1.5 — Le Deep Learning & le moment AlexNet (2012) 🧠

Pour sortir de l’hiver, on a inversé la logique : au lieu de donner les règles à la machine, on lui donne des exemples et elle déduit les règles toute seule. On s’est inspiré (de très loin) du cerveau pour créer des réseaux de neurones artificiels.

🟢 En clair — avant, l’humain écrivait les règles. Avec le Machine Learning (dont le Deep Learning est la version la plus puissante), on montre plein d’exemples à la machine et c’est elle qui devine la règle.

🧩 Exemple concret — pour apprendre à reconnaître un chat, on ne décrit plus « deux oreilles pointues + des moustaches ». On montre des milliers de photos étiquetées « chat » / « pas chat », et le réseau finit par repérer tout seul ce qui fait un chat.

Pour que ça marche enfin, il fallait deux ingrédients qui n’existaient pas avant les années 2010 :

1. Des montagnes de données (grâce à Internet, aux photos, aux textes numérisés…).
2. Des ordinateurs ultra-puissants : les cartes graphiques (GPU), capables de faire des millions de calculs en parallèle.

📅 La date-repère : 2012. Lors du concours de reconnaissance d’images ImageNet, un réseau de neurones profond surnommé AlexNet pulvérise tous les autres. C’est l’étincelle qui lance la révolution du Deep Learning (apprentissage profond). À partir de là, l’IA sait reconnaître un chat sur une photo ou traduire des langues de façon fluide.

✅ En résumé

• Le Deep Learning inverse la logique : la machine apprend les règles par l’exemple.
• Il a fallu deux ingrédients (vers 2010) : données massives + GPU puissants.
• Le déclic public, c’est AlexNet en 2012 (concours ImageNet).