Qu’est-ce que le deep learning et où dépasse-t-il le machine learning classique
Le deep learning, ou apprentissage profond, est une famille de techniques de machine learning fondées sur des réseaux de neurones artificiels à plusieurs couches (d’où le terme « profond »). Contrairement aux algorithmes de ML classique, qui exigent qu’un expert sélectionne et construise à la main les caractéristiques pertinentes des données, les réseaux de neurones profonds apprennent automatiquement les représentations les plus utiles à partir des données brutes.
Cette capacité d’apprentissage de représentations explique pourquoi le deep learning domine dans les problèmes où les données sont des images, de l’audio, du texte ou des signaux complexes : des domaines où définir manuellement les caractéristiques pertinentes est extrêmement difficile, voire impossible.
Sur des données tabulaires structurées, les plus courantes en analyse métier, les algorithmes de ML classique comme le gradient boosting restent compétitifs et sont souvent préférables : ils sont plus interprétables et demandent moins de données et de puissance de calcul.
Applications métier du deep learning
Vision par ordinateur : classification d’images, détection d’objets, segmentation sémantique et estimation de pose. Applications directes dans le contrôle qualité industriel, l’analyse d’images médicales, la sécurité périmétrique et l’automatisation logistique.
Traitement automatique du langage (NLP) : analyse du sentiment dans les avis clients, classification automatique de documents, extraction d’informations de contrats ou de factures, chatbots qui comprennent le contexte et traduction automatique.
Reconnaissance vocale : transcription automatique des appels des centres de contact, commande vocale en environnement industriel et analyse des conversations pour la qualité de service.
Séries temporelles : prévision de la demande, détection d’anomalies dans les signaux de capteurs industriels et prévision de la production d’énergie. Les architectures LSTM et Transformer ont montré des avantages sur les méthodes statistiques classiques pour les séries aux motifs complexes et non linéaires.
Les principaux frameworks : PyTorch et TensorFlow
Les deux frameworks dominants en deep learning sont :
PyTorch : développé par Meta, c’est le standard de fait de la recherche, et il a aussi pris une nette avance en production ces dernières années. Sa conception dynamique (define-by-run) facilite le débogage et le prototypage rapide. C’est le framework privilégié pour développer des modèles à partir de zéro.
TensorFlow/Keras : développé par Google, avec un écosystème de déploiement mature (TensorFlow Serving, TensorFlow Lite pour le mobile et l’edge). L’API Keras réduit nettement la courbe d’apprentissage pour les cas d’usage standard.
Hugging Face Transformers : bibliothèque construite sur PyTorch et TensorFlow, qui donne accès à des milliers de modèles préentraînés pour le NLP, la vision et l’audio. Pour la plupart des cas d’usage en entreprise sur le texte et l’image, le bon point de départ est le fine-tuning d’un modèle préentraîné, pas l’entraînement à partir de zéro.
Besoins matériels et alternatives cloud
L’entraînement de modèles de deep learning nécessite des GPU. Les options sont les suivantes :
GPU dans le cloud : AWS (instances P3/P4, GPU A100), Azure (séries NC/ND), Google Cloud (TPU, GPU A100). Paiement à l’usage, sans investissement initial. Adapté à la plupart des projets avec des entraînements périodiques.
GPU sur site : se justifie lorsque le volume d’entraînement est élevé et constant, ou lorsque les données sont trop sensibles pour quitter les locaux. NVIDIA A100/H100 pour un entraînement à grande échelle.
Inférence en production : les modèles entraînés sur GPU peuvent généralement exécuter l’inférence sur CPU ou sur du matériel edge spécialisé, bien plus économique. Dans la plupart des cas, un GPU permanent n’est pas nécessaire pour servir des prédictions en production.
Quand le deep learning n’est pas la bonne réponse
Le deep learning a des coûts réels : il demande plus de données étiquetées que le ML classique, plus de puissance de calcul, plus d’expertise pour entraîner et déboguer, et il produit des modèles moins interprétables. Pour des données tabulaires bien structurées, des volumes modérés ou des exigences réglementaires d’explicabilité (banque, assurance, santé), les algorithmes de ML classique sont souvent le choix le plus prudent.
Questions fréquentes
Combien de données faut-il pour entraîner un modèle de deep learning ? Cela dépend fortement du problème et du fait de partir ou non d’un modèle préentraîné. Entraîner un réseau de classification d’images à partir de zéro peut exiger des dizaines de milliers d’images par classe. En revanche, le fine-tuning d’un modèle préentraîné comme CLIP ou ResNet peut donner des résultats acceptables avec des centaines, voire des dizaines d’exemples par classe. En NLP, les modèles préentraînés de Hugging Face permettent souvent une personnalisation avec quelques centaines d’exemples.
Qu’est-ce que le transfer learning et pourquoi est-il important pour les entreprises ? Le transfer learning (apprentissage par transfert) consiste à prendre un modèle déjà entraîné sur un problème général (par exemple, la reconnaissance de millions d’images courantes) et à l’adapter à un problème propre à l’entreprise (par exemple, détecter des défauts sur des pièces métalliques). Cette technique réduit considérablement le volume de données et la puissance de calcul nécessaires, ce qui rend le deep learning accessible aux entreprises qui ne disposent pas des moyens des grands groupes technologiques.
Les modèles de deep learning sont-ils explicables ? C’est l’une de leurs principales limites dans les secteurs réglementés. Les réseaux de neurones profonds sont intrinsèquement opaques : il est difficile d’expliquer pourquoi le modèle a pris une décision donnée. Des techniques d’explicabilité a posteriori (SHAP, LIME, Grad-CAM pour la vision) fournissent des approximations, mais elles ne remplacent pas l’interprétabilité native des modèles de ML classique pour les décisions à fort impact.