Démystifier l'IA, le ML et le Deep Learning pour les chefs de produit

Lorsque j'ai commencé mon parcours en tant que chef de produit, je savais que je voulais continuer à être plus pratique et approfondir les solutions avec les ingénieurs. En tant que chefs de produit, on nous demande de nous concentrer davantage sur le « quoi » et le « pourquoi », mais je voulais aussi comprendre et savoir le « comment » et « quand » la pile technologique est exploitée. C'était un choix conscient et j'ai toujours aspiré à faire partie d'une entreprise futuriste dans sa vision et dotée d'un environnement hautement technique et académique.

Inutile de dire que j'étais ravi lorsque j'ai décroché un poste de chef de produit dans le tout nouvel espace de l'IA/ML, car cela m'a donné l'occasion d'apprendre ce domaine et de résoudre des problèmes à l'aide de technologies de pointe. De toute évidence, en tant que débutant sans aucune connaissance préalable de l'IA / ML, saisir "tout" à partir de zéro était difficile. Ce fut un processus graduel et après des séances régulières de lecture et de remue-méninges avec nos scientifiques et ingénieurs internes au cours des deux dernières années, j'ai pu mieux comprendre ces termes. J'ai à peine réussi à effleurer la surface, mais je voulais commencer à partager les connaissances que j'ai accumulées au cours des dernières années, pour rendre la tâche moins difficile pour quelqu'un qui commence tout juste maintenant.

Que sont donc l'Intelligence Artificielle, l'Apprentissage Machine et l'Apprentissage Profond ? Nous entendons parler de ces termes tout le temps autour de nous - qu'il s'agisse d'être utilisé dans des voitures autonomes ou de recevoir des recommandations de films sur Netflix, l'IA est utilisée pour rendre nos vies plus faciles et plus épanouissantes. L'intelligence artificielle, en termes simples, est ce qui fait que les machines agissent ou pensent comme des humains. Comme son nom l'indique, « intelligence artificielle », c'est la science qui permet aux ordinateurs d'imiter l'intelligence humaine.

L'IA est le parapluie le plus large, et l'apprentissage automatique et l'apprentissage en profondeur en sont des sous-ensembles. Si l'IA est une question d'intelligence, alors c'est l'apprentissage automatique qui aide à construire cette intelligence. Comme son nom l'indique, le "Machine Learning" est la science de "l'apprentissage" des ordinateurs et donc de "l'amélioration" d'une tâche donnée avec l'expérience, aidant à son tour à développer l'intelligence ou l'IA de la machine. Toutes les tâches d'apprentissage automatique sont des tâches d'IA, mais l'inverse n'est pas vrai.

Ainsi, l'IA imite les capacités de réflexion humaines. Tout comme les humains qui affinent leurs capacités de réflexion et de prise de décision au fil du temps avec des expériences, les machines ont appris à faire de même grâce au "Machine Learning". Au cœur de la pensée et de la prise de décision d'un homme se trouve son esprit puissant, le cerveau humain qui renforce ses capacités cognitives. L'apprentissage en profondeur imite le cerveau humain dans les machines (oui, ces concepts sont tous interdépendants et plus faciles à comprendre si on en parle dans cette séquence !)

Ainsi, le Deep Learning est le domaine du Machine Learning qui imite le cerveau humain dans toutes ses complexités. Un cerveau humain est après tout un « réseau » de millions et de millions de neurones qui sont tous connectés et communiquent entre eux en utilisant des signaux (électriques et chimiques) pour faire penser, manger, vivre. Eh bien, Deep Learning s'appuie sur la formation de «réseaux de neurones» similaires, également appelés «réseaux de neurones artificiels», qui superposent des algorithmes et des unités de calcul également appelés «neurones» pour communiquer ensemble de manière complexe afin de résoudre des problèmes plus difficiles.

La plus grande différence entre Machine Learning et Deep Learning est que, contrairement à Machine Learning où la plupart des fonctionnalités doivent être identifiées par un expert afin de réduire la complexité des données et de rendre les modèles plus visibles pour que les algorithmes fonctionnent, Deep Learning des fonctionnalités au niveau des données de manière incrémentielle, éliminant ainsi le besoin d'expertise du domaine et de toute forme d'extraction de fonctionnalités. J'en parlerai plus dans mes prochains articles, alors restez à l'écoute.

J'espère que vous avez apprécié cet article rapide sur les bases de l'IA, du ML et du Deep Learning et que vous avez remarqué à quel point ils sont tous interdépendants et souvent utilisés de manière interchangeable. Mais en tant que chefs de produit, il est impératif pour nous de comprendre les nuances que j'ai essayé de saisir dans l'article ci-dessus.

Merci d'être allé jusqu'au bout. Si vous avez aimé cet article, suivez-moi pour plus d'articles sur l'IA, le ML et la gestion des produits.