Deep Learning
Le Deep Learning, ou apprentissage profond, est un sous-domaine de l'intelligence artificielle qui traite des données complexes comme les images, le texte ou la voix. Utilisé dans la reconnaissance faciale, les assistants vocaux ou la détection d'anomalies, il trouve des applications concrètes dans les collectivités. Cette page propose une définition simple et technique, le cadre réglementaire et des cas d'usage pour le secteur public local.
Qu'est-ce que le deep learning ? Définition simple
Le Deep Learning, ou apprentissage profond, est une technique d'intelligence artificielle qui permet à un système informatique d'apprendre à reconnaître des formes, des situations ou des relations complexes à partir de grandes quantités de données. Il est notamment utilisé pour analyser des images, comprendre du texte, reconnaître la parole, détecter des anomalies ou produire des prédictions.
Il s'agit d'une sous-catégorie du machine learning, c'est-à-dire de l'apprentissage automatique. La différence principale est que l'apprentissage profond utilise des des réseaux de neurones artificiels composés de plusieurs couches, capables d'apprendre progressivement des représentations de plus en plus complexes. Ces réseaux s'inspirent du fonctionnement du cerveau humain, où les neurones biologiques sont connectés entre eux pour traiter l'information.
Pour une collectivité, un modèle de deep learning peut servir à automatiser ou améliorer certaines analyses : repérer des défauts sur la voirie à partir d'images, classer automatiquement des demandes d'usagers, détecter des fuites ou anomalies de consommation, analyser des flux de mobilité, transcrire des appels, ou encore aider à la surveillance de phénomènes environnementaux.
Le Deep Learning n'est pas une intelligence autonome qui « comprend » comme un humain. Il apprend à partir d'exemples. Si les données sont nombreuses, fiables et représentatives, le modèle de deep learning peut produire des résultats utiles. Si les données sont incomplètes, biaisées ou mal préparées, les résultats peuvent être erronés, injustes ou difficiles à interpréter.
L'intérêt de l'apprentissage profond est donc réel, mais il doit être utilisé avec prudence dans le secteur public local. Une collectivité ne doit pas chercher à déployer cette technologie pour elle-même, mais uniquement lorsqu'elle répond à un besoin identifié, avec un cadre clair, une validation humaine et une maîtrise des données utilisées.
Comment fonctionne le deep learning ? Définition technique
Sur le plan technique, le Deep Learning repose sur des réseaux de neurones profonds organisés en couches: une couche d'entrée reçoit les données, plusieurs couches intermédiaires les transforment, et une couche de sortie produit un résultat (classification, prédiction ou recommandation).
Le terme « profond » désigne les multiples couches cachées. Chaque couche repère des éléments de plus en plus complexes, des formes simples aux interprétations élaborées. Une fonction d'activation introduit de la non-linéarité entre chaque couche, permettant de saisir des relations que les modèles linéaires ne peuvent pas traiter.
L'entraînement se fait à partir d'exemples annotés : le modèle ajuste ses paramètres pour réduire ses erreurs. Ce processus nécessite une puissance de calcul importante (GPU ou infrastructures cloud). Une fois entraîné, son utilisation quotidienne (inférence) peut être réalisée sur des infrastructures plus légères.
Réseaux de neurones convolutifs (CNN) et vision par ordinateur
Les réseaux de neurones convolutifs (ou convolutional neural networks, CNN) sont particulièrement adaptés au traitement des images. Ils s'appuient sur une opération mathématique appelée convolution, qui consiste à appliquer des filtres sur une image pour en extraire des caractéristiques visuelles : contours, textures, formes géométriques.
Chaque filtre glisse sur l'image et produit une carte d'activation. Les couches suivantes combinent ces cartes pour repérer des motifs élaborés. Une opération de pooling réduit la taille des données tout en conservant l'information pertinente. Les CNN reconnaissent ainsi objets, défauts de voirie, panneaux ou anomalies dans les images de terrain.
Transformers et réseaux récurrents
Les transformers sont aujourd'hui très présents dans le traitement automatique du langage et l'IA générative. Ils reposent sur un mécanisme d'attention qui pondère l'importance de chaque mot. Des modèles comme ChatGPT utilisent cette architecture pour produire du texte, répondre à des questions ou générer des contenus.
Les réseaux récurrents ont longtemps été utilisés pour traiter des séquences: textes, séries temporelles, signaux de capteurs. Ils conservent une mémoire des éléments précédents, ce qui les rend adaptés à l'analyse de flux ou à la prédiction d'événements. Dans un projet territorial, ces modèles peuvent aider à transcrire des appels, analyser des données de consommation ou détecter des tendances.
Impacts et enjeux juridiques du deep learning
| Enjeu | Description | Impact pour les collectivités |
|---|---|---|
| Qualité des données | Un modèle de deep learning apprend à partir des données fournies. Des données incomplètes, anciennes ou mal annotées produisent des résultats faussés. | Risque d'orienter des politiques publiques, de prioriser des interventions ou d'affecter la relation aux usagers sur la base de résultats erronés. |
| Protection des données personnelles (RGPD) | Dès qu'une donnée permet d'identifier directement ou indirectement une personne, le RGPD s'applique à l'entraînement et à l'exploitation du modèle. | Obligations de finalité, base légale, minimisation, sécurité, information des personnes et exercice de leurs droits. Nécessité de vérifier quelles données sont utilisées, pourquoi et selon quelles garanties. |
| Explicabilité | Les réseaux de neurones profonds sont performants mais leurs raisonnements internes restent difficiles à comprendre. | Difficulté à justifier une recommandation ou une décision publique ayant un effet sur les personnes. Les méthodes d'explicabilité existantes demeurent hétérogènes et limitées. |
| Biais | Un algorithme peut reproduire ou amplifier des déséquilibres présents dans les données d'entraînement. | Un outil de classification peut être moins fiable pour certains types d'écrits ; un modèle d'analyse d'image peut fonctionner moins bien selon la luminosité ou l'environnement ; un modèle de prédiction peut surpondérer des situations passées. |
| AI Act | Le règlement européen, entré en vigueur en août 2024, établit des règles harmonisées selon une approche par les risques (minimal, limité, élevé, inacceptable). | Les collectivités doivent analyser le cas d'usage : un modèle de classement de documents internes ne présente pas le même niveau de risque qu'un système évaluant une situation individuelle ou orientant l'accès à un service. |
| Sobriété numérique | L'entraînement de modèles d'apprentissage profond nécessite d'importantes ressources informatiques, de calcul et d'énergie. | Privilégier des usages proportionnés, réutiliser des solutions éprouvées et évaluer le coût environnemental et financier avant le lancement du projet. |
Pour les collectivités territoriales, l'analyse doit porter sur le cas d'usage et son niveau de risque. Le cadre européen distingue les systèmes selon leur finalité, leur niveau d'autonomie, leurs effets potentiels et leur capacité à influencer l'environnement. Un modèle de deep learning utilisé pour traiter des données sensibles ou orienter une décision publique doit faire l'objet d'une vigilance renforcée, avec des garanties claires et une validation humaine systématique.
Cas d'utilisation et exemples concrets pour les collectivités
Les applications du deep learning dans les collectivités territoriales couvrent plusieurs domaines opérationnels. L'analyse automatique des photos de voirie permet de repérer nids-de-poule, marquages effacés ou panneaux détériorés à partir d'images prises par des véhicules ou des agents, afin de prioriser les interventions de maintenance. La détection d'anomalies dans les réseaux d'eau ou d'énergie s'appuie sur des données de capteurs pour identifier des surconsommations, fuites probables ou dérives énergétiques, et alerter les services techniques avant que les pertes ne s'aggravent.
Un modèle de deep learning peut aussi aider à classer automatiquement les courriels, formulaires ou signalements d'usagers selon leur thème (voirie, déchets, état civil, stationnement, urbanisme), pour orienter plus rapidement chaque demande vers le bon service. La reconnaissance vocale, reposant sur l'apprentissage profond, permet de transcrire des réunions, faciliter l'accessibilité ou améliorer l'accueil téléphonique, à condition d'encadrer les enregistrements contenant des données personnelles.
Dans le domaine environnemental, les collectivités peuvent analyser des images satellites, des données météo ou des capteurs de qualité de l'air pour anticiper certains phénomènes et appuyer leurs politiques de transition écologique. L'aide à la mobilité et au stationnement mobilise des modèles de deep learning pour analyser les flux de circulation, identifier les saturations ou optimiser les aménagements.
Au-delà des collectivités, l'application du deep learning concerne aussi la voiture autonome, qui s'appuie sur des réseaux de neurones pour interpréter en temps réel l'environnement routier, ou l'imagerie médicale, où l'IA aide à détecter des anomalies sur des radiographies. Dans le secteur privé comme public, la détection des fraudes utilise des algorithmes d'apprentissage profond pour repérer des comportements inhabituels dans les transactions ou les données administratives. Enfin, la recommandation de contenus peut être intégrée dans les portails de services aux usagers pour personnaliser l'information selon les besoins exprimés.
