La renaissance du machine learning est en marche

Les programmes de machine learning peuvent composer des sonates, des chansons et des morceaux classiques, et même dessiner des oeuvres d'un niveau comparable à celui de l'art. L'ordinateur intelligent prend forme sous nos yeux.

La genèse du machine learning 

L'idée de machines intelligentes est déjà apparue dans les années 1950, lorsque la recherche dans le domaine de l'intelligence artificielle a atteint son apogée. À l'époque, on s'attendait même à ce que les applications intelligentes, les machines et les robots servent le grand public dans un court laps de temps, dans les tâches du quotidien. Cependant, beaucoup pensaient que cette attente était trop en avance sur son temps et ne pouvait pas se matérialiser parce que la puissance de calcul des machines de l’époque n'était pas assez forte pour la soutenir, et ainsi, la recherche sur l'intelligence artificielle a été abandonnée. 

Aujourd'hui, des décennies plus tard, l'idée renaît, et les applications dotées de capacités de machine learning prennent le contrôle de divers aspects de notre vie. Au-delà des œuvres d'art que nous avons mentionnées, il y a des applications telles que les logiciels de reconnaissance faciale, l'interprétation linguistique dans les appels vocaux (comme Skype Translator), les services de transport coopératif (comme Uber), les outils médicaux de diagnostic, les solutions intelligentes de sécurité des données, etc. 

Alors que nous nous trouvons au seuil d'une renaissance passionnante dans le domaine du machine learning, un autre concept appelé deep learning a émergé. La différence entre le machine learning et le deep learnig est indicateur de l’évolution vers laquelle le monde de l'informatique se dirige.  Les algorithmes de machine learning ont besoin de la contribution des données, mais ils ont aussi besoin d'un médiateur humain pour les "instruire" dans une série de règles et de classifications afin qu'ils apprennent à distinguer et à identifier ce qu'on attend d'eux. Par exemple, si nous téléchargeons plusieurs photos de chats et instruisons l'algorithme qu'il s'agit d'un chat, il finira par apprendre à identifier de façon autonome de nouvelles images qu'il n'a pas encore rencontrées. Cependant, dans le deep learning, les algorithmes n'exigent pas du tout qu'un humain soit médiateur. Tout ce dont il a besoin est une plus grande base de données pour qu'il puisse apprendre à définir, classer et identifier le chat.

Grâce aux capacités de deep learning, les ordinateurs ont maintenant atteint des capacités de reconnaissance visuelle plus rapides et plus précises que celles d'un humain.  Il faut imaginer à quel point cela peut être crucial dans l’identification des tumeurs cancéreuses lors de tests radiologiques.  Il peut être affirmé que le deep learning est plus proche de l'intelligence artificielle dont les scientifiques rêvaient il y a des décennies, et que c'est peut-être la même intelligence dont Isaac Asimov et beaucoup d'autres auteurs de science-fiction ont imaginée et traitée dans leurs romans. Quoi qu'il en soit, c'est la révolution qui façonnera l'avenir de nos vies dans les décennies à venir. En effet, elle nécessite plus de puissance de calcul et plus de données, mais elle permettra aussi de résoudre des problèmes que les machines n'ont pas pu résoudre jusqu'à présent. 

L’algorithme, l’élément clé du deep learning 

La réussite du deep learning, dans son deuxième cycle actuel, réside dans la capacité de traiter d'immenses volumes d'informations, du fait que les algorithmes de deep learning présentent de meilleures performances proportionnellement à la quantité d'exemples dont ils peuvent "apprendre". Plus nous introduisons d'exemples, plus l'algorithme est précis. La méthode du deep learning (un réseau neuronal artificiel) peut être comparée au cerveau humain, qui apprend de ses expériences. Si nous nous référons à l'exemple des chats, mentionné plus haut, on peut le comparer à un enfant qui apprend à distinguer un chat parmi les autres animaux en découvrant des images des différentes races de chats avec des caractéristiques variées.

C'est ainsi que l'algorithme du deep learning fonctionne. Plus nous entrons des données avec  des exemples de chats, plus son degré de précision est élevé. Il sera capable d'identifier chaque type de chat et dans chaque forme et disposition, même si ce n'est pas un chat dans sa forme classique (par exemple l'oreille et la queue d'un chat qui apparaissent derrière un canapé).  

Cependant, contrairement au cerveau humain, l'algorithme peut apprendre d'une manière plus décentralisée et peut parallèlement traiter significativement plus d'exemples qu'un humain. Par conséquent, les outils de calcul avancés de deep learning nécessitent des processeurs graphiques puissants (GPU) capables d'un parallélisme massif et la capacité de stocker et d'accéder à d'immenses volumes de données, rapidement et à un coût financièrement raisonnable.

Du machine learning à la mutation du stockage des données 

Ces dernières années, nous avons vu à quel point les technologies de stockage dépassées commencent à être remplacées par les technologies All Flash, même si ces dernières n'ont pas encore livré les produits que le monde attend. Bien qu'elles aient montré des meilleures performances, les solutions de stockage flash sont beaucoup plus chères que les solutions de stockage basées sur des disques rotatifs. 

Afin d’exploiter tout le potentiel du machine learning, le coût du stockage devra diminuer de manière significative. Actuellement, la technologie All Flash est encore 10 à 15 fois plus cher que la technologie du disque rotatif, et ce ratio, selon toutes les prévisions, restera fixe, même lorsque les coûts de stockage en général baisseront sur le marché.  

C'est le moment de reconnaître la fiabilité et la plus-value des technologies innovantes d'hyperstockage, qui présentent des performances supérieures à celles du All-Flash mais avec un prix comparable à celui des disques rotatifs. Ces technologies sont basées sur un programme intelligent qui utilise des ressources relativement simples afin de stocker un volume immense de données en haute densité et en petite surface, sans compromettre la fiabilité et la haute performance.  

La ressemblance et la curiosité sur le sujet n'ont pas été abandonnées, et de nouvelles évolutions informatiques nous attendent au coin de la rue si nous utilisions correctement nos ressources de données. Le jour n'est pas loin où nous pourrons tous voyager en voiture autonome, utiliser un programme pour répondre à nos courriels, ou recevoir des conseils intelligents sur les investissements par des robots. Indéniablement, l’avenir et le succès du deep learning va se jouer dans les capacités des infrastructures de stockage de données.

Annonces Google