L'AlphaGo de Google est entré dans l'histoire en mai 2017 lorsqu'il a battu Ke Jie, le champion du monde en titre de l'ancien jeu chinois Go. C'était le premier programme informatique à battre un joueur professionnel de go humain, et encore moins un champion du monde. Plus tard dans l'année, Google a introduit AlphaGo Zero, une version encore plus puissante d'AlphaGo.

Deep Learning et intelligence artificielle

Quiconque veut comprendre la différence entre l'intelligence artificielle et l'apprentissage profond peut commencer par comprendre la différence entre AlphaGo et AlphaGo Zero. Avec AlphaGo, Google a formé l'AlphaGo original à jouer en lui apprenant à regarder les données des meilleurs joueurs, a déclaré Avi Reichental, PDG de XponentialWorks. En peu de temps, il a été capable de battre presque tous les champions debout, dit-il. Mais avec AlphaGo Zero, au lieu d'avoir un algorithme qui regarde beaucoup de données provenant d'autres joueurs, Google a enseigné au système les règles du jeu et a permis à l'algorithme d'apprendre à s'améliorer par lui-même, a dit M. Reichental. Le résultat final, a-t-il dit, est une puissance de calcul inégalée en termes de vitesse et d'intelligence.

Il ne fait aucun doute que l'intelligence artificielle devient de plus en plus courante dans notre vie quotidienne et professionnelle. Il fait des apparitions dans des assistants vocaux et des chatbots, ainsi que dans des applications professionnelles complexes. Comme il le fait, il est important d'apprendre à faire la distinction entre les différents types d'IA, comme l'apprentissage profond.

Définir l'IA et ses nombreux itérations
En partant de l'essentiel, l'intelligence artificielle est un concept qui consiste à faire faire à un ordinateur, une machine ou un robot ce que seuls les humains pouvaient faire auparavant, a déclaré Mark Stadtmueller, vice-président de la stratégie produit chez Lucd. L'apprentissage machine est un type d'IA où des algorithmes sont utilisés pour analyser les données, a-t-il poursuivi. "L'analyse de l'apprentissage machine implique la recherche de modèles dans les données et la création et le raffinement d'un modèle/équation qui se rapproche le mieux du modèle de données. Avec ce modèle/équation, des prédictions peuvent être faites sur de nouvelles données qui suivent ce modèle de données."

Les réseaux neuronaux sont un type d'apprentissage machine dans lequel le comportement des neurones du cerveau est approché pour modéliser de nombreuses valeurs d'entrée afin de déterminer ou de prédire un résultat, a dit Stadtmueller. Lorsque de nombreuses couches de neurones sont utilisées, on parle de réseau neuronal profond. "Les réseaux neuronaux profonds ont très bien réussi à améliorer la précision de la reconnaissance de la parole, la vision par ordinateur, le traitement du langage naturel et d'autres capacités prédictives. Lorsque l'on utilise des réseaux neuronaux profonds, on parle d'apprentissage profond, a dit Stadtmueller. "L'apprentissage profond est l'acte d'utiliser un réseau neuronal profond pour effectuer l'apprentissage machine, qui est un type d'IA."