Qu'est-ce que l'« apprentissage profond » (deep learning) ?

L'apprentissage profond est une forme d'apprentissage automatique fondée sur des réseaux de neurones comportant de nombreuses couches empilées, chacune transformant un peu plus les données avant de les transmettre à la suivante. Cette profondeur permet au réseau d'apprendre des motifs de plus en plus abstraits : par exemple, dans un modèle d'image, les premières couches détectent des contours simples, tandis que les couches plus profondes les combinent en formes, puis en objets, puis en scènes entières, une approche qui s'est révélée nettement plus performante que les techniques plus superficielles d'autrefois, une fois suffisamment de données et de puissance de calcul disponibles.

Apprendre en dormant est un concept réel, mais différent, issu des sciences cognitives, sans rapport avec les réseaux de neurones à plusieurs couches. Supprimer des fichiers profondément enfouis est une tâche ordinaire de gestion de fichiers informatiques, sans lien avec la manière dont les modèles d'IA apprennent des motifs à partir de données.

Le tournant marquant de l'apprentissage profond, pour le grand public, est survenu lorsque les réseaux de neurones profonds ont commencé à surpasser nettement les anciennes techniques lors de concours de reconnaissance d'images, un résultat qui a contribué à déclencher la vague massive d'investissements et de recherche ayant directement mené aux grands modèles de langage et générateurs d'images d'aujourd'hui.