Le « Deep Learning » ou « Apprentissage profond » est une des technologies utilisées dans le domaine de l’Intelligence Artificielle (IA). Il s’agit d’un dérivé du Machine Learning, dont le principe est de permettre aux ordinateurs d’« apprendre » sans avoir été programmés explicitement à cet effet (lire fiche dédiée). Pour cela, le système informatique analyse de grands volumes de données (Big Data) et en déduit des corrélations. La première différence entre le Machine Learning et le Deep Learning se situe au niveau des données analysées. L’apprentissage profond traite des données non-structurées, c’est-à-dire exploitées dans un format brut comme de simples images, du texte ou du son. Le Deep Learning traite des données structurées, comme celles issues de capteurs. L’algorithme de Deep Learning va donc lui-même extraire des éléments pertinents de ces données. La seconde différence concerne l’intervention humaine. Elle est très réduite dans le Deep Learning, qui est quasiment un apprentissage autonome. Avec le Machine Learning ce sont des Data Scientist qui « entraînent » les algorithmes. L’application du Deep Learning dans l’industrie du futur se concentre aujourd’hui autour de l’amélioration de la vision industrielle par exemple.
Sources : Alliance industrie du futur, Smart-Industries, lebigdata.fr, elementsindustriels.fr
1 – Le Deep Learning est une technologie qui réclame encore plus de puissance informatique que le Machine Learning. Il convient donc de bien évaluer les coûts du projet, car l’accès aux ressources IT nécessaires peut s’avérer relativement onéreux.
2 – Encore plus que pour le Machine Learning, l’apprentissage profond ne gagne pas à être déployé sur un système d’information interne. La puissance du cloud est en général requise.
3 – Même s’il s’agit d’un apprentissage autonome, cette technologie récente nécessite un accompagnement par des experts. Il convient donc de bien choisir ses prestataires.
4 – Ne pas se précipiter sur un déploiement à grande échelle de la technologie et commencer par un test sur un périmètre restreint. Comme pour le Machine Learning l’apprentissage automatique peut prendre plusieurs mois avant de donner des résultats fiables et pertinents.
1 – Améliorer le contrôle qualité grâce à l’analyse d’images. Les outils de Deep Learning peuvent par exemple distinguer des défauts impossibles à identifier avec les solutions de vision industrielle classiques. Il apporte de « l’intelligence » à la vision industrielle.
2 – Optimiser la relation client en intégrant de la recommandation produit sur les services en ligne, basés sur l’analyse d’images de produits déjà achetés.
3 – Optimiser la maintenance grâce à la « maintenance prédictive » (réduction des pannes, meilleure planification des interventions, baisse des couts de maintenance…)
4 – Déployer des solutions avancées de tri automatique par reconnaissance d’images (pièces, produits finaux, matériaux, déchets…)
1 – Encore plus que pour le Machine Learning, l’entreprise doit effectuer un diagnostic de la quantité de données exploitables. L’apprentissage autonome réclame en effet des très grands volumes de données.
2 – La DSI est-elle compétente dans ce domaine encore assez nouveau. Une formation sur le sujet peut être pertinente pour bien orienter le projet et choisir les bons partenaires.
3 – L’amélioration de la vision industrielle est-elle in enjeu crucial pour l’entreprise, car il s’agit de la principale application du Deep Learning.
4 – L’entreprise est-elle prête à patienter plusieurs mois pour obtenir des résultats probants avec ses outils de Deep Learning ?
