/expertises
Deep Learning
Des réseaux de neurones pour les images, les sons et les textes
Le deep learning (apprentissage profond) entraîne des réseaux de neurones à plusieurs couches. Il lit ce que les méthodes classiques peinent à traiter : images, sons, signaux, textes. Il demande davantage de données et de calcul, et nos ingénieurs le réservent aux problèmes qui le justifient.
/applications
Des applications du deep learning, des images aux textes.
Un défaut d’aspect, une voix, une écriture manuscrite ou le sens d’un texte se décrivent mal par des règles. Le deep learning les apprend à partir d’exemples annotés.
Il porte aussi l’IA générative : les grands modèles de langage sont des réseaux de neurones profonds, entraînés sur d’immenses corpus de textes.
- Contrôle d’aspect Repère sur les images de production les rayures, déformations ou taches qu’aucune règle fixe ne décrit, au rythme de la ligne.
- Écriture manuscrite Lit les formulaires et les courriers remplis à la main, et transcrit leur contenu dans vos logiciels.
- Reconnaissance de la parole Transcrit les appels, les réunions ou les dictées, et en tire un texte que vos équipes exploitent directement.
- Analyse de signaux Repère dans les signaux de capteurs (vibrations, sons, courants électriques) les motifs qui annoncent une panne ou une anomalie.
- Compréhension de textes Classe les documents, en extrait les informations utiles et en dégage la tonalité, sur des volumes qu’aucune équipe ne lit en entier.
- Inspection sur photos Repère sur les photos de terrain ou de drone les fissures, la corrosion et les défauts d’entretien, et les situe sur l’ouvrage.
/architectures
Quatre architectures de deep learning, chacune son terrain.
Les réseaux de neurones se distinguent par leur architecture, c’est-à-dire la façon dont leurs couches traitent l’information. Le choix suit la nature des données : images, séquences, textes.
Pour une même tâche, nous comparons souvent plusieurs architectures sur vos données, et retenons la plus légère qui atteint l’objectif.
- Réseaux convolutifs Lisent les images en repérant des motifs de plus en plus complexes : des contours, des formes, puis des objets.
- Réseaux récurrents Traitent les séquences pas à pas : signaux de capteurs, séries temporelles, parole.
- Transformeurs Relient chaque élément d’une séquence à tous les autres. Ils portent les modèles de langage, et désormais une partie de la vision.
- Modèles de diffusion Génèrent des images en partant d’un bruit qu’ils affinent étape par étape.
Ce que les règles décrivent mal, un réseau de neurones l’apprend.
/transfert
Des modèles préentraînés, ajustés à vos données.
Entraîner un réseau profond à partir de rien demande des millions d’exemples et beaucoup de calcul. Nous partons de modèles préentraînés sur de vastes corpus, puis les ajustons à vos images, à vos sons ou à vos textes : c’est l’apprentissage par transfert.
Vos experts annotent avec nous un échantillon de cas réels. Sa taille dépend de la tâche et de la rareté des cas à reconnaître.
- Choisir un modèle préentraîné adapté à vos données et à vos contraintes
- Annoter un échantillon avec vos experts, sur vos cas réels
- Ajuster et mesurer sur des données que le modèle n’a jamais vues
/annotation
Une annotation menée avec vos experts.
Un modèle profond apprend ce que montrent ses exemples annotés. Les règles d’annotation se fixent avec vos experts, avant la première image ou le premier texte, et nomment les cas limites.
Les cas difficiles sont relus deux fois. Les désaccords entre annotateurs précisent les règles, et le modèle apprend sur des exemples cohérents.
- Définir les classes avec vos experts, et les cas limites qui les séparent
- Annoter un échantillon représentatif de vos conditions réelles
- Relire les cas difficiles pour des exemples cohérents
Le savoir de vos experts, transmis exemple par exemple.
/projet
Un projet de deep learning en cinq étapes.
Un projet de deep learning commence par un échantillon de vos données et une mesure de référence. Chaque étape se conclut par une décision : poursuivre, ajuster ou arrêter.
- Cadrer La tâche à automatiser, et la mesure de réussite acceptée par vos équipes.
- Constituer les données Un échantillon représentatif, annoté avec vos experts.
- Ajuster un modèle Un modèle préentraîné, ajusté puis mesuré sur des données nouvelles.
- Intégrer Le modèle rejoint vos logiciels ou votre ligne de production.
- Surveiller Sa qualité est suivie en service, et le modèle réentraîné quand vos données changent.
/limites
Des réseaux de neurones dont les limites sont mesurées.
Un réseau profond explique mal ses décisions. Nous mesurons ses performances sur des données nouvelles, cas par cas, et repérons les situations où il se trompe. Les cas où il hésite reviennent à vos équipes.
- Des performances mesurées sur des données jamais vues
- Des erreurs analysées pour connaître les limites du modèle
- Des cas incertains renvoyés à vos équipes
/calcul
Un calcul de deep learning dimensionné au juste besoin.
Les réseaux profonds s’entraînent sur des processeurs graphiques (GPU). Nous louons ce calcul le temps de l’entraînement, chez un hébergeur en France, ou l’installons dans vos murs.
En service, un modèle compact suffit souvent : il répond en quelques millisecondes et tourne sur un serveur ordinaire.
- Des modèles compacts quand la tâche le permet
- Un calcul loué le temps de l’entraînement
- Une installation chez vous pour les données qui ne sortent pas
/à savoir
Les questions les plus fréquentes sur le deep learning.
L’IA et le deep learning
L’intelligence artificielle désigne l’ensemble des techniques qui font accomplir à une machine des tâches réputées intelligentes. Le deep learning en est une branche, aujourd’hui la plus visible.
Les types de deep learning
Ils se distinguent par leur architecture : réseaux convolutifs pour les images, réseaux récurrents pour les séquences, transformeurs pour le langage, modèles de diffusion pour la génération d’images.
Deep learning ou machine learning
Sur des données chiffrées bien structurées, le machine learning classique suffit souvent, pour moins de données et de calcul. Le deep learning s’impose sur les images, les sons et les textes.
Les applications du deep learning
Contrôle qualité visuel, lecture de documents, reconnaissance de la parole, traduction, analyse de textes, génération de contenus : partout où les données sont des images, des sons ou du langage.
Le deep learning et l’IA générative
L’IA générative repose sur des réseaux profonds de très grande taille, entraînés sur d’immenses corpus. Les grands modèles de langage en sont la forme la plus répandue.
Le nombre d’exemples
En partant d’un modèle préentraîné, quelques centaines à quelques milliers d’exemples annotés suffisent souvent à une tâche précise.
Les processeurs graphiques
Les GPU accélèrent l’entraînement et l’exécution des réseaux profonds. Un modèle compact peut ensuite tourner sur un serveur ordinaire.
La durée d’entraînement
Ajuster un modèle préentraîné demande de quelques heures à quelques jours de calcul. Entraîner un grand modèle à partir de rien demande des semaines.
Les données sensibles
Un modèle profond peut s’entraîner et tourner sur votre infrastructure, sans que vos images ou vos textes en sortent.
/cas d’usage
Des cas d’usage qui lisent textes, voix et images.
- Synthèse de dossiers et de réunions Résume les dossiers longs, les échanges et les réunions, et en extrait les décisions et les actions.
- Traduction spécialisée Traduit documents et échanges en respectant votre vocabulaire métier, vos glossaires et vos tournures.
- Tri des demandes entrantes Lit les courriels et les formulaires reçus, les classe par sujet et par urgence, et les oriente vers la bonne équipe.
- Agent conversationnel pour vos usagers Répond jour et nuit aux questions fréquentes, suit les dossiers simples et passe la main à un conseiller quand il le faut.
- Assistant interne Répond aux questions courantes des salariés (congés, outils, procédures) et prend en charge les demandes simples.
- Accueil téléphonique Comprend la demande d’un appelant, répond aux questions simples et oriente les autres vers le bon service.
- Transcription et compte rendu Transcrit appels et réunions, puis en tire l’essentiel : sujets abordés, décisions, suites à donner.
- Analyse des avis Dégage les thèmes et la tonalité des retours de vos clients ou de vos enquêtes, pour savoir où agir.
- Classement de documents Trie, étiquette et range les documents entrants pour accélérer leur traitement et fiabiliser leur archivage.
- Anonymisation Repère et masque noms, adresses et données personnelles dans vos documents avant leur partage ou leur publication.
- Contrôle qualité visuel Inspecte pièces et produits sur images, signale les défauts et mesure les écarts, au rythme de la production.
- Lecture de documents numérisés Reconnaît le texte des courriers, formulaires et pièces numérisés, même manuscrits, pour les rendre exploitables (OCR).
- Extraction d’informations Lit factures, contrats et formulaires, en extrait les champs utiles et les transmet à vos logiciels.
- Inspection d’ouvrages Analyse les photos de terrain ou de drone pour repérer fissures, corrosion et défauts d’entretien.
- Comptage sur images Compte objets, véhicules ou passages sur images et vidéos, sans identifier personne.
/dans cette rubrique
- Expertises La bonne technique pour chaque problème
- IA générative et LLM Des modèles de langage reliés à vos documents
- MLOps L’industrialisation qui fait durer vos modèles
- Machine Learning Prévoir, classer, détecter, recommander
- Science des données Ce que vos données disent, et ce qu’il leur manque
- Ingénierie des données Un socle de données fiable, prêt pour l’IA
- Agents IA Des agents qui travaillent dans vos outils
- Vision par ordinateur Lire, mesurer et contrôler les images
/contact
Travaillons ensemble
Découvrez comment Inceptive peut vous aider à transformer votre activité et à résoudre des problématiques opérationnelles complexes grâce à l’intelligence artificielle.