Le Big Bang du Deep Learning

Chaque domaine possède un point de rupture. Pour le deep learning, cette année est 2012.

Avant 2012, la vision par ordinateur peinait. Les chercheurs utilisaient une base de données appelée ImageNet pour tester les systèmes. L'objectif était de classer des images dans 1 000 catégories différentes.

Pendant des années, les taux d'erreur sont restés autour de 25 %. Les progrès se sont arrêtés. Personne ne savait comment avancer.

Puis, une équipe dirigée par Alex Krizhevsky a changé la donne. Ils ont utilisé un réseau de neurones convolutifs (CNN).

Au lieu que des humains écrivent des règles sur l'apparence d'une image, le réseau a appris directement à partir des pixels.

Les résultats ont été massifs. Ils ont réduit le taux d'erreur de près de moitié en un an.

Ce changement a tout transformé. Il a fait passer l'IA des laboratoires de recherche au monde réel.

L'impact s'est propagé rapidement :

  • Netflix l'a utilisé pour de meilleures recommandations.
  • Siemens et GE l'ont utilisé pour l'imagerie médicale.
  • Les constructeurs automobiles l'ont utilisé pour la conduite autonome.
  • Les géants de la tech comme Google et Apple l'ont intégré dans chaque produit.

Ce succès reposait sur le matériel. L'entraînement de ces réseaux nécessite des calculs mathématiques massifs. Les GPU, conçus à l'origine pour les jeux vidéo, se sont révélés parfaits pour ces calculs. Cela a propulsé l'ascension de NVIDIA.

Mais n'oubliez pas que les tendances du marché sont complexes. La croissance de NVIDIA était également liée au boom du minage de cryptomonnaies. Ne supposez jamais une cause unique à un changement de marché.

Le deep learning a également conquis les jeux.

Les échecs ont été résolus par la force brute. Le jeu de Go est différent. Les coups possibles au Go sont trop nombreux pour qu'un ordinateur puisse les compter. En 2016, AlphaGo a prouvé que le deep learning pouvait apprendre une stratégie sans l'aide de l'homme. Il a appris en jouant contre lui-même.

La leçon est simple.

Les anciennes méthodes ont échoué parce que les humains devaient coder les règles à la main. Nous avions atteint un plafond. Le deep learning a brisé ce plafond car les systèmes apprennent désormais leurs propres modèles à partir de données brutes.

Dans cette série, je vais détailler mes notes de cours sur le deep learning. Nous verrons comment ces réseaux fonctionnent réellement.

Ensuite, j'expliquerai ce qui se passe à l'intérieur d'un réseau lorsqu'il apprend.

Source: https://dev.to/fahimu10/the-big-bang-of-deep-learning-how-2012-changed-everything-3lb3

Communauté d'apprentissage optionnelle : https://t.me/GyaanSetuAi