Le deep learning dans les startups : 7 exemples de domaines d’application
Un algorithme basé sur un modèle de deep learning est-il humain ? Oui, c’est une question idiote qui essaie de capter votre attention mais qui n’est pas pour autant dépourvue de fondement. Vous connaissez tous les CAPTCHAs mais savez-vous ce que l’acronyme signifie ? Completely Automated Public Turing tests to tell Computers and Humans Apart. Ma “CA(p)TCH(a)Y question” paraît peut-être maintenant moins idiote. En effet, les CAPTCHAs inventés en 2000 pour différencier les humains des robots sont aujourd’hui loin d’être infaillibles. En cause : le deep learning et ses capacités en reconnaissance visuelle qui trompent aujourd’hui aisément les dispositifs CAPTCHAs. Pour résumer, vous savez maintenant qu’avec le deep learning vous pouvez reconnaître des éléments d’une image et grâce à cela tromper des CAPTCHAs. On pourrait s’arrêter là, ça donne déjà une bonne anecdote pour combler un blanc lors d’un apéro. Cependant, je vous propose d’en découvrir un peu plus sur le deep learning et ses applications.
1er domaine d’application : les données tabulaires
Le deep learning permet de faire des prédictions basées sur des données tabulaires (provenant d’un fichier excel notamment). Par exemple, un modèle de deep learning peut faire des prédictions sur le prix de vente optimal d’un produit à partir des historiques de vente d’un magasin, sur les évolutions de stock, sur le risque de défaut d’un crédit etc.
La startup Nova Credit utilise un modèle de deep learning pour évaluer la santé financière de migrants se rendant aux Etats-Unis. Ces mêmes migrants ne pouvaient auparavant pas accéder au crédit à cause de la peur des banques de les voir faire défaut. Nova Credit permet ainsi aux migrants d’accéder à un emprunt en rassurant les banques à l’aide d’une évaluation du risque de défaut.
2ème domaine d’application : la reconnaissance visuelle
Différencier un chat d’un chien, identifier un piéton, reconnaître un visage, prédire le risque de suicide d’un paysan à partir d’images satellite de ses champs … la reconnaissance visuelle permise par le deep learning permet à un simple programme de réaliser tout cela.
La startup AZmed, dont nous interviewons le CTO lors des « Journées de l’IA », a mis au point un modèle de deep learning permettant aux radiologues et urgentistes de repérer plus rapidement et avec moins d’erreurs les fractures sur les radios qu’ils effectuent. Leur modèle permet une analyse 10 fois plus rapide des radios avec une marge d’erreur 50% inférieure.
Pour assister à l’interview le mardi 15 août 2020 à 17h30, rendez-vous sur ce lien.
3ème domaine d’application : le NLP
Reconnaître automatiquement des commentaires haineux, le ton d’un texte, l’auteur d’un livre, proposer la suite du mail que vous écrivez … tout cela est permis par le deep learning.
Grammarly est un excellent exemple d’une utilisation réussite des possibilités en NLP (Natural Language Processing) offertes par le deep learning. En plus d’offrir un correcteur orthographique et syntaxique, Grammarly vous propose des alternatives à certaines tournures de phrases et analyse le ton du texte que vous écrivez.
4ème domaine d’application : le filtrage collaboratif.
Le filtrage collaboratif permet de créer un système de recommandation basé sur les similarités dans les habitudes des différents usagers. Ils se différencient des filtres plus classiques basés sur le contenu qui fonctionne, eux, grâce aux similarités entre les éléments recommandés. Le filtrage collaboratif peut donc fonctionner sans aucune information sur le contenu à filtrer. Celui-ci est aujourd’hui utilisé dans la plupart des sites d’e-commerce et de streaming.
Un aspect étonnant du filtrage collaboratif est qu’il peut révéler les caractéristiques les plus appréciées dans un contenu par une certaine audience, sans même que l’on ait pensé à ladite caractéristique auparavant. Cela permet à une entreprise d’adapter son offre à une demande qui n’aurait, peut-être sinon, jamais été formulée.
Propulse Analytics est une startup qui propose des systèmes de recommandation aux petites et moyennes entreprises qui n’ont pas les moyens de créer leur propre système de recommandation et qui sont confrontées à leur manque de données sur leurs clients à cause de leur taille.
5ème domaine d’application : la reconnaissance vocale
Transcrire des paroles, reconnaître une personne par son timbre, reconnaître automatiquement les émotions dans une voix, surveiller la biodiversité par les bruits qu’elle émet ou même comprendre l’état de santé d’une ruche à l’aide d’un simple micro … les possibilités offertes par la reconnaissance vocale sont immenses grâce au deep learning.
Rainforest connection est une startup qui utilise la reconnaissance vocale du deep learning pour protéger les forêts de l’exploitation illégale et ainsi lutter contre la déforestation. Pour ce faire, Topher White, le fondateur, bricole des smartphones usagés en leur ajoutant des panneaux solaires pour les transformer en détecteurs de bruit qui alerte les rangers dès qu’ils perçoivent le bruit d’une tronçonneuse. Rainforest Connection utilise aujourd’hui le même principe contre le braconnage en détectant la signature auditive d’une arme de chasse.
6ème domaine d’application : la génération originale
Attribuer un chiffre ou une catégorie à une donnée, un tag à un élément visuel, un ton à un texte, une action à un son, classer du contenu … je vous ai présenté de nombreuses applications possibles du deep learning. Cependant, elles ont toutes quelque chose en commun : ce sont des modèles basés sur la discrimination. Ces modèles reçoivent une question et retournent la réponse la plus probable parmi toutes les réponses sur lesquelles ils ont été entraînés.
Aujourd’hui, le deep learning permet de faire plus que cela, il peut créer un contenu qui n’existait pas auparavant. Que ce soit une image, du texte, du son, une peinture, une musique ou même des nouveaux médicaments comme le fait la startup Insilico Medicine, les modèles de deep learning peuvent aujourd’hui nous assister dans notre créativité.
Vue.ai est une stratup utilisant le deep learning génératif pour créer automatiquement des photos pour les sites de vente de vêtements et d’accessoires en ligne. Il suffit de choisir un modèle, sa taille, son origine ethnique, sélectionner sa pose et enfin définir le fond pour que l’algorithme génère automatiquement la photo désirée.
7ème domaine d’application : l’entraînement d’agents virtuels
Le deeep learning permet donc de prédire et de reconnaître du contenu ou d’en générer. En plus de cela, le deep learning peut entraîner des intelligences artificielles dans leur prise de décision. Ces agents sont entraînés dans des environnements virtuels dans lesquels ils ont la possibilité d’effectuer un certain nombre d’actions et sont récompensés en fonction du résultat. C’est ainsi que certaines IA sont entraînées comme l’IA Alpha GO de DeepMind.
HiHedge utilise ce domaine du deep learning pour entraîner des assistants virtuels qui vont aider les traders dans leur prise de décision en s’appuyant sur les cours de la bourse, les actualités, les données comptables des entreprises etc.
Le petit mot de la fin
Vous, qui avez lu jusqu’ici, êtes maintenant capables de combler de nombreux blancs lors de vos apéros (et peut-être même que ai-je réussi à vous faire entrevoir les multiples applications possibles du Deep Learning que je n’ai pu que couvrir que très superficiellement dans cet article.
Si vous voulez en savoir plus sur le deep learning ou plus généralement l’IA, n’hésitez pas à venir faire un tour sur notre page Facebook des Journées de l’IA.
Auteur
