Apprentissage profond

Ce que la profondeur change

Un réseau peu profond sépare mal des données qui ne se laissent pas trancher par une droite. Empiler des couches revient à construire une hiérarchie : les premières détectent des contrastes et des contours, les suivantes assemblent des formes, les dernières nomment des objets. Ce passage du détail local au concept général ne se programme pas, il s'apprend. La profondeur n'est donc pas un argument commercial, c'est une conséquence de la nature des données à traiter : texte, image, son, où le sens se construit par niveaux.

Le prix de cette hiérarchie est le calcul. Chaque couche multiplie les opérations, et l'entraînement demande des processeurs graphiques et des semaines de calcul sur des corpus considérables. C'est ce qui a longtemps retardé la méthode : les idées existaient, la puissance et les données manquaient. Un modèle profond est donc indissociable de son infrastructure. Pour une PME, cela signifie qu'on ne l'entraîne presque jamais soi-même : on part d'un modèle déjà formé et on l'adapte.

Des images au langage

La reconnaissance d'images a servi de première démonstration. Les réseaux convolutifs appliquent un même filtre sur toute l'image et apprennent à repérer contours, textures puis objets. Les progrès ont été nets sur des jeux de test étiquetés, au point que la machine a parfois dépassé l'humain sur ces épreuves précises. La nuance compte : un modèle réglé sur des photos de rue européennes peut se tromper sur des chantiers, des cultures ou des façades qu'il n'a jamais vues.

Le langage a suivi avec les transformers, qui traitent une phrase entière au lieu d'un mot après l'autre. Les mêmes principes s'appliquent : beaucoup de couches, beaucoup de données, un objectif simple. Ce qui change, c'est la matière. Une image se décrit par des pixels, un texte se décrit par des tokens, et la profondeur du réseau capture alors la syntaxe, le style et une part du sens. C'est ce socle qui rend possibles la rédaction assistée, le résumé, la traduction et la recherche documentaire.

Ce que cela implique en entreprise

Retenir un seul chiffre serait une erreur. Ce qui compte est l'ordre de grandeur des moyens nécessaires : un entraînement complet se compte en semaines de calcul spécialisé, hors de portée d'une PME isolée. En revanche, l'usage d'un modèle profond déjà entraîné, adapté à vos documents, ne demande qu'un serveur modeste ou un accès par API. La distinction entre entraîner et exploiter structure tout projet réaliste, et elle décide de ce que vous pouvez promettre à un client.

La conséquence pratique est un déplacement du travail. Le temps ne passe plus à régler l'algorithme mais à préparer les données, écrire les consignes, vérifier les réponses et surveiller la dérive des résultats. Un modèle profond mal alimenté reste un modèle profond : il produira des erreurs avec assurance. La qualité du corpus et la relecture humaine pèsent donc plus lourd, dans la plupart des projets, que le choix de la dernière architecture à la mode.