[et_pb_section bb_built=\u00a0\u00bb1″ _builder_version=\u00a0\u00bb3.14″][et_pb_row][et_pb_column type=\u00a0\u00bb4_4″][et_pb_text _builder_version=\u00a0\u00bb3.14″]<\/p>\n
Cette fiche technologique sur le deep leaning synth\u00e9tise quelques faits jug\u00e9s significatifs par nos Fellows dans le cadre de l\u2019activit\u00e9 Presans Platform.<\/em><\/p>\n <\/p>\n Le deep learning est un sous-ensemble des techniques de machine learning<\/em> \u00e0 base de r\u00e9seaux de neurones artificiels. Les r\u00e9seaux de neurones artificiels sont compos\u00e9s de neurones formels. Par analogie avec les neurones biologiques, les neurones formels poss\u00e8dent des pendants math\u00e9matiques et informatiques de dendrites, d’axones et de synapses. Dans le cas du deep leaning, l’architecture du r\u00e9seau permet de d\u00e9composer de mani\u00e8re hi\u00e9rarchique le contenu d\u2019une donn\u00e9e complexe, telle qu’une voix ou une image de visage pour ensuite la cat\u00e9goriser.<\/p>\n Les applications du deep learning sont au c\u0153ur de la mont\u00e9e en puissance du th\u00e8me de l’intelligence artificielle depuis une quinzaine d’ann\u00e9es. Elles consistent fondamentalement \u00e0 op\u00e9rer des tris et permettent d’automatiser des t\u00e2ches allant de la reconnaissance faciale \u00e0 l’analyse d’images m\u00e9dicales, en passant par le tri robotis\u00e9 de fruits.<\/p>\n L’avantage de la machine n’est pas seulement une question d’automatisation et de rapidit\u00e9. Le deep learning peut aussi permettre des tris l\u00e0 o\u00f9 la perception humaine n’est pas \u00e0 son avantage, par exemple pour reconna\u00eetre des visages dans l’obscurit\u00e9 par d\u00e9tection des ondes infrarouges.<\/p>\n <\/p>\n Le deep learning a pour caract\u00e9ristique essentielle de ne pas s’appuyer sur des r\u00e8gles fix\u00e9es en amont de l’apprentissage. Le deep learning est une bo\u00eete noire qui ne donne pas acc\u00e8s aux r\u00e8gles ou aux facteurs de cat\u00e9gorisation, et les r\u00e8gles implicites qui r\u00e9sultent de l’apprentissage sont par cons\u00e9quent difficiles \u00e0 expliciter. Ce point limite la fiabilit\u00e9 du deep learning.<\/p>\n Le d\u00e9fi de l’explicabilit\u00e9 indique la prochaine \u00e9tape dans le d\u00e9veloppement de l’intelligence artificielle. Le but vis\u00e9 est la capacit\u00e9 \u00e0 fonctionner de mani\u00e8re robuste dans un univers incertain, caract\u00e9ris\u00e9 par des informations lacunaires, en exploitant une multitude de dimensions pour s’adapter \u00e0 des contextes impr\u00e9visibles.<\/p>\n <\/p>\n Sur le plan th\u00e9orique, les techniques statistiques du deep learning n’ont rien de fondamentalement neuf. C’est l’augmentation du rapport performance\/co\u00fbt des ordinateurs qui a chang\u00e9 la donne et remis ces techniques statistiques \u00e0 l’ordre du jour. Le rapport performance \/ co\u00fbt profite \u00e9galement de l’\u00e9mergence de solutions hardware sp\u00e9cialis\u00e9es, con\u00e7ues par des fournisseurs de cartes graphiques.<\/p>\n <\/p>\n L’expression \u00ab\u00a0deep learning\u00a0\u00bb date de la seconde moiti\u00e9 des ann\u00e9es 1980 et a \u00e9t\u00e9 relanc\u00e9e notamment par Yann le Cun, actuel directeur du laboratoire d\u2019IA de Facebook en France. Tous les g\u00e9ants de l’Internet utilisent le deep learning.<\/p>\n La dimension g\u00e9opolitique des applications du deep learning s’affirme par ailleurs de fa\u00e7on nette \u00e0 travers l’actuel regain de l’innovation de d\u00e9fense parmi les grandes puissances (1<\/a>, 2<\/a>, 3<\/a>). La DARPA a notamment propos\u00e9 diff\u00e9rents d\u00e9fis technologiques li\u00e9s au deep learning, tels ceux des v\u00e9hicules autonomes entre 2005 et 2007 et puis, plus r\u00e9cemment, autour de l\u2019IA explicable. Les appels \u00e0 projet actuels touchent aussi bien les questions d’explicabilit\u00e9 que les aspects \u00e9nerg\u00e9tiques ou de s\u00e9curit\u00e9.<\/p>\n Laurence Devillers est l’une des sp\u00e9cialistes de la question de l’explicabilit\u00e9.<\/p>\n <\/p>\n Les syst\u00e8mes de surveillance et de reconnaissance faciale dans les espaces publics en Chine s’appuient sur le deep learning.<\/p>\n En Occident, l’une des discussions majeures porte sur les biais contenus dans les donn\u00e9es, qui conduisent \u00e0 des applications de deep learning qui reproduisent des discriminations sociales jug\u00e9es ind\u00e9sirables. Mais la crainte existe aussi d’aboutir \u00e0 des intelligences artificielles, par exemple militaires, qui ne tiendraient pas compte de certaines distinctions \u00e9thiques.<\/p>\n La possibilit\u00e9 effrayante d’utiliser le deep learning pour cr\u00e9er des \u00ab\u00a0deep fakes\u00a0\u00bb est un autre sujet incontournable. Les deep fakes, ce sont des animations vid\u00e9o dont le caract\u00e8re synth\u00e9tique est difficile \u00e0 d\u00e9tecter. Les techniques permettant de r\u00e9aliser ce type de vid\u00e9os sont accessibles en open source. Face au deep learning, nous devons donc r\u00e9apprendre les vertus du scepticisme.<\/p>\n <\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=\u00a0\u00bb3.14″ background_position=\u00a0\u00bbtop_left\u00a0\u00bb background_repeat=\u00a0\u00bbrepeat\u00a0\u00bb background_size=\u00a0\u00bbinitial\u00a0\u00bb][et_pb_column type=\u00a0\u00bb4_4″][et_pb_post_nav _builder_version=\u00a0\u00bb3.14″ in_same_term=\u00a0\u00bbon\u00a0\u00bb background_color=\u00a0\u00bb#3d59a1″ title_font=\u00a0\u00bb|800|||||||\u00a0\u00bb title_text_color=\u00a0\u00bb#ffffff\u00a0\u00bb title_font_size=\u00a0\u00bb16px\u00a0\u00bb custom_padding=\u00a0\u00bb10px|10px|10px|10px\u00a0\u00bb border_color_all=\u00a0\u00bb#3d59a1″ border_width_all=\u00a0\u00bb2px\u00a0\u00bb border_radii=\u00a0\u00bbon|4px|4px|4px|4px\u00a0\u00bb \/][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>","protected":false},"excerpt":{"rendered":" Le deep learning est au c\u0153ur de la mont\u00e9e en puissance de l\u2019intelligence artificielle… un th\u00e8me qui est loin d’avoir fini de d\u00e9ployer toutes ses ramifications.<\/p>\n","protected":false},"author":177,"featured_media":7784,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[6],"tags":[54,431],"_links":{"self":[{"href":"https:\/\/open-organization.com\/fr\/wp-json\/wp\/v2\/posts\/7783"}],"collection":[{"href":"https:\/\/open-organization.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/open-organization.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/open-organization.com\/fr\/wp-json\/wp\/v2\/users\/177"}],"replies":[{"embeddable":true,"href":"https:\/\/open-organization.com\/fr\/wp-json\/wp\/v2\/comments?post=7783"}],"version-history":[{"count":0,"href":"https:\/\/open-organization.com\/fr\/wp-json\/wp\/v2\/posts\/7783\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/open-organization.com\/fr\/wp-json\/wp\/v2\/media\/7784"}],"wp:attachment":[{"href":"https:\/\/open-organization.com\/fr\/wp-json\/wp\/v2\/media?parent=7783"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/open-organization.com\/fr\/wp-json\/wp\/v2\/categories?post=7783"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/open-organization.com\/fr\/wp-json\/wp\/v2\/tags?post=7783"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}1. Qu’est-ce que le deep leaning ?<\/h2>\n
2. Le d\u00e9fi de l’explicabilit\u00e9<\/h2>\n
3. Briques technologiques<\/h2>\n
4. Acteurs<\/h2>\n
5. Cons\u00e9quences \u00e9thiques<\/h2>\n