Qu'est-ce que le deep learning ? Définition et différence avec le machine learning

La définition officielle française (Journal officiel du 9 décembre 2018) le décrit comme un apprentissage automatique qui utilise un réseau de neurones artificiels « composé d'un grand nombre de couches », chacune correspondant à un niveau croissant de complexité. Pour une image, les premières couches repèrent des contours, les suivantes des formes, les dernières des objets. La différence pratique avec le machine learning classique tient à la préparation des données : le réseau extrait lui-même les caractéristiques utiles des données brutes, là où un modèle classique attend des variables choisies par un humain. En contrepartie, il demande beaucoup de données et de calcul. Les idées sont anciennes : l'algorithme de rétropropagation, qui permet d'entraîner des réseaux à plusieurs couches, est popularisé en 1986 par Rumelhart, Hinton et Williams. Le basculement date de 2012. AlexNet, réseau convolutif de 60 millions de paramètres conçu par Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton, remporte la compétition ImageNet avec 15,3 % d'erreur (top 5), contre 26,2 % pour le deuxième. Il a été entraîné sur deux cartes graphiques grand public : les GPU deviennent l'outil standard du domaine. Deux distinctions consacrent la discipline. Le prix Turing 2018 récompense Yoshua Bengio, Geoffrey Hinton et Yann LeCun pour avoir fait des réseaux de neurones profonds « un composant essentiel de l'informatique ». Le prix Nobel de physique 2024, annoncé le 8 octobre 2024, récompense John Hopfield et Geoffrey Hinton pour des découvertes qui permettent l'apprentissage automatique avec des réseaux de neurones artificiels. Les grands modèles de langage (LLM) sont des modèles de deep learning.