Deep learning

Qu’est-ce que c’est et pourquoi c’est important ?

Le deep learning dans le monde d'aujourd'hui

L'impact du deep learning est considérable – et il ne fait que commencer.

Deep learning avec SAS et Python

DLPy est un package open source que les data scientists peuvent télécharger pour appliquer les algorithmes de deep learning SAS à des images, textes et audios. Il est conçu pour résoudre les problèmes de computer vision, de traitement automatique du langage naturel, de prévision et de traitement de la parole.

Lire l'article de blogue

Comment SAS® utilise le deep learning

Ce guide pas-à-pas compare plusieurs modèles de réseaux neuronaux et explique comment les utiliser. Vous découvrirez les techniques de deep learning, leurs applications et la manière dont SAS permet de créer de modèles de réseaux neuronaux profonds.

Télécharger le livre blanc

Comment utiliser le deep learning pour l'intégration d'images 

Les modèles d'intégration sont utilisés pour réduire la dimensionnalité des données d'entrée, telles que les images.  Lorsqu'un modèle d'intégration est utilisé, les images d'entrée sont converties en vecteurs de faible dimension qui peuvent plus facilement être utilisés par d'autres tâches computer vision. La clé d'une bonne intégration est de bien former le modèle pour que les images similaires soient converties en vecteurs similaires.

Regarder la vidéo

Qui utilise le deep learning ?

Pour un observateur extérieur, le deep learning peut sembler être dans une phase de recherche et de développement, tandis que les chercheurs en informatique et les data scientists continuent à tester ses capacités. Cependant, le deep learning a de nombreuses applications pratiques que les entreprises utilisent déjà aujourd'hui, et beaucoup d'autres qui seront utilisées au fur et à mesure que la recherche se poursuit. Voici quelques utilisations courantes aujourd'hui :

Retail & Biens de consommation

Dans le secteur du commerce de détail, il est important de garder une longueur d'avance sur les attentes des clients. Le deep learning rend cela possible. En utilisant les données clients, ainsi que la reconnaissance vocale et le traitement automatique du langage naturel, les entreprises du commerce de détail peuvent prédire les préférences et les besoins des clients et réduire les stocks inutiles. Ces techniques peuvent également aider à trouver le produit de meilleure qualité au prix le plus bas. Au final, cela aide les les entreprises du commerce de détail à répondre aux besoins de leurs clients et permet à tous (détaillants et clients) d'économiser du temps et de l'argent.

Banque

Le deep learning permet aux banques d'identifier des modèles dans les données non structurées et d'améliorer la prise de décision à l'échelle de l'entreprise. Dans la gestion des risques, le deep learning aide les banques à interroger des sources multiples et à fixer des limites de prêt appropriées avec une plus grande confiance. Le tout sans compromettre l'équité. Le deep learning joue également un rôle essentiel dans la détection et la prévention de la fraude et de la criminalité financière. Il s'agit par exemple de surveiller des vidéos en temps réel, d'identifier les activités suspectes dans les agences ou les guichets automatiques, et d'empêcher le piratage d'un compte si le profil biométrique vocal ne correspond pas au véritable client. Et lorsqu'il s'agit d'offrir une meilleure expérience utilisateur, la capacité du deep learning à contribuer à l'analyse des sentiments permet d'identifier et de résoudre rapidement les problèmes signalés sur les réseaux sociaux.

Manufacturing

Le secteur du manufacturing utilise le deep learning et d'autres techniques d'IA pour améliorer la qualité globale de l'industrie. L'une des dépenses les plus importantes dans ce secteur est la maintenance des équipements. Le deep learning permet de réduire ou d'éviter les temps d'arrêt des ressources et des équipements essentiels. Grâce à l'utilisation du deep learning et de fonctionnalités comme la computer vision, les industries ce ce secteur peuvent identifier les problèmes de qualité en utilisant la détection d'objets, la surveillance des processus et la détection des anomalies. Elles peuvent ainsi éviter les dépenses liées aux temps d'arrêt non planifiés, mieux concevoir les produits, améliorer l'efficacité et la qualité des produits et la sécurité générale des employés.

Santé

Le deep learning permet au secteur de la santé d'assurer de meilleurs soins aux patients et une meilleure efficacité opérationnelle. Grâce au deep learning, les professionnels de la santé peuvent analyser les données rapidement et avec plus de précision. Les dossiers médicaux électroniques peuvent également être créés plus rapidement avec moins d'erreurs grâce à la transcription de la parole en texte en utilisant les outils de traitement automatique du langage naturel. Les réseaux neuronaux, associés à la reconnaissance d'images, analysent les images médicales au lieu de simplement les lire, en aidant, par exemple, les professionnels de la santé à identifier les tumeurs et leur progression.

Transport et logistique

Le deep learning peut aider le secteur du transport et de la logistique à accroître sa productivité et à planifier efficacement ses opérations. Grâce à un logiciel prédictif, l'industrie peut anticiper les défaillances potentielles et faire les réparations programmées des camions dans les temps afin de réduire les coûts d'exploitation. En plus de la maintenance prédictive, le deep learning et l'IA peuvent suivre les véhicules en temps réel, ce qui permet aux entreprises de transport de localiser et de surveiller la vitesse de leur flotte en temps réel. Tout cela est rendu possible grâce à la précision et à la rapidité du deep learning.

Secteur Public

Les organismes publics peuvent utiliser le deep learning pour mieux détecter les fraudes à l'aide de l'analyse de l'écriture manuscrite et pour améliorer la gestion des terres et des eaux à l'aide de la reconnaissance d'images. Le deep learning permet également de mieux comprendre les préférences des citoyens grâce à la traduction des sentiments en langage naturel. Un autre exemple est la réduction des dépenses d'infrastructure grâce à la maintenance prédictive. Dans l'ensemble, le deep learning permet aux services publics de résoudre des problèmes qui étaient trop difficiles à traiter auparavant.

Transport & Énergie

Le deep learning permet de tirer davantage de valeur des nombreux types de données dans les opérations des centres d'appels. Le deep learning peut également aider les fournisseurs de services en recommandant des actions correctives spécifiques pour la maintenance des lignes et des équipements, la gestion des espaces verts et une multitude de fonctions de prévision (prévisions de ventes, prévisions de charge nette ou prévisions de charge, etc.) En effet, le deep learning sera un élément fondamental de la position d'un fournisseur de services à l'avenir.

Comment fonctionne le deep learning 

Le deep learning modifie la façon dont vous pensez à la représentation des problèmes que vous résolvez. Il ne s'agit plus de dire à l'ordinateur comment résoudre un problème, mais de l'entraîner à résoudre lui-même le problème.

 

Représentation des caractéristiques

Le deep learning est un changement de paradigme dans la modélisation qui passe de l'ingénierie du feature engineering au feature representation. 

Couches de deep learning

Au lieu d'utiliser des variables connues pour prédire des inconnues, le deep learning se sert des couches de données pour reconnaître les caractéristiques latentes des données. 

Résultats du deep learning

La promesse du deep learning est de conduire à des systèmes prédictifs qui se généralisent bien, s'adaptent bien, et s'améliorent constamment au fur et à mesure que de nouvelles données arrivent. Vous ne rentrez plus dans un modèle. Vous entraînez la tâche.

Une approche analytique traditionnelle consiste à utiliser les données disponibles pour concevoir des caractéristiques permettant de dériver de nouvelles variables, puis à sélectionner un modèle analytique et enfin à estimer les paramètres (ou les inconnues) de ce modèle. Ces techniques peuvent produire des systèmes prédictifs qui ne se généralisent pas bien, car l'exhaustivité et l'exactitude dépendent de la qualité du modèle et de ses caractéristiques. Par exemple, si vous développez un modèle de fraude avec le feature engineering, vous commencez par un ensemble de variables, et vous obtenez très probablement un modèle à partir de ces variables en utilisant des transformations de données. Vous pouvez vous retrouver avec 30 000 variables dont dépend votre modèle, puis vous devez façonner le modèle, déterminer quelles variables sont significatives, lesquelles ne le sont pas, et ainsi de suite. Si vous ajoutez des données supplémentaires, vous devez tout recommencer.

La nouvelle approche du deep learning consiste à remplacer la formulation et la spécification du modèle par des caractérisations hiérarchiques (ou couches) qui apprennent à reconnaître les caractéristiques latentes des données à partir des régularités des couches.

Prenez contact avec SAS et voyons ensemble ce que nous pouvons faire pour vous.