Deep learning

Dans le cadre des actions collectives du MAP, l’équipe constituée entre le MAP-ARIA et le MAP-MAACC a proposé en 2019 : un état des lieux des dynamiques de recherches dans le champ du deep learning (DL) et un tour d’horizon des différentes techniques (architectures et algorithmes) permettant de les présenter sous leur aspect fonctionnel. Ce travail était à destination de l’ensemble des équipes qui souhaitent se saisir de ces outils pour d’autres recherches. Le rapport de synthèse est paru en 2022.

La conception de réseaux neuronaux multicouches permet la reconnaissance de corrélations ou dépendances massives entre de (très) nombreuses données, y compris de natures différentes (multimodales), avec des domaines d’applications très variés (diagnostic médical, art, traduction et génération de langage, annotation d’images, systèmes de recommandation, véhicules autonomes, détection de fraudes…). Comme toutes les technologies du Machine Learning, les réseaux neuronaux profonds captent du sens implicitement mais pas sur le mode de la causalité : ils n’expliquent pas, mais relient seulement de manière très complexe (et cela, ils le font très bien et mieux que nous !). Mais seules une labellisation et une sémantisation par un acteur humain peuvent créer du sens explicite. L’humain est toujours le superviseur. L’apprentissage totalement non supervisé, en DL, constitue toujours un Graal, aux dires des experts.

Les applications du DL sont très prometteuses en architecture (reconnaissance d’objets, génération et reconstruction de modèles, reconnaissance de styles…). Cependant la majorité des travaux exploitent des données séquentielles ou 2D matricielles et semblent moins adaptés à une utilisation sur des données 3D courantes. Depuis 2021, nous sommes particulièrement intéressés à une voie peu investie et prometteuse pour l’architecture : l’application des techniques de DL à certaines structures topologiques portées par les formalismes de type graphe.