Extrait court
L’apprentissage profond est une forme avancée d’apprentissage automatique utilisant de grands réseaux de neurones artificiels multicouches.
Définition courte
Mode d’apprentissage automatique (AA) qui utilise des réseaux de neurones artificiels multicouches (inspirés des neurones humains). Cette technologie est à la base des plus récentes avancées en intelligence artificielle (IA), notamment l’IA générative, car elle permet aux systèmes d’apprendre progressivement et efficacement en exploitant des quantités massives de données (mégadonnées).
Définition longue L’Apprentissage profond (Deep learning) est une forme sophistiquée de l’apprentissage automatique (AA). Il recourt à des réseaux de neurones artificiels (RNA) comprenant plusieurs couches intermédiaires. Ces réseaux sont conçus pour simuler la structure neurobiologique du cerveau. Cette approche est considérée comme la technologie sous-jacente aux plus grandes avancées de l’IA contemporaine, car elle confère aux machines la capacité d’apprendre et d’exécuter des tâches cognitives complexes à partir de très grandes quantités de données.
L’apprentissage profond est rendu possible par l’approche connexionniste, l’augmentation de la puissance des ordinateurs et l’accès au Big Data. Ces avancées ont été un moteur pour les systèmes d’Intelligence Artificielle Générative (IAG), notamment les grands modèles de langage (GML ou LLM) qui sont entraînés sur d’énormes quantités de données (par exemple, GPT-3 est entraîné sur 175 milliards de paramètres).
Ces systèmes permettent d’effectuer des tâches comme le traitement du langage naturel, la reconnaissance vocale et la vision par ordinateur. On retrouve parmi les modèles d’apprentissage profond les réseaux neuronaux profonds (RNP) et les réseaux antagonistes génératifs (RAG).
Dans le contexte de l’enseignement supérieur au Québec, l’IAG découlant de l’apprentissage profond soulève des enjeux d’intégrité académique et de décharge cognitive pour les étudiants. De plus, l’entraînement de ces modèles nécessite une puissance de calcul colossale, ce qui a des répercussions environnementales importantes et est en contradiction avec le principe de sobriété numérique.
Éléments clés
- Branche avancée de l’apprentissage automatique (AA)
- Utilise des réseaux de neurones artificiels multicouches (RNA)
- Technologie à la base de l’IA générative et des grands modèles de langage (LLM)
- Nécessite des mégadonnées et une grande puissance de calcul
- Comprend des techniques comme les réseaux antagonistes génératifs (RAG)
Exemple d’application
Un groupe de recherche universitaire en médecine utilise des réseaux de neurones multicouches complexes pour analyser des milliers d’images médicales, permettant à la machine de découvrir par elle-même comment repérer des anomalies très subtiles et indétectables à l’œil nu.
Sources d’inspiration
- Observatoire international sur les impacts sociétaux de l’intelligence artificielle et du numérique (Obvia). (2025). Glossaire de l’Obvia.
- Comité école et société (FNEEQ-CSN). (2023). Intelligence artificielle en éducation : De la mission à la démission sociale : replaçons l’humain au cœur de l’enseignement.
- Conseil de l’innovation du Québec (CIQ). (2024). Prêt pour l’IA, Répondre au défi du développement et du déploiement responsables de l’IA au Québec.
- Conseil supérieur de l’éducation et Commission de l’éthique en science et en technologie (CSE et CEST). (2024). Intelligence artificielle générative en enseignement supérieur : enjeux pédagogiques et éthiques.
- Organisation des Nations Unies pour l’éducation, la science et la culture (UNESCO). (2021). IA et éducation : guide pour les décideurs politiques.
- Organisation des Nations Unies pour l’éducation, la science et la culture (UNESCO). (2024). Orientations pour l’intelligence artificielle générative dans l’éducation et la recherche.
- Ministère de la Cybersécurité et du Numérique (MCN). (2024). Guide des bonnes pratiques d’utilisation de l’intelligence artificielle générative.