É«¿Ø´«Ã½

Qu¡¯est-ce que le machine learling??

Le machine learning est un sous-domaine de l¡¯intelligence artificielle. Il porte plus sp¨¦cifiquement sur des algorithmes informatiques capables de s¡¯am¨¦liorer d¡¯eux-m¨ºmes gr?ce ¨¤ des donn¨¦es d¡¯entra?nement, sans programmation sp¨¦cifique. Il est largement per?u comme le moyen le plus prometteur de parvenir ¨¤ une intelligence artificielle qui se rapproche v¨¦ritablement de l¡¯intelligence humaine.?

Les algorithmes du machine learning peuvent ¨ºtre globalement class¨¦s en trois cat¨¦gories?:

• Apprentissage supervis¨¦?: vous fournissez des libell¨¦s et pr¨¦sentez des exemples d¡¯entr¨¦es avec les sorties correspondantes que vous cherchez ¨¤ obtenir, en laissant l¡¯algorithme apprendre les r¨¨gles de mappage entre les entr¨¦es et les sorties.??
• Apprentissage non supervis¨¦?: vous ne fournissez aucun libell¨¦, ce qui permet ¨¤ l¡¯algorithme de rechercher lui-m¨ºme sa propre structure pour le traitement des entr¨¦es (par exemple, pour d¨¦couvrir des sch¨¦mas cach¨¦s parmi les donn¨¦es).
• Apprentissage par renforcement?: l¡¯algorithme interagit de fa?on r¨¦currente avec un environnement dynamique dans un but bien sp¨¦cifique, par exemple gagner ¨¤ un jeu ou conduire une voiture. L¡¯algorithme ex¨¦cute des s¨¦ries r¨¦p¨¦titives de tests et d¡¯erreurs pour obtenir approximativement la solution optimale au probl¨¨me.

Cet article pr¨¦sente bri¨¨vement les concepts d¡¯apprentissage machine (ou machine learning) et de deep learning, et en explique les diff¨¦rences.

Qu¡¯est-ce que le deep learning??

Le deep learning est une branche du machine learning qui utilise des r¨¦seaux neuronaux artificiels pour se rapprocher de l¡¯intelligence humaine. Inspir¨¦ des neurones humains, le deep learning utilise la th¨¦orie des graphes pour organiser les algorithmes de pond¨¦ration en couches de n?uds et d¡¯ar¨ºtes. Les algorithmes de deep learning sont extr¨ºmement performants pour traiter des donn¨¦es non structur¨¦es (par exemple, des images ou langages).?

Techniquement, pour ¨ºtre consid¨¦r¨¦ comme ??profond?? (??deep?? en anglais), un r¨¦seau neuronal doit contenir des couches cach¨¦es entre les couches d¡¯entr¨¦e et de sortie d¡¯un perceptron, c¡¯est-¨¤-dire la structure de base d¡¯un r¨¦seau neuronal. Ces couches sont consid¨¦r¨¦es comme ??cach¨¦es?? car elles n¡¯ont aucun lien avec le monde ext¨¦rieur. Exemples d¡¯architectures de deep learning?:

• Feed-forward (FF)?:?les donn¨¦es sont transmises dans un sens, en partant de la couche d¡¯entr¨¦e pour traverser les couches cach¨¦es avant de rejoindre la couche de sortie. Tous les n?uds sont connect¨¦es et les donn¨¦es ne rebouclent jamais par les couches cach¨¦es. Le mode?FF est utilis¨¦ dans la compression de donn¨¦es et dans le traitement d¡¯images de base.?
• R¨¦seau de neurones r¨¦currents (RNN)?:?type de r¨¦seau?FF qui ajoute un d¨¦lai sur les couches cach¨¦es pour permettre d¡¯acc¨¦der aux informations pr¨¦c¨¦dentes pendant une it¨¦ration en cours. Cette boucle de r¨¦troaction simule la m¨¦moire et rend les RNN parfaitement adapt¨¦s au traitement linguistique.? Les r¨¦seaux?RNN sont utilis¨¦s, par exemple, pour le texte pr¨¦dictif qui relie les termes que vous employez le plus souvent afin d¡¯adapter ses suggestions.?
• R¨¦seaux neuronaux convolutifs (CNN)?:?une convolution est une op¨¦ration math¨¦matique sur deux fonctions qui produit une troisi¨¨me fonction d¨¦crivant de quelle mani¨¨re l¡¯une est modifi¨¦e par l¡¯autre. Essentiellement utilis¨¦s pour la reconnaissance et la classification d¡¯images, ces r¨¦seaux sont les ??yeux?? de l¡¯IA. Les couches cach¨¦es d¡¯un r¨¦seau?CNN agissent ¨¤ la mani¨¨re de filtres math¨¦matiques, en utilisant des sommes pond¨¦r¨¦es pour identifier les bords, les couleurs, le contraste et d¡¯autres ¨¦l¨¦ments qui composent un pixel.

Diff¨¦rences entre apprentissage machine et deep learning

Le deep learning est assimil¨¦ ¨¤ un sous-ensemble du machine learnng. La principale diff¨¦rence entre les algorithmes de deep learning et les autres algorithmes du machine learning tient ¨¤ leur utilisation de r¨¦seaux de neurones artificiels. Par ailleurs, la pr¨¦sence de couches cach¨¦es entre les couches d¡¯entr¨¦e et de sortie (qui forment un perceptron ¨¦l¨¦mentaire) est ce qui permet de qualifier un r¨¦seau neuronal de ??profond??.

Avantages du deep learning

Les algorithmes de deep learning permettent de traiter des donn¨¦es non structur¨¦es, ¨¤ condition cependant de disposer d¡¯une puissance de traitement suffisante. Dans les domaines de l¡¯apprentissage non supervis¨¦ et de l¡¯apprentissage par renforcement, cela conf¨¨re au deep learning un avantage ind¨¦niable sur les autres algorithmes du machine learning. Les r¨¦seaux neuronaux de deep learning ont consid¨¦rablement gagn¨¦ en viabilit¨¦ gr?ce ¨¤ l¡¯am¨¦lioration de la puissance de traitement et du stockage de donn¨¦es, ce qui a consid¨¦rablement contribu¨¦ aux r¨¦cents progr¨¨s observ¨¦s dans le domaine de l¡¯IA.

É«¿Ø´«Ã½ optimise les applications du machine learning

É«¿Ø´«Ã½? b¨¦n¨¦ficie d¡¯une position id¨¦ale pour tirer parti du monde de l¡¯IA tout en y contribuant. Les r¨¦seaux neuronaux de deep learning n¨¦cessitent des donn¨¦es ¨¤ la fois volumineuses et rapides. Pure propose des solutions de stockage 100?% flash qui associent les performances d¡¯une m¨¦moire flash 100?% NVMe ¨¤ la puissance d¡¯une analytique pr¨¦dictive aliment¨¦e par l¡¯IA afin d¡¯offrir une Modern Data Experience?. Avec Pure, vous pouvez?:

• consolider vos silos de stockage de donn¨¦es en un?data hub ³Ü²Ô¾±´Ú¾±¨¦?;
• acc¨¦l¨¦rer l¡¯acc¨¨s ¨¤ des informations strat¨¦giques gr?ce ¨¤ une?analytique en temps r¨¦el/bas¨¦e sur des logs?;
• profiter d¡¯une approche nouvelle g¨¦n¨¦ration de la gestion du stockage de donn¨¦es optimis¨¦e par l¡¯IA avec?Pure1 Meta??;
• optimiser vos solutions?IA avec?AIRI?, une solution d¡¯infrastructure AI-Ready compl¨¨te propos¨¦e par É«¿Ø´«Ã½ et NVIDIA?;
• b¨¦n¨¦ficier d¡¯une prise en charge compl¨¨te des cycles de vie d¡¯IA et du machine learning avec?FlashStack?, une solution d¡¯infrastructure converg¨¦e d¨¦velopp¨¦e en partenariat avec Cisco.