IA, Apprentissage automatique et Deep Learning : définition des termes
En fait, les trois termes sont liés.
L'intelligence artificielle résulte du déploiement de techniques d'apprentissage automatique et d'apprentissage profond. Le terme « intelligence » vient du fait que les machines apprennent et s'adaptent sans intervention humaine. Bien que les principes ne soient pas nouveaux, l'accès à de grands ensembles de données et la réduction des coûts du calcul haute performance ont permis l'émergence d'une nouvelle science. Les deux principaux contributeurs à l'intelligence artificielle sont :
L'apprentissage automatique, qui utilise des algorithmes pour « apprendre » à partir d'images ou d'autres données. L'apprentissage automatique implique généralement soit une intervention humaine, soit un marquage manuel d'images d'échantillon afin de classer les images successives à un volume plus élevé. Un être humain marque des images pour que les caractéristiques clés soient reconnues par un ordinateur, puis un modèle est élaboré afin de prédire la probabilité d'une correspondance d'image à partir d'une source de données. La reconnaissance faciale ou l'analyse du contenu d'une scène d'image complexe comptent parmi des exemples d'utilisation de l'apprentissage automatique. L'apprentissage automatique permet de constituer rapidement un modèle de données à partir d'un ensemble de données relativement modeste.
Le Deep Learning est un sous-ensemble de l'apprentissage automatique. En substance, au lieu d'une intervention humaine étiquetant les données pour reconnaître des éléments d'image, de son ou de texte, le Deep Learning construit automatiquement le modèle de reconnaissance. Cela requiert des ensembles de données bien plus volumineux, et la construction des modèles demande beaucoup plus de temps. Les « réseaux neuronaux » sont souvent déployés et destinés à imiter les méthodes humaines d'apprentissage et d'adaptation aux nouvelles données. Le Deep Learning peut non seulement reconnaître des éléments de données comme des images, mais aussi des tâches. C'est pourquoi cette technologie devient importante pour les opérations demandant de lourds processus. Les tâches intégrées dans les opérations quotidiennes ont le potentiel pour bénéficier de l'automatisation intelligente des systèmes logiciels et physiques, comme les bras robotiques.
Konica Minolta utilise ces trois éléments de son portefeuille avec différents degrés d'intelligence et de sophistication, en commençant par l'intelligence de base pour les opérations d'impression.