Les termes "apprentissage en profondeur" et "apprentissage automatique" ayant tendance à être utilisés indifféremment, il convient de noter les nuances entre les deux. Comme mentionné précédemment, l'apprentissage en profondeur et l'apprentissage automatique sont tous les deux des sous-domaines de l'intelligence artificielle, l'apprentissage en profondeur étant en fait un sous-domaine de l'apprentissage automatique.

L'apprentissage en profondeur est composé de réseaux neuronaux. Le terme "en profondeur" fait référence à un réseau neuronal composé de plus de trois couches, incluant les entrées et la sortie, qui peut être considéré comme un algorithme d'apprentissage en profondeur. 

La différence entre l'apprentissage en profondeur et l'apprentissage automatique réside dans la manière dont chaque algorithme apprend. L'apprentissage en profondeur automatise une grande partie de l'extraction des caractéristiques du processus, éliminant une partie de l'intervention humaine manuelle requise et permettant l'utilisation de plus grands ensembles de données. L'apprentissage en profondeur s'apparente à un "apprentissage automatique évolutif", comme l'a noté Lex Fridman dans la conférence du MIT mentionnée ci-dessus. L'apprentissage automatique classique, ou "non profond", dépend davantage de l'intervention humaine pour apprendre. Les experts humains déterminent la hiérarchie des caractéristiques pour comprendre les différences entre les entrées de données, ce qui nécessite généralement des données plus structurées pour apprendre.

L'apprentissage machine "en profondeur" peut s'appuyer sur des ensembles de données étiquetées, on parle également d'apprentissage supervisé, pour informer son algorithme, mais il ne nécessite pas nécessairement un ensemble de données étiquetées. Il peut ingérer des données non structurées dans leur forme brute (texte, images, etc.) et déterminer automatiquement la hiérarchie des caractéristiques qui distinguent les différentes catégories de données les unes des autres. Contrairement à l'apprentissage automatique, il ne nécessite pas d'intervention humaine pour traiter les données, ce qui nous permet de faire évoluer l'apprentissage automatique de manière plus intéressante.

Les applications de systèmes d'IA dans le monde réel sont nombreuses aujourd'hui. Voici quelques-uns des exemples d'application les plus courants :

• Reconnaissance vocale: Également appelée reconnaissance automatique de la parole, reconnaissance de la parole par ordinateur ou de synthèse vocale, la reconnaissance de la parole est une fonctionnalité qui utilise le traitement du langage naturel pour transcrire la parole humaine dans un format écrit. De nombreux terminaux mobiles intègrent la reconnaissance vocale dans leurs systèmes pour effectuer recherche vocale (comme Siri) ou fournir plus d'accessibilité au niveau des SMS. 
• Service client:  Des agents virtuels remplacent les agents humains au cours du parcours des clients. Ils répondent aux questions fréquemment posées sur des sujets tels que l'expédition, ou fournissent des conseils personnalisés, proposent des produits de vente croisée ou font des suggestions de taille pour les utilisateurs, changeant ainsi notre façon de concevoir l'engagement des clients sur les sites Web et les plateformes de médias sociaux. Les bots de messagerie sur les sites de commerce électronique avec des agents virtuels, les applications de messagerie, comme Slack et Facebook Messenger, et les tâches habituellement effectuées par les assistants virtuels et les assistants vocaux en sont des exemples.
• Vision de l'ordinateur:  Cette technologie IA permet aux ordinateurs et aux systèmes de dériver des informations significatives des images numériques, des vidéos et d'autres entrées visuelles et sur la base de celles-ci, il peut agir. Cette capacité à fournir des recommandations la distingue des tâches de reconnaissance d'image. Optimisée par des réseaux de neurones convolutifs, la vision par ordinateur trouve des applications dans le marquage des photos sur les médias sociaux, l'imagerie radiologique dans les soins de santé et les voitures à conduite autonome dans l'industrie automobile.  
• Moteurs de recommandations  En utilisant des données sur les comportements de consommation passés, les algorithmes d'IA peuvent découvrir des tendances de données qui peuvent être utilisées pour développer des stratégies de vente croisée plus efficaces. Les enseignes en ligne s'en servent pour faire des recommandations pertinentes de produits complémentaires aux clients lors du processus de règlement.
• Trading d'actions automatique: conçues pour optimiser les portefeuilles d'actions, les plateformes de transactions boursières à haute fréquence pilotées par l'IA effectuent des milliers, voire des millions de transactions par jour sans intervention humaine.

L'idée d'une "machine qui pense" remonte à la Grèce antique. Mais depuis l'avènement du calcul électronique (et par rapport à certains des sujets abordés dans cet article), voici quelques événements et étapes importants dans l'évolution de l'intelligence artificielle :

• 1950: Alan Turing publie Computing Machinery and Intelligence. Dans cet article, Turing, connu pour avoir décodé le code ENIGMA des nazis pendant la Seconde Guerre mondiale, propose une réponse à la question "les machines peuvent-elles penser ?" et introduit le test de Turing pour déterminer si un ordinateur peut faire preuve de la même intelligence qu'un humain (ou fournir des résultats qu'elle pourrait produire). La valeur du test de Turing fait l'objet d'un débat depuis.
• 1956: John McCarthy a inventé le terme "intelligence artificielle" lors de la toute première conférence sur intelligence artificielle au Dartmouth College. (McCarthy allait inventer le langage Lisp.) Plus tard la même année, Allen Newell, JC Shaw et Herbert Simon créaient le Logic Theorist, le tout premier progiciel d'intelligence artificielle.
• 1967: Frank Rosenblatt crée le Perceptron Mark 1, premier ordinateur basé sur un réseau de neurones qui "apprend" par essais et erreurs. Un an plus tard, Marvin Minsky et Seymour Papert publient le livre intitulé Perceptrons, qui devient à la fois l'ouvrage de référence sur les réseaux de neurones et, du moins pendant un certain temps, un argument contre les futurs projets de recherche sur les réseaux de neurones.
• Dans les années 1980: Les réseaux de neurones qui utilisent un algorithme de rétropropagation pour s'entraîner sont largement utilisés dans les applications d'IA.
• 1997: Lors d'une partie d'échecs (avec revanche), Deep Blue d'IBM bat le champion du monde de l'époque, Garry Kasparov.
• 2011: IBM Watson bat les champions Ken Jennings et Brad Rutter à Jeopardy!
• 2015: Le superordinateur Minwa de Baidu utilise un type particulier de réseau de neurones profonds, appelé réseau de neurones convolutifs, pour identifier et classer des images avec un taux de précision supérieur à celui de l'être humain moyen.
• 2016: Le programme AlphaGo de DeepMind, optimisé par un réseau de neurones profonds, bat Lee Sodol, champion du monde de Go, dans une partie en cinq manches. Cette victoire est importante compte tenu du nombre considérable de coups possibles au cours de la partie (plus de 14,5 mille milliards après seulement quatre coups !). Plus tard, Google achètera DeepMind pour un montant de 400 millions de dollars.

IBM a toujours été leader en matière d'avancées des technologies pilotées par l'IA pour les entreprises et a été pionnier concernant le futur des systèmes d'apprentissage automatique pour de multiples secteurs. Basé sur des décennies de recherche en intelligence artificielle, des années de collaboration avec des entreprises de toues tailles, et sur les enseignements tirés de plus de 30 000 engagements IBM Watson, IBM a développé l'échelle de l'intelligence artificielle pour des déploiements d'IA réussis :

• Collecter: simplification de la collecte et de l'accessibilité des données.
• Organiser: création d'une base d'analyse prête à l'emploi.
• Analyser: création de systèmes optimisé par l'IA, évolutifs et fiables.
• Infuser: intégration et optimisation des systèmes dans l'ensemble d'une structure métier.
• Moderniser: transfert de vos applications et systèmes d'intelligence artificielle dans le cloud.

IBM Watson offre aux entreprises les outils d'IA dont elles ont besoin pour transformer leurs systèmes et flux de travaux, tout en améliorant considérablement l'automatisation et l'efficacité. Pour plus d'informations sur la façon dont IBM peut vous aider dans votre parcours IA, explorez le portefeuille IBM de services et solutions gérés.