Les applications du Deep Learning se retrouvent très souvent dans nos quotidiens, sans même que l’on ne s’en rende compte ! Les principales applications étant aujourd’hui de 2 types : le traitement d’images, et le traitement de texte. Creusons ici chacune d’entre elles.
Traitement d'images
Dans l’imagerie, nous retrouvons 3 types de uses cases.
Classification
Par exemple, savoir si sur des photos données de chiens ou de chats, est présent l’un ou l’autre. Autre exemple, pour des photos prises dans le cadre de performance athlétique, la classification nous permettrait de savoir si la personne présente sur la photo court ou marche.
Détection d’objets
Nous parlons ici d’un niveau supérieur dans la complexité. L’idée sera de détourer sur une image un objet donné. Ici un exemple de détection d’objet réalisé par un de nos élèves ! On peut y voir détourés des verres, des personnes, des tables, des ordinateurs etc. La détourage sera fait avec une forme rectangulaire.

Segmentation
Une dernière étape, la plus complexe. L’objectif sera de détourer au pixel près l’objet souhaité. Ce cas d’application se retrouve notamment utilisé dans le voitures autonomes ! La caméra, placée au dessus de la voiture analysant son environnement, va segmenter au pixel près où se trouve le panneau stop, le piéton, les autres voitures etc.

Ces 3 cas d’applications de l’imagerie sont croissants croissante en termes de complexité : il est beaucoup plus simple de classifier des images que de segmenter des objets. On aura alors besoin d’un volume de données plus important, de plus de puissance de calcul, 2 des principales contraintes du Deep Learning.
La classification sera également plus facile à mettre en place pour la labélisation des images : il est évidemment plus simple et moins chronophage de dire que sur telle ou telle image se trouve un chien ou un chat, que de labéliser chaque pixel d’une image appartenant à un panneau stop, à un piéton etc.
Natural Language Processing : NLP
Le Natural Language Processing consiste en l’analyse de donnée textuelle (un article de blog, un tweet etc) pour en tirer des informations.
Sentiment analysis
Comprendre si un produit/service est apprécié ou non, grâce à l’analyse du champ sémantique présent dans le corpus de texte (des avis déposés, des tweets réalisés par des internautes suite à une conférence politique par exemple).
Traduction
Si vous utilisez Google Translate, vous verrez rapidement que la traduction depuis l’anglais comme langue d’origine est très précise ! Les réseaux de neurones derrière ces traductions vont comprendre – non pas un mot – mais bien la signification de la phrase entière. D’autres algorithmes sont également en développement pour réaliser du résumé automatique de texte ! Un projet ambitieux d’ailleurs mené par un de nos élève Fullstack.
Chatbot intelligents
A bien différencier avec ceux de types arbres de décision (l’internaute choisit entre plusieurs réponses proposées). Ces de chatbots intelligents sont beaucoup moins utilisés car des soucis d’orthographes, de barrière de la langue, de questions culturelles peuvent rapidement surgir.
Ces 2 grandes familles de cas d’applications du Deep Learning sont largement utilisées autour de nous (reconnaissance faciale, traduction automatique par exemple) : tout autant de modèles, d’algorithmes à connaître !
2 modules entiers sont consacrés à la maîtrise de ces outils dans notre programme Fullstack.