{"id":35293,"date":"2019-10-31T22:03:28","date_gmt":"2019-10-31T19:03:28","guid":{"rendered":"https:\/\/prohoster.info\/blog\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari\/"},"modified":"2019-10-31T22:03:28","modified_gmt":"2019-10-31T19:03:28","slug":"lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","status":"publish","type":"post","link":"https:\/\/prohoster.info\/fr\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","title":{"rendered":"La bulle de l'apprentissage automatique a-t-elle \u00e9clat\u00e9 ou est-ce le d\u00e9but d'une nouvelle \u00e8re?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

R\u00e9cemment, article<\/a><\/noindex>qui montre plut\u00f4t bien la tendance de l'apprentissage automatique ces derni\u00e8res ann\u00e9es. En bref : le nombre de startups dans le domaine de l'apprentissage automatique a fortement chut\u00e9 au cours des deux derni\u00e8res ann\u00e9es.<\/p>\n

\"La
\nAlors, parlons de \u00ab la bulle a-t-elle \u00e9clat\u00e9 \u00bb, \u00ab comment vivre maintenant \u00bb et discutons d'o\u00f9 vient finalement ce ph\u00e9nom\u00e8ne.
\n<\/a><\/noindex>
\nPour commencer, parlons de ce qui a \u00e9t\u00e9 le moteur de cette courbe. D'o\u00f9 vient-elle ? Vous vous souvenez probablement de la victoire<\/a><\/noindex> de l'apprentissage automatique en 2012 lors du concours ImageNet. C'est le premier \u00e9v\u00e9nement mondial ! Cependant, en r\u00e9alit\u00e9, ce n'est pas le cas. Et la mont\u00e9e de la courbe commence un peu plus t\u00f4t. Je la diviserais en plusieurs moments.<\/p>\n

    \n
  1. L'ann\u00e9e 2008 marque l'apparition du terme \u00ab Big Data \u00bb. Les vrais produits ont commenc\u00e9 des apparitions<\/a><\/noindex> \u00e0 partir de 2010. Les Big Data sont directement li\u00e9s \u00e0 l'apprentissage automatique. Sans Big Data, il n'est pas possible d'assurer le bon fonctionnement des algorithmes qui existaient \u00e0 l'\u00e9poque. Et ce ne sont pas des r\u00e9seaux neuronaux. Avant 2012, les r\u00e9seaux neuronaux \u00e9taient l'affaire d'une minorit\u00e9 marginale. Cependant, c'est \u00e0 ce moment-l\u00e0 que d'autres algorithmes, qui existaient d\u00e9j\u00e0 depuis des ann\u00e9es, voire des d\u00e9cennies, ont commenc\u00e9 \u00e0 fonctionner : SVM<\/a><\/noindex>(1963, 1993), Random Forest<\/a><\/noindex> (1995), AdaBoost<\/noindex> (2003),\u2026 Les startups de cette \u00e9poque \u00e9taient principalement li\u00e9es au traitement automatique des donn\u00e9es structur\u00e9es : caisses, utilisateurs, publicit\u00e9, et bien d'autres.\n

    La d\u00e9riv\u00e9e de cette premi\u00e8re vague est un ensemble de frameworks, tels que XGBoost, CatBoost, LightGBM, etc.\n<\/li>\n

  2. En 2011-2012, les r\u00e9seaux neuronaux convolutionnels<\/a><\/noindex> ont remport\u00e9 plusieurs comp\u00e9titions de reconnaissance d'images. Leur utilisation r\u00e9elle a pris un certain temps. Je dirais que les startups et solutions massivement r\u00e9fl\u00e9chies ont commenc\u00e9 \u00e0 appara\u00eetre en 2014. Il a fallu deux ans pour dig\u00e9rer le fait que les r\u00e9seaux neuronaux fonctionnent en r\u00e9alit\u00e9, pour cr\u00e9er des frameworks conviviaux qui pouvaient \u00eatre install\u00e9s et lanc\u00e9s dans un d\u00e9lai raisonnable, et pour d\u00e9velopper des m\u00e9thodes qui stabilisent et acc\u00e9l\u00e8rent le temps de convergence.\n

    Les r\u00e9seaux convolutionnels ont permis de r\u00e9soudre des t\u00e2ches de vision par ordinateur : classification d'images et d'objets sur une image, d\u00e9tection d'objets, reconnaissance d'objets et de personnes, am\u00e9lioration des images, etc.<\/li>\n

  3. 2015-2017. P\u00e9riode de boom des algorithmes et des projets li\u00e9s aux r\u00e9seaux r\u00e9currents ou \u00e0 leurs analogues (LSTM, GRU, TransformerNet, etc.). Des algorithmes de reconnaissance automatique de la parole et des syst\u00e8mes de traduction automatique efficaces ont vu le jour. En partie, ils sont bas\u00e9s sur des r\u00e9seaux convolutifs pour l'extraction de caract\u00e9ristiques fondamentales. En partie sur la collecte de grands ensembles de donn\u00e9es de haute qualit\u00e9. <\/li>\n<\/ol>\n

    \n\"La
    \n
    \n\u00ab La bulle a \u00e9clat\u00e9 ? L'engouement est-il exag\u00e9r\u00e9 ? Ont-ils disparu comme le blockchain ? \u00bb
    \nEh bien oui ! Demain, Siri cessera de fonctionner sur votre t\u00e9l\u00e9phone, et apr\u00e8s-demain, Tesla ne saura pas faire la diff\u00e9rence entre un virage et un kangourou.<\/p>\n

    Les r\u00e9seaux neuronaux sont d\u00e9j\u00e0 en action. Ils sont pr\u00e9sents dans des dizaines d'appareils. Ils permettent r\u00e9ellement de gagner de l'argent, changent le march\u00e9 et notre monde. L'engouement prend une forme l\u00e9g\u00e8rement diff\u00e9rente :<\/p>\n

    \"La
    \n
    \nTout simplement, les r\u00e9seaux neuronaux ont cess\u00e9 d'\u00eatre quelque chose de nouveau. Oui, beaucoup de gens ont des attentes trop \u00e9lev\u00e9es. Mais un grand nombre d'entreprises ont appris \u00e0 appliquer des r\u00e9seaux neuronaux et \u00e0 cr\u00e9er des produits sur cette base. Les r\u00e9seaux neuronaux offrent de nouvelles fonctionnalit\u00e9s, permettent de r\u00e9duire le nombre de postes de travail et de diminuer le co\u00fbt des services :<\/p>\n