Plus de couches, plus d'abstraction. L'apprentissage profond utilise des réseaux neuronaux à nombreuses couches cachées pour apprendre des représentations directement à partir de données brutes. Au lieu de concevoir manuellement les caractéristiques, on laisse le réseau les découvrir.

Cette approche a connu un essor fulgurant après 2012, lorsqu'un réseau de neurones convolutif profond a remporté haut la main un important concours de reconnaissance d'images. La puissance accrue des GPU, la taille plus importante des ensembles de données et l'amélioration des techniques d'entraînement ont fait toute la différence.

Là où l'apprentissage profond excelle

• Reconnaissance d'images et de vidéos
• Traitement de la parole et du langage
• Modélisation générative
• Jeu et contrôle
• Systèmes de recommandation

Il ne s'agit pas de magie. Les modèles profonds nécessitent de vastes ensembles de données, une puissance de calcul considérable et un paramétrage précis. Ils se heurtent également à des difficultés d'interprétation, ce qui pose problème dans des domaines réglementés comme la médecine et la finance. Les progrès se poursuivent, mais les contraintes pratiques persistent.