L’intelligence artificielle ne cesse de progresser, étendant les possibilités offertes par l’exploitation de la machine. C’est dans ce contexte que le Deep Learning, traduit mot pour mot par « apprentissage profond », a permis de découvrir des techniques basées sur l’utilisation de réseaux de neurones artificiels. Découvrez les subtilités de ce procédé ainsi que son application sur la traduction de texte.
Définition du deep learning
Le deep learning est une technique d’apprentissage automatique où la machine (ordinateur, robot…) est initiée à reconnaître d’elle-même tout ce qui est perceptible et visible par l’Homme, notamment des langages et des motifs. Pour cela, elle se base sur des modèles de données et tente de s’adapter au fur et à mesure des circonstances.
Les algorithmes spécifiques sont basés sur des principes de transformations non linéaires mathématiques. Ces concepts aident l’ordinateur à son assimilation et lui permet d’évoluer peu à peu et en éliminant les erreurs. Grâce au deep learning, de nombreuses applications telles que le traitement automatique en langage naturel ou la reconnaissance automatique de parole ont connu de très bons résultats d’expérimentation.
Comment fonctionne le deep learning ?
Le deep learning est une sorte d’intelligence artificielle issue du « machine learning » ou apprentissage automatique. Grâce à cette technique, la machine devient autodidacte, ce qui n’est pas le cas des applications issues de programmation qui se contentent uniquement d’exécuter des instructions. Ainsi, le deep learning se base sur une vaste architecture de neurones artificiels superposés en centaines de couches, identiques à ceux du cerveau humain. Chaque couche reçoit, puis interprète les informations provenant de la précédente et ainsi de suite.
De ce fait, il existe un certain raisonnement dans la façon dont la machine va agir. Par exemple, le système va identifier, dans un premier temps, s’il y a un visage sur une photo avant de déterminer qui est la personne. Au fur et à mesure que la machine analyse l’image ou le mot, l’identification devient de plus en plus précise en éliminant les mauvaises réponses. Grâce à son intelligence, le système sera, par la suite, capable de résoudre rapidement et facilement le même problème dans une situation ou une configuration différente.
Les domaines d’application du deep learning
Le deep learning a beaucoup évolué ces dernières années et les chercheurs font suffisamment confiance à cette technique pour l’intégrer dans de nombreux domaines insoupçonnables. Par exemple, la reconnaissance d’image et la traduction automatique sont parmi ceux qui touchent le plus la vie quotidienne des internautes. Les réseaux sociaux s’en servent également pour diverses raisons, dont la modération automatique.
Dans le secteur de la mécanique, le deep learning est installé dans les voitures autonomes qui ne nécessitent que peu ou pas d’assistance humaine. Les chercheurs affirment d’ailleurs qu’il s’agit de l’avenir de l’automobile. Il permet également de détecter les pièces défectueuses.
Il est aussi possible de trouver cette technologie dans le domaine de la médecine, de l’aérospatial, et même de la finance. Bref, il englobe de nombreux secteurs et dans le futur, il est possible qu’il assiste la quasi-totalité des activités. C’est grâce à cette technique que la machine (une application de chez Google) a pu battre l’Homme au championnat de Go en 2016. Autre illustration, le deep learning est également capable de recréer des tableaux de grands peintres ou d’inventer des langages de communication propres à deux machines.
Le deep learning et la traduction de texte
Des chercheurs en informatique ont réussi un exploit considérable en se servant du deep learning et de l’intelligence artificielle pour effectuer la traduction de textes d’une qualité quasi irréprochable. En effet, grâce à leurs études, les réseaux de neurones artificiels sont désormais capables de traduire de manière autonome un contenu. La machine n’a recours ni à un dictionnaire intégré ni à une intervention humaine.
Pour parvenir à ces résultats, les chercheurs ont constaté que les neurones se sont basés sur deux techniques relativement similaires pour effectuer la traduction : la traduction inverse et le débruitage.
La traduction inverse consiste à traduire une phrase dans la langue souhaitée (Français, par exemple), puis de la traduire à nouveau dans sa langue d’origine (dans le cadre d’une traduction en anglais, à titre d’exemple). Lorsque le système trouve des différences notables entre les deux phrases dans la langue source (Anglais), il effectue des ajustements et apprend de lui-même afin que sa traduction soit plus précise.
Le débruitage, quant à lui, n’est pas très différent de la première méthode. La phrase est traduite dans la langue voulue. Puis, le système réarrange des mots jusqu’à supprimer ceux qu’il juge inutiles. Il ramène ensuite la phrase dans sa langue d’origine et la compare à la version source. Puis pourra voir de lui-même si les mots supprimés étaient nécessaires ou juste des traductions mot pour mot. Il améliore ainsi sa traduction à l’avenir. Cette technique pourra par exemple vous être utile dans votre projet de traduction.
Les limites du deep learning dans la traduction
Vous aimeriez utiliser le deep learning pour votre projet de traduction ? La technique du deep learning a permis récemment de traduire tout un livre de 800 pages en une dizaine d’heures environ. La fidélité de la traduction a été surprenante, ce qui a encouragé les chercheurs dans l’avancée de cette technologie. Les traducteurs humains actuels sont donc tentés de présager le pire quant à l’avenir de leur métier qui pourrait être menacé par l’avènement de l’intelligence artificielle. Néanmoins, les chercheurs sont catégoriques sur l’imperfection dont fait preuve la technique du deep learning.
En effet, si le deep learning a réussi son test en traduisant un manuel scientifique, il n’est pas encore capable de ressentir les émotions dans les mots, le degré des phrases, ce qui laisserait un roman vide de vie. C’est la raison pour laquelle, le traducteur humain demeure aujourd’hui le plus apte à exécuter les tâches de traduction et la route est encore longue avant que l’intelligence artificielle n’assimile le sentiment qu’un auteur peut placer dans ses ouvrages. Jusqu’ici, donc, le combat homme vs robot est remporté par le genre humain.
Se présentant comme un véritable atout pour l’avenir de la traduction, le deep learning est, pour l’heure, perfectible et les chercheurs mettent tout en œuvre pour progresser dans son amélioration. Au final, au vu des avancées technologiques concernant la robotique et l’informatique, il est sans doute vrai que le futur de l’Homme est la machine.
