels s’entraînent généralement plus vite, avec des temps d’inférence variables.

Approche de résolution de problèmes

En machine learning, on décompose souvent le problème en sous-tâches et l’on applique un algorithme spécifique à chaque étape. Par exemple, pour reconnaître des objets dans une image, on peut d’abord les détecter puis les identifier. En deep learning, le réseau apprend à effectuer ces étapes conjointement, pour une solution plus intégrée et holistique.

Usages dans l’industrie

Les algorithmes de machine learning sont très déployés car ils sont plus interprétables. Les modèles de deep learning surpassent souvent les approches classiques sur certaines tâches, mais leur fonctionnement « boîte noire » les rend moins adaptés lorsque l’interprétabilité est cruciale, par exemple en santé ou en finance.

Sortie

Le machine learning renvoie le plus souvent des valeurs numériques, des scores ou des classes. Le deep learning peut produire une grande variété de sorties, notamment du texte et de la parole, offrant des solutions très polyvalentes en traitement du langage et reconnaissance vocale.

Machine learning vs deep learning : quand utiliser chaque approche ?

Le machine learning et le deep learning sont au cœur d’une myriade d’applications dans des domaines variés, chacun avec ses exigences et contraintes. Voici quand privilégier l’un ou l’autre, illustré par des exemples :

1. Secteur médical

• Cas d’usage. Détection de cellules cancéreuses, restauration d’IRM cérébrales, analyse génétique.
• Choix. Machine learning et deep learning.
• Justification. Le machine learning convient à l’analyse de données structurées (dossiers patients) pour des prédictions diagnostiques. Le deep learning excelle en reconnaissance d’images et de la parole, idéal pour interpréter des images médicales ou analyser des marqueurs vocaux en évaluation neurologique.

2. Analyse de documents

• Cas d’usage. Amélioration de la résolution d’images de documents historiques, segmentation de texte dans des images de documents.
• Choix. Deep learning.
• Justification. Les modèles de deep learning, en particulier les convolutional neural networks (CNN), sont très efficaces pour traiter des images et extraire des motifs complexes à partir de documents historiques.

3. Banque et finance

• Cas d’usage. Prévision boursière et aide à la décision financière.
• Choix. Machine learning.
• Justification. Les modèles de régression et les arbres de décision sont adaptés à l’analyse de données numériques et structurées pour prédire des prix ou soutenir des décisions.

4. Traitement automatique du langage (NLP)

• Cas d’usage. Systèmes de recommandation (comme ceux de Netflix), analyse de sentiment, taggage de photos.
• Choix. Machine learning et deep learning.
• Justification. Le machine learning est efficace pour modéliser les préférences et comportements utilisateurs en recommandation, tandis que le deep learning est puissant pour comprendre et générer du langage pour l’analyse de sentiment.

5. Recherche d’information

• Cas d’usage. Moteurs de recherche texte et image (Google, Amazon, Facebook, LinkedIn, etc.).
• Choix. Machine learning et deep learning.
• Justification. Les algorithmes de machine learning gèrent efficacement les requêtes de recherche, tandis que les modèles de deep learning, notamment les CNN, améliorent la reconnaissance et l’analyse d’images.

Critères de décision :

Pour choisir entre machine learning et deep learning, considérez :

• Disponibilité des données. Le deep learning exige de grands volumes ; avec peu de données, le machine learning sera souvent plus adapté.
• Ressources de calcul. Les modèles de deep learning requièrent une forte puissance de calcul (souvent des GPU). Avec des ressources limitées, préférez des modèles de machine learning exécutables sur CPU.
• Complexité de la tâche. Pour des tâches simples et des données structurées, le machine learning suffit généralement. Pour des données non structurées (images, langage), le deep learning est plus approprié.
• Interprétabilité. Si comprendre les décisions du modèle est crucial, l’avantage va aux modèles de machine learning, plus transparents que le deep learning.

En connaissant les forces et limites du machine learning et du deep learning selon les contextes, vous pourrez choisir l’approche la plus pertinente au regard de vos besoins et contraintes.

Conclusion

Dans ce guide, nous avons parcouru les univers du machine learning (ML) et du deep learning (DL), deux piliers de l’intelligence artificielle (IA). Nous avons passé en revue leurs fondements, leurs spécificités et la diversité de leurs applications dans un monde gagné par la technologie. Des subtilités algorithmiques aux cas d’usage idéaux dans des domaines comme la médecine ou le traitement du langage, notre objectif était d’apporter clarté et repères à celles et ceux qui découvrent l’IA.

Ce panorama n’est qu’une porte d’entrée vers un champ en constante évolution. Le chemin de l’apprentissage et de la découverte est vaste, avec de multiples facettes à explorer. Pour aller plus loin, notre parcours de compétences Deep Learning in Python est une excellente prochaine étape.