Exposé Deep Learning
Exposé Deep Learning
Exposé Deep Learning
- Yanis Bichbiche -
- Ludovic Antunes -
Intelligence Economique
INTELLIGENCE ECONOMIQUE
A. L’intelligence Économique
L'intelligence économique est un processus stratégique qui vise à collecter, analyser, protéger et diffuser
des informations pertinentes liées à l'environnement économique d'une organisation et d'un pays pour
prendre des décisions stratégiques éclairées et renforcer leur compétitivité.
a) Chronologie
Aux origines du deep learning : Le concept d'apprentissage profond prend forme dans les années 2010,
avec la convergence de quatre facteurs :
Des réseaux de neurones artificiels multicouches (eux-mêmes issus entre autres du concept de
8
analyse discriminante est une technique statistique qui vise à décrire, expliquer et prédire
l’appartenance à des groupes prédéfinis (classes, modalités de la variable à prédire…) d’un ensemble
d’observations (individus, exemples…) à partir d’une série de variables prédictives (descripteurs,
variables exogènes…). et apprenants (dont l'émergence remonte aux années 1980) ;
Des machines dont la puissance de traitement permet de traiter des données massives ;
Des bases de données suffisamment grandes, capables d'entraîner des systèmes de grandes tailles.
En octobre 2015, le programme AlphaGo, à qui l'on a « appris » à jouer au jeu de go grâce à la méthode
de l'apprentissage profond, bat le champion européen Fan Hui par 5 parties à 0. En mars 2016, le même
12
Depuis les débuts de l’IA, il y a cette ambition de reproduire le cerveau humain, ou plus précisément
de s’en inspirer. Pour ce faire, les chercheurs se sont d’abord intéressés de près au fonctionnement des
cerveaux biologiques. Ils ont étudié notamment le fonctionnement des neurones. Ces neurones, qui
composent notre cerveau, communiquent entre eux grâce à des synapses.
On a donc créé des algorithmes qui reprennent cette architecture neuronale. Bien sûr, les neurones
sont ici une inspiration, qu'on a ensuite adaptée à l'intelligence artificielle. (attention : Le réseau de neurones
artificiels n'est pas une reproduction du cerveau humain, son architecture en est seulement inspiré.
Google utilise le deep learning pour prévoir les tendances économiques en se basant sur l'analyse
des requêtes de recherche effectuées sur son moteur. En surveillant de près les recherches liées aux
produits, services et secteurs, Google peut déceler des signaux précoces des changements dans le
comportement des consommateurs et de l'économie en général. Ces données sont ensuite partagées sous 6
la forme de rapports, ce qui permet aux entreprises et aux économistes de prendre des décisions plus
éclairées. Par exemple, lors de la récession économique de 2008, les données de recherche de Google ont
permis de prédire des tendances telles que la baisse de la demande de biens durables.
Besoin de données de haute qualité et en grande quantité : Le deep learning nécessite une
grande quantité de données de haute qualité pour former des modèles efficaces. Dans le domaine
de l'intelligence économique, il peut être difficile d'obtenir des ensembles de données suffisamment
vastes et représentatifs, en particulier pour des informations confidentielles, des données financières
sensibles ou des données sur les concurrents. La qualité des données est cruciale, car des données
biaisées ou erronées peuvent entraîner des prédictions inexactes.
Opacité des modèles : Les modèles de deep learning, en particulier les réseaux de neurones
profonds, sont souvent considérés comme des "boîtes noires". Ils sont complexes et difficiles à
interpréter, ce qui peut rendre la compréhension des raisons derrière une décision ou une prédiction
spécifique difficile. Cette opacité peut poser des problèmes en matière de transparence, de
conformité réglementaire et de confiance, ce qui est essentiel en intelligence économique.
Sensibilité aux données d'entraînement : Les modèles de deep learning sont sensibles aux
données d'entraînement sur lesquelles ils sont basés. Si ces données sont biaisées, non
représentatives ou obsolètes, les modèles peuvent reproduire ces biais et fournir des résultats
incorrects. Il est essentiel de surveiller et de mettre à jour régulièrement les ensembles de données
d'entraînement pour maintenir la pertinence des modèles.
Donc on peut l’utiliser mais avec des mesures de contrôle constant et un regard de l’homme sur les
résultats qu’elle propose.