tensorflow

TensorFlow: Quelles sont les applications ?

Résultat de recherche d'images pour "tensorflow"

La technologie de machine learning ne cesse d’évoluer jour après jour. Elle continue d’évoluer à un rythme soutenu, nous proposant des algorithmes plus avancés et des branches telles que Deep Learning. L’apprentissage en profondeur (Deep Learning en anglais) utilise des algorithmes appelés réseaux de neurones, inspirés de la manière dont les systèmes nerveux biologiques, tels que le cerveau, traitent les informations. Ces réseaux neuronaux permettent aux ordinateurs d’identifier chaque donnée et d’implémenter un véritable mécanisme d’apprentissage.

Il existe essentiellement deux types de bibliothèques d’apprentissage machine disponibles aujourd’hui:

     Deep Learning :

  • CNN, Convolutional Neural Network
  • RNN,
  • réseaux entièrement connectés,
  • modèles linéaires

     Tout le reste

  • SVM,
  • GBM,
  • Forêts Aléatoires,
  • Naive Bayes, K-NN, etc.)

La raison en est que l’apprentissage en profondeur nécessite beaucoup plus de calculs que d’autres méthodes de formation plus traditionnelles et nécessite donc une spécialisation intense de la bibliothèque (par exemple, l’utilisation d’un GPU et de capacités distribuées). Si vous utilisez Python et recherchez un paquet contenant le plus grand nombre d’algorithmes, essayez scikit-learn. En réalité, si vous souhaitez utiliser l’apprentissage en profondeur et des méthodes plus traditionnelles, vous devrez utiliser plusieurs bibliothèques. Il n’y a pas de paquet “complet”.

Qu’est-ce que TensorFlow?

Devenu Open-source en 2015, TensorFlow est un framework Google avec lequel on peut de créer des modèles d’apprentissage en profondeur. Le Deep Learning est l’une des catégories de modèles d’apprentissage automatique utilisant des réseaux de neurones multicouches. La bibliothèque TensorFlow permet aux utilisateurs d’exécuter des fonctions en créant un graphique de calcul.

 

TensorFlow est populaire, car il est gratuit, simple d’utilisation et procure aux développeurs ayant des bases en machine learning (ML) un accès à une bibliothèque puissante au lieu de créer tous leurs modèles d’intelligence artificielle à partir de zéro. TensorFlow et ses modules d’accompagnement simplifient le développement de logiciels ML pour les applications mobiles et les services principaux.

Comment TensorFlow s’intègre-t-il dans l’Intelligence Artificielle (IA) et l’apprentissage de la machine?

 

Tensorflow est l’une des nombreuses bibliothèques d’apprentissage automatique (d’autres exemples incluent CNTK et Theano). L’apprentissage automatique est un domaine de l’informatique qui donne aux ordinateurs la possibilité d’apprendre sans être explicitement programmé. On peut notamment citer l’intelligence artificielle d’AlphaGo Zero  qui apprend à jouer à Go. AlphaGo Zero  surpasse son prédécesseur, AlphaGo, en effet AlphaGo Zero  a battu le champion du monde de Go. L’apprentissage automatique est utile pour les tâches pour lesquelles les algorithmes explicites ne donnent pas de bons résultats, tels que le filtrage des utilisateurs, le tri des données de contexte élevé et la mise en cluster pour les prévisions et le profilage.

Des exemples pratiques incluent la détection de fraudes ou de violations de données, le filtrage de courrier électronique, la reconnaissance optique de caractères (OCR) et le classement.

Dans la section suivante, nous allons démystifier le graphique de calcul, ce qui est essentiel pour comprendre le fonctionnement de TensorFlow en langage humain.

Quelles sont les applications de TensorFlow ?

TensorFlow est le principal outil d’apprentissage en profondeur. C’est une bibliothèque d’intelligence artificielle open source, qui utilise des graphes de flux de données pour construire des modèles. Il permet aux développeurs de concevoir des réseaux de neurones à grande échelle comportant de nombreuses couches. On utilise TensorFlow majoritairement pour: la classification, la perception, la compréhension, la découverte, la prédiction et la création.

Principaux cas d’utilisation de TensorFlow

    Reconnaissance vocale / sonore

L’une des application les plus populaires et répandues de TensorFlow sont les applications de type sonore. Avec le bon flux de données, les réseaux de neurones peuvent comprendre les signaux audio.

La palette de problèmes que ces algorithmes peuvent traiter est très large. On retrouve notamment la reconnaissance vocale, principalement utilisée dans l’internet des Objets (IoT), l’automobile, la sécurité et l’UX / UI. Les algorithmes de recherche vocale sont en général utilisés dans les télécommunications, fabricants de combinés. Les algos d’Analyse des sentiments sont quant à eux principalement utilisés dans le Customer Relationship Management, c’est-à-dire la relation client. On retrouve aussi entre autre les algos de Détection des défauts (bruit du moteur) principalement utilisée dans les domaines de l’automobile et de l’aviation.

 

Pour ce qui est des cas d’utilisation courants, nous avons tous en tête les assistants à recherche vocale et à activation vocale présents dans les nouveaux smartphones à large diffusion tels que le fameux Siri d’Apple, Google Now pour Android et Microsoft Cortana pour Windows Phone.

La compréhension de la langue est un autre cas d’utilisation courant de la reconnaissance vocale. Les applications de synthèse vocale peuvent être utilisées pour déterminer des extraits de son dans des fichiers audio plus volumineux et transcrire le mot parlé en tant que texte.

Les applications basées sur le son peuvent également être utilisées dans le domaine de la relation client. Voici un scénario d’utilisation: Les algorithmes TensorFlow remplacent les agents du service clientèle et acheminent les clients vers les informations pertinentes dont ils ont besoin, et plus rapidement que les agents.

Applications basées sur le texte

D’autres applications très en vogue et très demandées de TensorFlow sont des applications textuelles. Parmi elles on compte, l’analyse sentimentale (relation client, médias sociaux), la détection de menaces (médias sociaux, gouvernement) et la détection de fraude (assurances, finances).

La reconnaissance de langue est l’une des applications les plus courantes des applications à base de texte. Nous avons tous en tête Google Translate, qui prend en charge plus de 100 langues traduisant de l’une à l’autre. Les versions développées peuvent être utilisées dans de nombreux cas, comme la traduction du jargon juridique dans les contrats en langage clair.

    Résumé du texte

Google a également découvert que pour les textes plus courts, le résumé peut être appris avec une technique appelée apprentissage séquence par séquence. Cela peut être utilisé pour produire des titres d’articles de presse. Ci-dessous, vous pouvez voir un exemple où le modèle lit le texte de l’article et écrit un titre approprié.

 

 

About the Author Hausmane Issarane

>