Chris est un ingénieur, un penseur et un philosophe qui aime explorer des idées et des technologies futuristes.
La technologie d’apprentissage en profondeur a imprégné de nombreux aspects de la société.
Qu’est-ce que l’apprentissage en profondeur ?
Alors que la technologie s’améliore à un rythme de plus en plus rapide, nous nous rapprochons d’une époque où la puissance des machines artificiellement intelligentes dépassera les capacités de l’esprit humain. L’apprentissage en profondeur est un domaine du développement de l’IA qui connaît d’énormes progrès.
L’apprentissage en profondeur est un sous-domaine de l’apprentissage automatique qui utilise des algorithmes et des méthodes construits pour imiter la structure du cerveau humain. Étant donné que les scientifiques et les chercheurs créent essentiellement une représentation numérique d’un cerveau, c’est pourquoi les programmes sont souvent appelés « réseaux de neurones ». Les réseaux de neurones d’apprentissage en profondeur peuvent apprendre et interpréter des données sans être explicitement programmés pour le faire.
Comment ça change le monde
À mesure que l’on investit davantage dans l’apprentissage en profondeur, les algorithmes développés deviennent de plus en plus complexes. Cela a abouti à des programmes informatiques capables d’effectuer des tâches autrefois réservées aux humains et de faire des choses qui étaient auparavant extrêmement difficiles, voire impossibles. La puissance d’un microprocesseur n’a jamais été aussi grande qu’aujourd’hui. Voici quelques façons dont l’apprentissage en profondeur révolutionne notre monde.
- Reconnaissance/classification des images
- Géotraitement de grands ensembles de données
- Génération Deepfake Audio/Vidéo
- Apprendre à jouer aux jeux vidéo
L’image de gauche est l’image originale. L’image de droite montre trois zones distinctes de l’image. Les algorithmes de classification d’images d’apprentissage en profondeur peuvent facilement séparer un objet (jaune) de son arrière-plan (bleu) et de son premier plan (vert).
1. Reconnaissance/classification des images
Des algorithmes d’IA d’apprentissage en profondeur ont été développés pour examiner les images et les classer en fonction de ce qu’elles sont réellement. Si vous utilisez Facebook, vous êtes probablement déjà un peu familiarisé avec cette technologie. YouTube de Google est également un grand utilisateur de cette technologie. Les vidéos créées par l’utilisateur peuvent être automatiquement étiquetées pour leur contenu et classées en fonction de ce que l’algorithme voit. Les vidéos peuvent également être signalées pour un examen plus approfondi si l’algorithme détecte un contenu qui n’est pas autorisé sur le site.
La classification des images va en fait au-delà de la simple différenciation entre les chiens, les chats et les renards. En fait, les nouveaux algorithmes classent en fait les images pixel par pixel. Lorsqu’un algorithme classe chaque pixel individuellement, ce processus est appelé segmentation sémantique. Une autre approche de la classification des images est appelée segmentation d’instance. En utilisant cette méthode, les images peuvent plus facilement être divisées en plusieurs composants discrets. Par exemple, une image d’une personne peut être séparée en plusieurs composantes, y compris la figure humaine, l’arrière-plan, le premier plan, etc.
2. Géotraitement de grands ensembles de données
Dans le monde des systèmes d’information géographique (SIG), l’apprentissage en profondeur est utilisé pour améliorer la vitesse et la précision de la création et de l’analyse des ensembles de données à grande échelle. De nouveaux algorithmes peuvent être utilisés pour générer une grande variété de données sur la couverture terrestre simplement en analysant une photographie aérienne.
Par exemple, un outil SIG d’apprentissage en profondeur peut générer des données qui décrivent le type de végétation, la densité de la végétation et la viabilité de l’habitat uniquement sur la base d’une photographie aérienne haute résolution. De plus, en utilisant la segmentation sémantique ou d’instance, d’autres caractéristiques telles que les empreintes de construction et les limites des surfaces pavées peuvent être extraites de l’imagerie et transformées en nouveaux ensembles de données.
Exemples d’images
Considérez les images ci-dessous pour un exemple simplifié de ce qui peut être fait avec certains outils d’apprentissage en profondeur de base :
Ceci est l’image aérienne originale.
Après avoir appliqué des techniques d’apprentissage en profondeur et formé l’algorithme, 4 pools ont été classés dans l’image. Notez qu’il y a en fait 3 piscines (voir image originale). Cela signifie qu’il faut davantage de « formation ».
Des techniques de classification d’images ont également été utilisées pour trouver des bâtiments dans cette image. Ce n’est pas parfait mais je dirais que c’est plutôt bien.
Une autre tâche importante que l’apprentissage en profondeur tente de résoudre est la capacité de faire des prédictions basées sur l’analyse des relations entre plusieurs ensembles de données qui varient dans l’espace. Par exemple, vous pouvez développer un modèle pour prédire les risques d’accidents de la route sur la base d’un nuage de points représentant les accidents passés. Si vous intégrez cela aux modèles de trafic existants et aux données sur la croissance régionale, vous pourriez aider à prévoir et à planifier les futurs accidents de la route.
Faites défiler pour continuer
3. Génération Deepfake Audio/Vidéo
L’apprentissage en profondeur peut faire bien plus que l’analyse d’images statiques. Cette puissante technologie a été utilisée pour analyser les données audio et vidéo, puis générer de fausses vidéos qui semblent être réelles. Il s’agit d’une avancée assez incroyable dans la technologie de l’IA qui devrait permettre à tout le monde de commencer à douter de tout ce qu’ils voient sur Internet (s’ils ne l’ont pas déjà fait). La technologie Deepfake a déjà fait la une des journaux à plusieurs reprises au cours des dernières années.
En 2019, la technologie d’apprentissage en profondeur de l’IA a été utilisée pour falsifier la voix d’un PDG. Cela a ensuite été utilisé par des voleurs pour voler plus de 243 000 $ à l’entreprise. Les escrocs ont utilisé un programme d’intelligence artificielle pour imiter la voix du PDG, puis l’ont utilisé pour ordonner aux subordonnés du PDG de transférer de l’argent vers un compte tiers. Vous pouvez en savoir plus sur cet incident ici : Scammer avec succès Deepfakes La voix du PDG pour voler 243 000 $.
Exemples vidéo
Même si les criminels et les pirates informatiques commencent à utiliser cette technologie à des fins néfastes, il existe encore de nombreuses autres utilisations. Par exemple, l’industrie cinématographique l’utilise pour cartographier les mouvements des visages des gens sur des personnages animés ou d’un autre monde. Il pourrait également être utilisé pour remplacer facilement les acteurs par de nouveaux acteurs dans un vieux film. Ci-dessous une vidéo montrant quelques extraits du film La matrice comme si le personnage principal, Neo, était joué par Will Smith au lieu de Keanu Reeves. C’est vraiment très bon !
Il existe certainement des utilisations amusantes pour les algorithmes deepfake, cependant, je vous implore de réfléchir attentivement aux implications potentielles que cette technologie peut avoir. Par exemple, l’image de personnalités politiques de premier plan pourrait être utilisée pour diffuser facilement de la désinformation. Cela peut avoir des implications considérables pour le processus politique et la gouvernance en général.
Par exemple, il y a quelques années, une figure deepfake de Barack Obama a fait surface. Beaucoup de gens ont été dupés par la vidéo; cependant, heureusement, aucun mal majeur n’en est résulté. Jetez un œil aux extraits de cette vidéo ci-dessous :
Pouvons-nous plus faire confiance à tout ce que nous voyons en ligne ?
4. Apprenez à jouer aux jeux vidéo
Pour la plupart, jouer à des jeux vidéo n’est pas un gros problème. Autrement dit, si vous êtes un humain. En fait, faire en sorte qu’un ordinateur apprenne à jouer à un jeu vidéo (et à progresser dans celui-ci) est un exploit phénoménal. Au lieu de programmer un algorithme pour jouer à un jeu spécifique ou accomplir une tâche spécifique, les méthodes d’apprentissage en profondeur peuvent être poursuivies à la place. Avec les nouveaux réseaux de neurones, le programme informatique apprend lui-même comment jouer au jeu en utilisant des essais et des erreurs. Au fil du temps, les algorithmes d’apprentissage en profondeur peuvent maîtriser un jeu en identifiant progressivement les stratégies qui fonctionnent et celles qui ne fonctionnent pas.
En 2015, DeepMind de Google a pu apprendre à jouer à plusieurs jeux vidéo Atari simples. DeepMind est finalement devenu si bon à ces jeux qu’il pouvait égaler ou même battre des concurrents humains. La vidéo ci-dessous montre DeepMind apprenant à jouer à un jeu appelé Évasion Atari:
Depuis 2015, DeepMind a appris à jouer à des dizaines d’autres jeux, y compris la version la plus récente de Starcraft II. Avec des milliers d’essais en cours Starcraft II, DeepMind se classe désormais parmi les meilleurs joueurs au monde. Même les joueurs professionnels les plus chevronnés trouvent que DeepMind est un concurrent très coriace.
C’est une chose d’apprendre à jouer à des jeux vidéo en tête-à-tête ; cependant, pensez à quel point il serait difficile d’apprendre à jouer à un jeu multijoueur à la première personne. Après avoir accumulé ce qui équivaudrait à plus de 4 ans d’expérience de jeu en jouant Séisme III, DeepMind a enfin pu collaborer avec les membres de l’équipe afin de battre ses concurrents humains. Cette technologie d’intelligence artificielle est devenue si performante dans le jeu qu’elle a pu surpasser catégoriquement tout le monde dans un tournoi réunissant 40 très bons joueurs.
Vous pouvez en savoir plus sur cette technologie révolutionnaire sur le blog DeepMind.
Ce contenu est exact et fidèle au meilleur de la connaissance de l’auteur et ne vise pas à remplacer les conseils formels et individualisés d’un professionnel qualifié.
© 2019 Christophe Wanamaker
