Machine learning, deep learning, IA générative : quelles différences ?
Intelligence artificielle, machine learning, deep learning, IA générative : ces termes sont souvent employés comme des synonymes, dans les médias comme dans les programmes de formation. Ils désignent pourtant des réalités différentes, qui s’emboîtent comme des poupées russes. Les distinguer permet de mieux comprendre ce que l’on apprend, et ce qu’une formation promet réellement.
L’emboîtement en un coup d’œil
| Terme | Ce qu’il désigne | Exemple |
|---|---|---|
| Intelligence artificielle | le domaine général : faire réaliser par des machines des tâches qui semblent demander de l’intelligence | un programme d’échecs, un système expert, un assistant conversationnel |
| Machine learning (apprentissage automatique) | une famille de méthodes où la machine apprend à partir d’exemples plutôt que de règles écrites à la main | un filtre anti-spam, une prévision de ventes |
| Deep learning (apprentissage profond) | une sous-famille du machine learning reposant sur des réseaux de neurones à nombreuses couches | la reconnaissance d’images, la transcription de la parole |
| IA générative | des modèles, le plus souvent issus du deep learning, capables de produire du contenu nouveau | la génération de texte, d’images, de musique |
Pour les définitions de base du domaine, notre article Qu’est-ce que l’intelligence artificielle ? pose le décor.
Le machine learning : apprendre à partir d’exemples
Dans la programmation classique, un humain écrit des règles : « si le message contient tel mot, le classer comme indésirable ». Dans le machine learning, on fournit à un algorithme de nombreux exemples, ici des messages déjà classés, et il en déduit lui-même des règles statistiques.
On distingue trois grandes manières d’apprendre :
- l’apprentissage supervisé : les exemples sont étiquetés avec la bonne réponse (ce message est indésirable, celui-ci non) ;
- l’apprentissage non supervisé : les données ne sont pas étiquetées et l’algorithme cherche des structures, par exemple des groupes de clients similaires ;
- l’apprentissage par renforcement : un agent apprend par essais et erreurs, en recevant des récompenses ou des pénalités.
Les méthodes « classiques » de machine learning, comme les arbres de décision ou les régressions, restent très utilisées en entreprise. Elles demandent moins de données et de calcul, et leurs résultats sont souvent plus faciles à expliquer.
Le deep learning : des réseaux de neurones profonds
Le deep learning utilise des réseaux de neurones artificiels composés de nombreuses couches successives. Chaque couche transforme les données reçues de la précédente, ce qui permet au réseau d’apprendre des représentations de plus en plus abstraites : des contours, puis des formes, puis des objets, dans le cas d’une image.
Ces méthodes existent depuis des décennies, mais elles ont pris leur essor au début des années 2010, grâce à la combinaison de trois facteurs : de très grands volumes de données, la puissance de calcul des processeurs graphiques et des progrès dans les méthodes d’entraînement. Elles ont permis des avancées spectaculaires en vision par ordinateur, en reconnaissance vocale et en traduction.
Leurs contreparties : elles demandent beaucoup de données et de calcul, et leur fonctionnement interne est difficile à interpréter, ce qui pose des questions abordées dans notre article sur l’éthique de l’IA.
L’IA générative : produire du contenu
L’IA générative désigne des modèles capables de créer un contenu nouveau, et non seulement de classer ou de prédire. Les grands modèles de langage, qui génèrent du texte, reposent sur une architecture de réseau de neurones appelée transformer, présentée par des chercheurs en 2017. Ils sont entraînés sur d’immenses corpus de textes à prédire la suite la plus probable d’une séquence de mots.
Les générateurs d’images utilisent d’autres architectures, notamment les modèles dits de diffusion. Notre article IA générative : comment ça marche ? détaille ces mécanismes.
Ce que cela change pour choisir sa formation
Comprendre cet emboîtement aide à lire un programme de formation :
- une formation « IA générative pour les professionnels » porte généralement sur l’usage des outils, pas sur leur conception ;
- une formation « machine learning » doit couvrir les méthodes classiques, l’évaluation des modèles et la préparation des données ;
- une formation « deep learning » suppose des bases solides en programmation et en mathématiques ;
- une formation qui promet tout cela en quelques jours mérite d’être examinée de près.
| Objectif | Ce qu’il faut apprendre en priorité |
|---|---|
| Utiliser l’IA dans son métier | usage des assistants, écriture de consignes, limites et règles |
| Analyser des données | statistiques, Python, machine learning classique |
| Concevoir des modèles avancés | mathématiques, deep learning, calcul |
Pour vous situer, consultez notre méthode pour choisir une formation en IA et notre guide Apprendre Python pour l’IA.
En résumé
L’IA est le domaine, le machine learning une façon d’y parvenir en apprenant à partir d’exemples, le deep learning une technique particulière de machine learning fondée sur des réseaux de neurones profonds, et l’IA générative une application de ces techniques à la création de contenu. Savoir les distinguer, c’est déjà mieux choisir ce que l’on veut apprendre.
Cet article peut contenir des liens partenaires. Ils n'influencent jamais ce que nous écrivons.