> ## Content Index
> Fetch the complete content index at: https://www.sfeir.dev/llms.txt
> Use this file to discover other available public pages before exploring further.

# Des IAs et des pizzas
- URL: https://www.sfeir.dev/data/des-ias-et-des-pizzas/
- Published: 2025-01-09T11:13:53.000Z
- Updated: 2025-01-09T11:13:53.000Z
- Description: Deep Learning, Machine Learning et IA sont souvent employés de manière interchangeable. Mais la réalité est plus subtile que ça.
- Author: Jean-Edouard Reuglewicz
- Tags: IA, Data, Machine learning, deep learning

On emploie souvent les termes [IA](https://www.sfeir.dev/ia/lia-generative-un-allie-puissant-pour-les-developpeurs-au-quotidien/), [Machine Learning](https://www.sfeir.dev/data/definition-machine-learning/) et [Deep Learning](https://www.sfeir.dev/ia/deep-learning-definition/) dans les conversations de développeurs et de technophiles. Cependant, même si ces termes sont proches, ils recouvrent des cas d'usage et des complexités différentes.

![](https://storage.ghost.io/c/0b/31/0b31478e-a66a-46f1-8c34-d44388e21192/content/images/2024/06/Diagramme-sans-nom.drawio-15-.png)

## **L'Intelligence Artificielle et le Machine Learning**

L'Intelligence Artificielle recouvre de nombreux contextes emboîtés les uns dans les autres.  
Tout d'abord, il y a le **Machine Learning** qui grâce à un historique de données représentatif du phénomène à modéliser sera capable de classer de nouvelles données inconnues et de leur attribuer la catégorie la plus probable en fonction du pattern de données.

### Exemple

Prenons le cas d'une tâche de classification qui *déciderait s'il faut commander ou non une pizza pour le dîner de ce soir* 🍕.  
Dans ce cas, les valeurs seraient : 

- 0 : "pas de pizza" ou,
- 1 : "bien sûr, avec de l'ananas".

Des features pouvant décrire ce phénomène pourraient être par exemple :  
*Vais-je gagner du temps en commandant plutôt qu'en cuisinant ?*

- 1 : "je gagne du temps"
- 0 : "je ne gagne pas de temps"

*Est-il raisonnable pour ma santé de manger cette pizza ?* 

- 1 : "tout à fait, il y a de l'ananas" et
- 0 : "ne nous voilons pas la face bien sûr que non"

*Est-ce une décision sensée économiquement ?* 

- 1 : "oui, j'ai un bon de réduction" et
- 0 : "non pas vraiment"

Dans ce cas, notre nouvelle d'entrée serait un input \[1,0,1\]. Ici, des valeurs binaires ont été prises par simplicité.  
En plus de cela, nous devons ajouter pour chacune des variables d'input un poids correspondant à l'importance de chacun des facteurs. Par exemple mon temps à de la valeur, P=5, je tiens à ma ligne, P=3, cet achat ne va pas me ruiner, P=2.  
Enfin, en utilisant une combinaison de ces facteurs et une fonction d'activation, nous pourrons décider s'il faut acheter cette pizza ou non :

P1I1 + P2I2 + P3I3 - Threshold\* (\*la threshold correspond à une limite fixée par le développeur de l'IA, un seuil à franchir notre fonction d'activation fixée à 5 dans cet exemple)  
(1x5) + (0x3) + (1x2) - 5 = 2  
2 > 0 PIZZA CE SOIR 🍕

## **L'Intelligence Artificielle et le Deep Learning**

  
Ceci est un exemple de Machine Learning. Mais quelle est la différence avec le Deep Learning ? Tout simplement, **le nombre de features nécessaires pour décrire la donnée.**   
Typiquement, le **Deep Learning** se distingue lorsque le modèle comprend **plus de trois couches** entre la couche d'entrée (**input**) et celle de sortie (**output**).

![](https://storage.ghost.io/c/0b/31/0b31478e-a66a-46f1-8c34-d44388e21192/content/images/2024/11/image-22.png)

différence entre machine learning et deep learning

Le **Machine Learning** nécessite souvent une intervention humaine, par exemple pour créer un dataset de classification entre tacos, hotdogs et pizzas. On peut y ajouter des **features** variées, telles que :

- les dimensions,
- le poids,
- le nombre de calories,
- les ingrédients,
- le temps de cuisson,
- ou encore le type de farine.

L'objectif est de décrire chaque point de données avec le plus d'informations possible pour faire émerger des patterns spécifiques à chaque classe.

Le **Deep Learning**, en revanche, peut avoir en entrée des données brutes : images, textes, sons...  
S'il y a suffisamment de données, il pourra extraire le pattern sous-jacent sans nécessiter d'autres interventions humaines qu'une **labellisation des données**.

![YARN | "Not hot dog"? | Silicon Valley (2014) - S04E04 Teambuilding  Exercise | Video gifs by quotes | 5298124e | 紗](https://y.yarn.co/5298124e-787a-40e7-80cb-6330c7a21eaa_text.gif)

### Pour conclure

Si l'un n'est pas intrinsèquement supérieur à l'autre, il est important de bien isoler le **cas d'usage** pour lequel l'appliquer. 

- Si **les ressources sont limitées** et que les données sont **tabulaires** et bien renseignées, le **Machine Learning** peut déjà offrir de bonnes performances pour un coût contrôlé.
- Si les données et cas d'usage sont plus variés, notamment pour des **images**, des modèles plus profonds et donc du **Deep Learning** peuvent être envisagés.