Deep learning : comment les réseaux de neurones transforment des données complexes en IA d’entreprise

Le deep learning élargit les capacités de la reconnaissance de régularités. Les systèmes fondés sur des règles et l'analyse traditionnelle dépendent d'entrées structurées et d'une logique explicite, tandis que les modèles de deep learning utilisent des couches de neurones artificiels pour apprendre des représentations à partir de données, ce qui les rend particulièrement utiles pour les images, le langage, la parole, la vidéo et d'autres entrées complexes.

La mise en œuvre du deep learning dans un contexte d'entreprise est une discipline différente de la construction d'un modèle en vase clos. Les modèles de deep learning requièrent généralement de grands ensembles de données, un calcul GPU, une évaluation minutieuse et une gouvernance solide concernant la façon dont les modèles sont entraînés, versionnés, déployés et supervisés. Les équipes ont besoin d’une infrastructure pour développer, entraîner, déployer et gouverner des modèles à grande échelle, et cette infrastructure doit être proche des données et des flux de travail pour lesquels ces modèles sont conçus.

Le deep learning est un sous-ensemble du machine learning qui utilise des réseaux de neurones multicouches pour apprendre des régularités à partir de données. Un réseau de neurones est composé de nœuds connectés, ou neurones artificiels, disposés en couches. Chaque couche transforme les données qu'elle reçoit et transmet une représentation à la couche suivante, ce qui permet au modèle d'apprendre des régularités de plus en plus abstraites au fur et à mesure que les informations circulent dans le réseau.

Dans un modèle d’image, les premières couches peuvent apprendre les bords et les textures, tandis que les couches suivantes apprennent les formes ou les objets. Dans un modèle de langage, les couches peuvent apprendre les relations entre les tokens, la structure des phrases et le contexte. Dans un modèle entraîné sur des données comportementales ou transactionnelles, les couches peuvent apprendre des combinaisons de signaux difficiles à définir manuellement, comme la temporalité, le comportement des appareils et l'activité historique.

Le terme « profond » fait référence au nombre de couches du réseau, et non à un raisonnement humain. Un modèle de deep learning ne comprend pas une image médicale, une commande vocale ou un message client comme une personne le ferait. Il apprend des relations statistiques à partir de données d’entraînement, puis les utilise pour faire des prédictions, des classifications ou générer des sorties.

Pour plus de contexte fondamental, consultez notre guide sur le machine learning et les ressources connexes sur l’IA générative et le MLOps.

Découvrez comment la start-up de cybersécurité DeepTempo exploite le deep learning pour lutter contre les menaces de sécurité liées à l’IA :

Le deep learning est particulièrement utile lorsque le signal se trouve à l’intérieur de données complexes, en particulier de données difficiles à modéliser avec des caractéristiques définies manuellement.

• Détection des fraudes : Les équipes des services financiers peuvent utiliser le deep learning pour identifier les régularités de transaction suspectes au fil du temps, du comportement du compte, des données des appareils et de l'activité des commerçants. Un modèle peut apprendre des combinaisons subtiles de signaux difficiles à saisir avec des règles statiques, même si les équipes ont encore besoin d’explicabilité, de revoir les flux de travail et les contrôles pour les décisions à haut risque.
• Maintenance prédictive : Les fabricants, les services publics et les entreprises de transport peuvent entraîner des modèles sur des relevés de capteurs, des modèles de vibrations, des changements de température et des historiques de maintenance. Un modèle de deep learning peut apprendre des signaux d’alerte précoce qui aident les équipes à prédire une défaillance de l’équipement avant une panne visible ou une perturbation opérationnelle.
• Systèmes de recommandations : Les détaillants, les entreprises de médias et les plateformes numériques utilisent le deep learning pour modéliser les relations entre les utilisateurs, les produits, le contenu et le comportement. Ces systèmes peuvent améliorer la personnalisation en tirant des enseignements des clics, des achats, de l’historique de visualisation, des attributs des produits et des signaux contextuels.
• Imagerie médicale : Les organisations de la santé et des sciences de la vie utilisent le deep learning pour réaliser des tâches fondées sur des images, comme l'identification de régularités dans les scans radiologiques, les lames de pathologie ou les images d'ophtalmologie. Ces modèles peuvent prendre en charge les flux de travail cliniques, mais ils nécessitent une validation minutieuse, une supervision humaine et une gouvernance, car les sorties des modèles peuvent influencer les soins aux patients.
• Traitement du langage naturel et chatbots : Les modèles de deep learning peuvent classer du texte, extraire des entités, résumer des documents, traduire du langage et alimenter des assistants conversationnels. Les modèles transformers sont particulièrement importants ici, car ils utilisent des mécanismes d’attention pour apprendre les relations entre les séquences, ce qui aide les modèles à capturer le contexte dans le langage, le code, l’audio et les entrées multimodales.
• Véhicules autonomes et robotique : Les modèles de deep learning aident les systèmes à interpréter les données des capteurs, à détecter les objets, à estimer les mouvements et à planifier les actions. Ces cas d’usage combinent généralement la vision par ordinateur, l’apprentissage par renforcement, la simulation et les contrôles de sécurité.
• Reconnaissance vocale : Le deep learning permet de convertir un langage parlé en texte, d’identifier des locuteurs, de détecter des commandes ou d’analyser des modèles audio. Ces systèmes combinent souvent la modélisation acoustique, la modélisation du langage et le traitement des séquences.

Un modèle de deep learning apprend en comparant à plusieurs reprises ses sorties avec le résultat attendu, en mesurant la différence et en ajustant les paramètres internes pour réduire les erreurs futures.

Le processus commence avec les données d’entrée. Pour un modèle d'image, l'entrée peut être constituée de valeurs de pixels. Pour un modèle de langage, l'entrée peut être constituée de tokens. Pour un modèle de séries temporelles, l’entrée peut être une séquence de mesures de capteurs ou d’événements transactionnels. Le modèle fait passer cette entrée à travers des couches, où chaque couche applique des transformations mathématiques à l'aide de paramètres appris appelés poids.

La couche de sortie produit une prédiction, une classification ou un résultat généré. Une fonction de perte mesure ensuite l'écart entre la sortie et la réponse souhaitée. Dans un modèle de classification, la perte peut refléter la confiance avec laquelle le modèle a prédit la mauvaise catégorie. Dans un modèle de prévision, elle peut mesurer la différence entre la valeur prédite et la valeur réelle.

La rétropropagation est la méthode d'entraînement qui envoie le signal d'erreur à rebours dans le réseau. Le modèle utilise ce signal pour ajuster les poids dans les couches précédentes, généralement grâce à une optimisation fondée sur le gradient. Au fil de nombreuses itérations d'entraînement, le modèle met à jour ses paramètres afin de réduire les pertes sur les exemples d'entraînement et, idéalement, d'être performant sur les nouvelles données.

Le point important pour l’entreprise est que l’entraînement n’est pas seulement une tâche de modélisation. Les équipes ont besoin de données préparées, d'expériences reproductibles, de métriques d'évaluation, de ressources de calcul, de gestion des versions, de chemins de déploiement et de supervision. Un modèle de deep learning peut être performant dans un notebook, mais échouer en production si les données d'entrée changent, si les coûts d'inférence sont trop élevés ou si le modèle ne peut pas être gouverné selon les exigences de risque de l'entreprise.

Le deep learning n’est pas un modèle unique. Différentes architectures sont conçues pour gérer différents types de structure dans les données : pixels dans une image, tokens dans une phrase, événements dans une séquence, nœuds dans un graphe ou signaux selon plusieurs modalités. Le choix du bon modèle commence généralement par la nature du problème, le type de données disponibles et le type de sortie que le système doit produire.

Réseaux neuronaux à propagation avant (Feedforward Neural Networks, FNN)

Le machine learning, le deep learning et l’IA générative sont liés, mais ils décrivent des périmètres différents. Le ML est la discipline générale. Le deep learning est un sous-ensemble du ML et l’IA générative un sous-ensemble du deep learning.

Le ML couvre tout système qui apprend des régularités à partir de données au lieu de suivre des règles explicitement programmées. Le deep learning utilise des réseaux de neurones multicouches, utiles lorsque les entrées sont suffisamment complexes ou non structurées pour que les modèles plus simples peinent à trouver le signal. La reconnaissance d’images, le traitement de la parole et la compréhension de documents sont des applications courantes, même si le deep learning peut fonctionner avec des données structurées lorsque le problème le justifie.

L’IA générative fait référence aux systèmes qui produisent de nouveaux contenus (texte, images, code, audio) plutôt que de les classer ou de les prédire. La plupart des systèmes d'IA générative sont construits sur des architectures transformers ou de diffusion, mais la catégorie ne couvre pas tout le deep learning.

La plupart des systèmes d’IA d’entreprise combinent des approches au lieu de s’intégrer parfaitement dans un seul paradigme. Par exemple, un modèle de base entraîné sur des exemples étiquetés peut être adapté par apprentissage par transfert pour une tâche connexe, puis affiné grâce à des retours humains. Lorsque les données étiquetées sont rares, des méthodes non supervisées peuvent faire apparaître une structure qui manquerait au modèle.

Le deep learning est utilisé dans les entreprises, car il permet d’apprendre des modèles complexes à partir de grandes quantités de données. Il est précieux pour les tâches impliquant des images, la parole, le langage, la vidéo, les recommandations, les flux de capteurs et d'autres types de données pour lesquelles le signal pertinent peut ne pas être évident pour une personne écrivant des règles ou sélectionnant des caractéristiques.

Cela peut également réduire le besoin en ingénierie de caractéristiques manuelle. Dans de nombreux processus ML traditionnels, les data scientists passent beaucoup de temps à décider quelles caractéristiques doivent représenter le problème. Les modèles de deep learning peuvent apprendre des représentations utiles directement à partir des données, même si les équipes ont encore besoin de solides pratiques de préparation, d'étiquetage, d'évaluation et de supervision des données.

Le deep learning peut s'améliorer à mesure que davantage de données et de calculs sont disponibles, en particulier lorsque le problème bénéficie d'une mise à l'échelle. Il prend également en charge l'apprentissage par transfert, ce qui permet aux équipes d'adapter un modèle entraîné sur un grand ensemble de données à une tâche connexe. Cela peut réduire la quantité de données spécifiques à une tâche et raccourcir le chemin entre l'expérimentation et les performances utiles.

Les compromis sont toutefois importants. Les modèles de deep learning nécessitent souvent de grands volumes de données de haute qualité, et l'entraînement peut être coûteux car il peut nécessiter des GPU ou d'autres ressources de calcul spécialisées. Ces modèles peuvent également être difficiles à interpréter, en particulier lorsqu'ils contiennent de nombreuses couches et de nombreux paramètres. Cela crée des défis dans les domaines où les équipes doivent expliquer, auditer ou justifier le comportement du modèle.

Les modèles de deep learning peuvent aussi présenter du surapprentissage. Un modèle peut être performant sur les données d'entraînement, mais échouer sur de nouveaux exemples s'il a appris du bruit, des raccourcis ou des régularités qui ne se généralisent pas. Les biais dans les données d’entraînement peuvent également affecter le comportement du modèle, en particulier lorsque le modèle est utilisé dans des contextes à fort impact tels que les prêts, le recrutement, la santé ou les services publics.

Le deep learning est puissant lorsque le problème implique des régularités complexes, que l’entreprise dispose de suffisamment de données pertinentes et que les équipes peuvent prendre en charge les exigences de calcul, d’évaluation et de gouvernance. Mais il peut s’agir d’un mauvais ajustement lorsque le jeu de données est petit, le problème métier est simple, le budget limité ou des explications claires comptent plus que des gains de précision marginaux.

Les équipes utilisant le deep learning doivent accéder aux données gouvernées, préparer des caractéristiques, exécuter des expériences, entraîner des modèles, suivre les versions, déployer des modèles à des fins d'inférence et superviser les performances au fil du temps. Snowflake prend en charge ces flux de travail via Snowflake ML.

Snowflake ML propose des fonctionnalités pour la préparation des données, la création et l'utilisation de caractéristiques, l'entraînement de modèles sur CPU ou GPU, l'évaluation des modèles, l''opérationnalisation des pipelines, le déploiement des modèles et la supervision des modèles en production.

Container Runtime for ML offre aux équipes des environnements préconfigurés et personnalisables pour le ML sur Snowpark Container Services. Les notebooks Snowflake fournissent un environnement de développement interactif dans lequel les équipes peuvent travailler avec des données, du code et des processus ML. Associés à Container Runtime, les notebooks peuvent prendre en charge des charges de travail avancées en science des données et en ML, avec des options logicielles et matérielles conçues pour des besoins d'entraînement et d'expérimentation plus exigeants.

Le registre de modèles Snowflake aide les équipes à gérer les modèles et leurs métadonnées dans Snowflake, indépendamment de leur origine et de leur type. Après l'entraînement, les équipes peuvent enregistrer un modèle dans le registre, gérer les versions et exécuter l'inférence dans Snowflake. La documentation Snowflake décrit le registre comme un moyen de gérer les modèles et leurs métadonnées de manière sécurisée et de simplifier le passage du développement à la production.

Le deep learning peut aider les entreprises à exploiter des données auparavant trop complexes pour être bien modélisées, mais sa valeur dépend des dispositifs de contrôle qui rendent ces modèles utilisables, traçables et fiables en production. Les équipes doivent savoir quelles données ont façonné le modèle, comment il a été évalué, où il est déployé, ce qui a changé depuis l'entraînement et qui est responsable lorsque la sortie influe sur un processus.