IA, Machine Learning et Deep Learning: Définition
En fait, ces trois termes sont liés.
L'intelligence artificielle est le résultat du déploiement de techniques de Machine Learning (apprentissage automatique) et de Deep Learning (apprentissage profond). Le terme "intelligence" vient du fait que les machines apprennent et s'adaptent sans intervention humaine. Bien que les principes ne soient pas nouveaux, l'accès à de vastes ensembles de données et la baisse des coûts de l'informatique haute performance ont permis l'émergence d'une nouvelle science. Les deux principaux éléments de l'intelligence artificielle sont :
Le Machine Learning ou apprentissage automatique utilise des algorithmes pour "apprendre" à partir d'images ou d'autres données. En général, le Machine Learning implique une intervention humaine, le marquage manuel d'échantillons d'images afin de classer les images ultérieures à un volume plus élevé. Un humain marque les images de sorte que des caractéristiques clés soient reconnues par un ordinateur, puis un modèle est construit pour prédire la probabilité d'une correspondance d'image à partir d'un flux de données. Parmi les exemples d'utilisation du Machine Learning, on peut citer la reconnaissance faciale ou l'analyse du contenu d'une image complexe. Le Machine Learning est un moyen rapide de construire un modèle de données à partir d'un ensemble de données relativement restreint.
Le Deep Learning ou apprentissage profond est une sous-catégorie du Machine Learning. Au lieu d'une intervention humaine pour étiqueter les données afin de reconnaître des éléments d'image, de son ou de texte, le Deep Learning construit automatiquement le modèle de reconnaissance. Cela nécessite des volumes de données beaucoup plus importants, et il faut beaucoup plus de temps pour construire les modèles. Les "réseaux neuronaux" sont souvent déployés, censés imiter les méthodes humaines d'apprentissage et d'adaptation aux nouvelles données. Le Deep Learning peut non seulement reconnaître des éléments de données tels que des images, mais il peut également reconnaître des tâches. C'est pourquoi cette technologie devient importante pour les opérations à forte intensité des processus. Les tâches intégrées dans les opérations quotidiennes ont le potentiel pour une automatisation intelligente à la fois des systèmes logiciels et des systèmes physiques tels que des bras robotisés.
Konica Minolta utilise ces trois éléments dans l'ensemble de son portefeuille avec différents degrés d'intelligence et de sophistication, en commençant par une intelligence de base pour les opérations d'impression.
