deep learning (apprentissage profond)

En profondeur

Ce que les couches apportent est la construction automatique des descripteurs. Dans l’apprentissage classique, une personne décide quelles caractéristiques mesurer : la surface d’un logement, son nombre de pièces, sa distance à une gare. Ce travail, long et déterminant, s’appelle l’ingénierie des variables. Un réseau profond s’en dispense : chaque couche apprend elle-même quelle description de l’entrée est utile à la couche suivante. C’est ce qui a débloqué l’image, le son et le texte, où personne ne savait dire à la main ce qu’il fallait mesurer.

Le prix est triple, et il faut le connaître avant de choisir cette voie. Il faut beaucoup plus d’exemples, parce qu’il y a beaucoup plus de valeurs à ajuster. Il faut du matériel spécialisé, les cartes graphiques ayant justement l’architecture qui convient à ces calculs répétitifs. Et l’on perd l’explication directe : un arbre de décision se lit, un réseau à quelques dizaines de milliards de valeurs ne se lit pas, ce qui compte lourdement dès qu’une décision doit être justifiée devant une personne concernée.

La conséquence stratégique est simple à énoncer et souvent ignorée. Sur des tableaux de données structurées, qui restent le format le plus courant en entreprise, les méthodes classiques sont fréquemment plus précises, plus rapides et plus explicables. Le deep learning s’impose là où l’entrée est brute et de grande dimension : une image, un enregistrement, un texte libre. Choisir la profondeur par défaut, parce que c’est le mot qui circule, revient à payer trois fois le prix pour un résultat inférieur.