Le deep learning fascine autant qu’il inquiète. Il constitue l’une des avancées technologiques les plus fulgurantes, les plus impressionnantes de ces dernières décennies. On peut traduire le terme par son équivalent anglais et littéral : « apprentissage profond ».
Cette branche de l’intelligence artificielle repose sur des réseaux de neurones, inspirés directement par les arcanes du cerveau humain. Ainsi, la machine parvient à effectuer des tâches complexes de prédiction, de classification, jusqu’à la reconnaissance de formes, de couleurs, d’expressions…
Puisque nous ne sommes pas un site dédié spécifiquement à la robotique et à l’informatique, nous allons aborder cette question par rapport aux méthodes d’apprentissage associées. Comment le deep learning, ou plus exactement ses applications, peut-il profiter à la formation ? Quels sont les risques et les limites à prendre en considération ?
Dans les lignes à venir, nous vous livrons une définition, mais également une réflexion sur ce sujet résolument contemporain. Une mise en perspective relative à l’apprentissage et à l’éducation.
Qu’est-ce que le deep learning ? Comment fonctionne-t-il ?
Efforçons-nous de simplifier des notions très… techniques.
L’épicentre du deep learning se situe donc au niveau des neurones artificiels. Ce sont, pour ainsi dire, des unités de calcul venant imiter celles dont notre appareil cérébral est doté.
Chaque neurone reçoit des données d’entrée. Il les traite via une fonction d’activation. Cette étape, extrêmement subtile et faisant appel à des phénomènes multiples, nécessiterait des pages et des pages de précisions. En effet, il n’est pas question d’en rester à un traitement linéaire. Le réseau neuronal a la capacité d’apprendre sans se limiter à des schémas simplifiés. Il assimile une grande quantité de nuances.
Le résultat nous parvient si rapidement (par exemple, sous forme de texte « commandé » à ChatGPT) qu’on en sous-estimerait presque la prouesse réalisée. Les réseaux neuronaux sont composés de plusieurs couches : la couche d’entrée, les couches cachées, et la couche de sortie. Chacune d’entre elles permet l’affinement du machine-learning.
Le poids des informations : quand l’algorithme fait preuve de pondération
L’apprentissage (celui entrepris par l’ordinateur, donc, la fameuse IA) se fait par l’ajustement des poids synaptiques. Tout le monde connaît ce concept, non ?
Non, évidemment. Mais il se révèle passionnant. Essayons donc de le restituer simplement.
Les données proposées au bot n’ont pas toute la même importance. Ni la même pertinence. S’il devait toutes les assimiler au même niveau, ses synapses virtuelles (autrement dit les « transmetteurs » d’informations) ne tiendraient pas le cap.
Il faut alléger, hiérarchiser, organiser ce flux. Seul un réseau neuronal en est capable. Il perçoit, conçoit les subtilités d’un sujet, pour ensuite les restituer.
Le cerveau, ce précurseur dans le domaine du tri
Notre cerveau ne tient pas compte de tout. Au fil de son évolution génétique, cet organe exceptionnel a développé des capacités de sélection. Elles sont plus ou moins efficaces selon les individus. Elle n’en reste pas moins à la base de notre intellect. De notre intelligence profonde.
D’une certaine manière, nous sommes outillés pour supporter le déferlement quotidien de découvertes, de réalisations… tout en évitant la submersion. Les neurones, lorsqu’elles sont fonctionnelles, savent se montrer select, pour une perception et une mémorisation du monde sereine. Elles ont un talent de prédiction et de rationalisation manifeste.
Grâce au deep learning, les IA deviennent capables de singer cette approche sélective. Examinons maintenant l’impact de ces innovations sur la formation et l’éducation.
Le deep learning : quelles applications dans le domaine de la formation ?
Le phénomène d’apprentissage que nous venons de décrire concerne les ordinateurs eux-mêmes. Les « machines ». Mais ce n’est pas notre point focal chez Edusign. Cette introduction était nécessaire pour comprendre, même basiquement, les fondements de ces nouveaux algorithmes.
Techniquement, tout ordinateur, depuis le pionnier, se dote d’un système d’intelligence artificielle. Depuis quelques années toutefois, et même décennies au sein des laboratoires, la technologie a pris de la hauteur. L’extraction des connaissances se veut bien plus pointue et riche.
Cela donne naissance à des robots intelligents épatants (même si nous les banaliserons rapidement) comme ChatGPT, le fameux modèle de traitement du langage.
En ce qui concerne la formation, on peut accueillir (si l’on schématise, car il y a évidemment des stades intermédiaires) cet avènement de trois manières :
- Rejeter en bloc toutes les applications liées à l’intelligence artificielle « nouvelle génération ». Considérer le deep learning comme incompatible, voire dangereux.
- Accepter les IA en tant que vecteur d’apprentissage. Les intégrer aux démarches plus classiques. La considérer comme l’un des outils contribuant au développement de l’intelligence humaine.
- Faire de ChatGPT et de ses équivalents les chefs de file d’un nouveau mouvement. Rediriger complètement (ou presque) le corpus d’apprentissage vers l’emploi de ces réseaux constitués par les simili-neurones.
Chez Edusign, nous nous reconnaissons plutôt dans la deuxième catégorie. Nous avions d’ailleurs consacré un article à la création d’un prompt efficace. Nous pensons qu’un refus mécanique de ces solutions serait regrettable.
Il faut, toutefois, apprendre à tirer le meilleur de ces nouveaux assistants, et du deep learning leur permettant de performer.
Comment utiliser intelligemment les IA entraînées au deep learning dans le contexte d’une leçon ?
En ce qui concerne les techniques d’apprentissage, il est certain que les séquences d’enseignement peuvent prendre une nouvelle dimension. Cela suppose que les professeurs, les enseignants accompagnent intelligemment les élèves, les apprenants dans l’utilisation des chatbots.
Par exemple, la génération d’un texte par ChatGPT sert de bonne base à la rédaction d’un rapport, dans le cadre professionnel. Nous insistons sur le mot « base » : à aucun moment nous n’encourageons la délégation entière des tâches à ces compagnons intelligents.
Il ne faudrait pas que l’ordinateur fasse les connexions à la place des formés. Plutôt, il l’aiderait à développer son propre réseau neuronal. Par le jeu des exemples, notamment.
Le deep learning et l’assiduité des élèves
Dans un autre domaine, qui nous tient particulièrement à cœur, le deep learning utilisé pour l’apprentissage permet de mieux engager les procédures de contrôle, de suivi.
Le réseau profond des IA 2.0 suppose une capacité prédictive plus fine. Le robot peut prendre en compte de nombreuses données, notamment celles relatives à l’émargement ou à la régularité du travail, pour tirer des bilans (intermédiaires ou au terme d’une année) qu’un être humain prendrait beaucoup de temps à établir.
Les outils que nous proposons sur notre site (par exemple celui-ci, consacré à la vérification des présences/absences en distanciel) reflètent l’importance que nous accordons à l’assiduité. Le deep learning, puisqu’il rend les machines capables de traiter les données mieux que jamais, laisse optimiste quant à l’augmentation exponentielle des possibilités.
Le deep learning : vers une généralisation de son application en formation ?
On peut raisonnablement imaginer le deep learning comme susceptible de modeler (voire de modéliser, pour rester dans le thème) une série de méthodes pédagogiques nouvelles. Il le fait d’ailleurs déjà. La généralisation des appareils connectés et la transition brusque engagée en 2020 participe à une « démocratisation » des outils numériques. Cela facilite l’intégration des technologies telles que le traitement du langage naturel dans le contexte d’une formation.
Puisque la machine a (littéralement) gagné une couche de complexité, les dynamiques d’apprentissage vont forcément évoluer. Mais à quel point ? Et selon quelle temporalité ?
Nous n’avons aucune boule de cristal permettant de répondre clairement à ces interrogations. Il faut, au demeurant, tenir compte des avis divergents. Certains professeurs cultivent un intérêt profond pour cette évolution et ses implications. D’autres tremblent face au réseau neuronal artificiel, craignant que le nôtre, le « vrai », connaisse une régression en contrepartie.
Il y a aussi la question des moyens. Les grandes firmes comme OpenAI garantissent un accès gratuit à leur technologie… jusqu’à un certain point. À l’heure où nous rédigeons ces lignes, par exemple, la reconnaissance d’image par ChatGPT n’existe que pour la version 4.0.
Certains pays, certaines régions, certaines institutions devront attendre longtemps avant le bouleversement profond.
L’important, selon nous, est de garder la nécessité d’un équilibre en perspective. La puissance de calcul affichée par ces IA ne doit pas nous faire oublier la nôtre. Restons autonomes sans ignorer l’existence de ces algorithmes d’analyse pour autant. Bref, abordons-les… intelligemment.
