Les technologies de Deep Learning et d’intelligence artificielle continuent de se développer rapidement. L’intelligence artificielle s’inspire des systèmes nerveux biologiques Humain. C’est d’ailleurs pour cette raison que le terme de réseaux de neurones est utilisé, il imite la façon dont le cerveau humain traite les informations. C’est ce qui permet aux machines de se représenter et d’apprendre des modèles en identifiant chaque données
Le principal outil logiciel de deep learning est TensorFlow. Il s’agit d’une bibliothèque d’intelligence artificielle open source, qui utilise des graphiques de flux de données pour créer des modèles. Cette technologie permet aux développeurs de créer des réseaux de neurones à une grande échelle avec de nombreuses couches. C’est pourquoi nous avons identifié les 5 principaux cas d’utilisation : la perception, la compréhension, la classification, la création, la prédiction et la découverte.
Mais avant de savoir à quoi sert précisément tensorFlow penchons nous rapidement sur les entreprises qui misent sur l’intelligence artificielle :
Vous trouverez plus d’infographie sur Statista
Les États-Unis et la Chine sont les leaders mondiaux de l’innovation en intelligence artificielle. Mais comme le montrent les données de LexisNexis PatentSight, les entreprises et organisations chinoises sont les plus actives dans ce domaine et pourraient bientôt dépasser les leaders américains dans la concurrence des brevets technologiques.
Sur les huit organisations possédant le plus de familles de brevets d’apprentissage automatique et d’intelligence artificielle, quatre sont actuellement situées en Chine. Les géants du numérique chinois sont les plus prolifiques de ces dernières années. De 2015 à 2020, Tencent et Baidu ont augmenté de 9 et 5 respectivement le nombre de ces familles de brevets qu’elles détiennent. À la fin de 2020, chaque société cotée comptait plus de 3 900 sociétés, et elles devancent désormais Alphabet, qui était à l’époque un peu plus de 3 300.
IBM, Samsung et Microsoft étaient déjà en tête en 2015, mais fin 2020, ils sont toujours les trois premiers du classement, chacun avec plus de 5 000 familles de brevets actives dans le domaine du « machine learning » et de l’intelligence artificielle.
Rappelons que TensorFlow est une technologie de l’américain Google. Revenons maintenant aux cas d’utilisation de cette outil open source. Par exemple la Nasa conçoit un système avec TensorFlow pour la classification des orbites et le regroupement d’objets d’astéroïdes. En conséquence, ils peuvent classer et prédire les objets géocroiseurs.
Les principaux cas d’utilisation de TensorFlow
- Reconnaissance audio
En fournissant le bon types de données un réseaux de neurones est capable de comprendres les différents signaux audio. C’est d’ailleurs l’un des cas d’utilisation les plus populaire de Tensor Flow.
Voici différent exemples :
- La reconnaissance vocale Utilisé dans la sécurité par le biais d’objets connectés par exemple, mais aussi dans l’industrie du e-commerce ou du smartphone avec des technologies comme Alexa.
- Recherche vocale – Utilisé par les moteurs de recherche de nos téléphones avec Siri pour les IPhone.
- Analyse des sentiments – C’est une technologie qui peut être utilisé pour prédire le sentiment d’un prospect.
- Détection de défauts – principalement utilisé dans l’industrie pour détecter un début de panne.
Comme évoqué plus haut nous utilisons quotidiennement ces technologies. Elles sont implanté dans nos ordinateurs avec Cortana de Microsoft ou bien L’assistant virtuel de Google qui est présent sur les smartphone Android mais aussi dans les enceintes connectés Google Home, ou les appareil de la marque Apple qui embarquent tous Siri.
La compréhension du langage est un autre cas d’utilisation courant de la reconnaissance vocale. Les applications de synthèse vocale sont utilisées pour permettre à l’utilisateur de dicter du texte à la machine, et la machine l’écrira ensuite. Par exemple, lorsque vous envoyez un message texte dans la voiture, il vous suffit de dicter le texte à votre assistant vocal, et l’assistant vocal le transcrira en texte, puis l’enverra au destinataire que vous spécifiez.
Les applications basées sur le son peuvent également être utilisées dans la gestion de relation client. C’est souvent le cas sur les boites vocales ou les messageries instantané qui vous propose de décrire votre problème. en vous dirigeant directement vers une page de solution adaptée.
- Applications basées sur du texte
D’autres utilisations populaires de TensorFlow sont les applications basées sur du texte telles que l’analyse sentimentale (CRM, médias sociaux), la détection des menaces (médias sociaux, gouvernement) et la détection de la fraude (assurance, finance)
La détection de la langue est l’une des utilisations les plus populaires des applications textuelles.
- Nous connaissons tous Google Translate , qui prend en charge la traduction de plus de 100 langues de l’une à l’autre. Les versions évoluées peuvent être utilisées dans de nombreux cas, comme la traduction du jargon juridique des contrats en langage clair.
- Résumé de texte
Google a également découvert que pour les textes plus courts, la synthèse peut être apprise avec une technique appelée apprentissage séquence à séquence. Cela peut être utilisé pour produire des titres pour des articles de presse. Ci-dessous, vous pouvez voir un exemple où le modèle lit le texte de l’article et écrit un titre approprié.
| Entrée : Article 1ère phrase | Titre rédigé par un modèle |
| à partir du 1er juillet, la province insulaire de hainan, dans le sud de la chine, mettra en place un contrôle strict de l’accès au marché sur tous les produits d’élevage et d’origine animale entrants afin d’empêcher la propagation possible de maladies épidémiques | hainan pour freiner la propagation des maladies |
SmartReply est un autre cas d’utilisation de Google . Il génère automatiquement des réponses par e-mail (en souhaitant que la version évoluée de celui-ci fasse notre affaire en notre nom)
- Reconaissance d’image
Principalement utilisé dans les entreprises de médias sociaux, de télécommunications et de téléphonie mobile ; la reconnaissance faciale, la recherche d’images, la détection de mouvement, la vision artificielle et le regroupement de photos peuvent également être utilisés dans les secteurs de l’automobile, de l’aviation et de la santé. La reconnaissance d’images vise à identifier et reconnaître les personnes et les objets dans les images, ainsi qu’à comprendre le contenu et le contexte.
L’algorithme de reconnaissance d’objets TensorFlow classe et reconnaît des objets arbitraires dans des images plus grandes. Ceci est couramment utilisé dans les applications d’ingénierie pour reconnaître les formes à des fins de modélisation (construction spatiale 3D à partir d’images 2D) et les médias sociaux pour le marquage de photos (Facebook’s Deep Face). Par exemple, en analysant des milliers de photos d’arbres, la technologie peut apprendre à reconnaître des arbres qui n’ont jamais été vus auparavant.
La reconnaissance d’images a également commencé à se développer dans le secteur de la santé. Par rapport à ses homologues humains, l’algorithme TensorFlow peut traiter plus d’informations et découvrir plus de modèles. Les ordinateurs peuvent désormais vérifier les analyses et détecter plus de maladies que les humains.
4. Séries temporelles
Les algorithmes de séries temporelles TensorFlow sont utilisés pour analyser les données de séries temporelles afin d’extraire des statistiques significatives. Ils permettent de prévoir des périodes de temps non spécifiques en plus de générer des versions alternatives de la série chronologique.
Le cas d’utilisation le plus courant pour les séries chronologiques est la recommandation. Vous avez probablement entendu parler de cette utilisation par Amazon, Google, Facebook et Netflix, où ils analysent l’activité des clients et la comparent à des millions d’autres utilisateurs pour déterminer ce que le client aimerait acheter ou regarder. Ces recommandations deviennent encore plus intelligentes, par exemple, elles vous offrent certaines choses comme cadeaux (pas pour vous-même) ou des émissions de télévision que les membres de votre famille pourraient aimer.
Les autres utilisations des algorithmes de séries temporelles TensorFlow sont principalement le domaine d’intérêt de la finance, de la comptabilité, du gouvernement, de la sécurité et de l’IoT avec des détections de risques, une analyse prédictive et une planification d’entreprise/des ressources.
5. Détection vidéo
Les réseaux de neurones TensorFlow fonctionnent également sur les données vidéo. Ceci est principalement utilisé dans la détection de mouvement, la détection de threads en temps réel dans les domaines du jeu, de la sécurité, des aéroports et de l’UX/UI. Récemment, les universités travaillent sur des ensembles de données de classification vidéo à grande échelle tels que YouTube-8M dans le but d’accélérer la recherche sur la compréhension de la vidéo à grande échelle, l’apprentissage de la représentation, la modélisation de données bruyantes, l’apprentissage par transfert et les approches d’adaptation de domaine pour la vidéo.
TensorFlow étant une bibliothèque open source, nous verrons bientôt de nombreux autres cas d’utilisation innovants, qui s’influenceront mutuellement et contribueront à la technologie d’apprentissage automatique.
