Gap analysis — capacité humaine × capacité IA
Réseaux de neurones artificiels / deep learning × AlexNet
Substitution de l'ingénierie manuelle de caractéristiques par l'apprentissage de représentations
Fiches comparées
Réseaux de neurones artificiels / deep learningCapacité humaine · ÉvolutionAlexNetCapacité IA · Génératif / raisonnementApport de l'IA
AlexNet est le point de bascule que la fiche humaine désigne elle-même : en 2012, la classification d'images à grande échelle cesse de reposer sur des descripteurs conçus à la main par des experts et passe à des représentations apprises directement des données. La fiche IA le documente comme une validation de concours — taux d'erreur top-5 de 15,3 % à l'ILSVRC du 30 septembre 2012, plus de 10,8 points devant le second — et non comme un système déployé : la substitution porte sur la méthode, établie par la fiche humaine, non sur ce modèle particulier.
Mécanisme
Réseau convolutif profond entraîné sur GPU sur ImageNet, avec régularisation par abandon (dropout) et activations ReLU popularisées à cette échelle — la conjonction de données massives, de calcul parallèle et d'ajustements algorithmiques que la fiche humaine identifie comme la cause de la percée.
Comment faire mieux
La fiche IA ne compare AlexNet à aucune architecture ultérieure, ni en précision ni en efficacité : elle nomme seulement les réseaux plus profonds qui l'ont suivi — GoogLeNet, VGGNet, Highway networks, ResNet — et la ligne de recherche visant à reproduire ses performances à moindre coût — SqueezeNet, MobileNet, EfficientNet. Ce qui reste ouvert n'est donc pas la comparaison de performance, que les sources ne portent pas, mais l'explicabilité : la boîte noire dénoncée dans la fiche humaine n'a pas été résolue par la montée en échelle.
Mode d'interaction recommandé
Autonomie complète sur la tâche d'extraction de caractéristiques ; l'humain conserve la définition du problème, la constitution et l'annotation des jeux de données, et l'évaluation des erreurs hors distribution.
Substituabilité
Remplaçable totalement
Scénarios temporels
Présent
Pour la classification d'images à grande échelle, l'ingénierie manuelle de descripteurs a disparu de la pratique courante selon la fiche humaine ; la fiche IA situe AlexNet lui-même à TRL 4 — validé sur un concours, sans déploiement industriel documenté — et qualifie d'historique son rôle en recherche. Le débat porte aujourd'hui sur les besoins en données, en énergie et sur l'opacité des décisions.
+5 ans
Poursuite du remplacement par des architectures que la fiche IA rattache à l'influence d'AlexNet — de GoogLeNet et ResNet aux modèles conçus pour l'efficacité — et pression croissante sur la question de l'explicabilité dans les usages réglementés.
+15/20 ans
La suppression de l'ingénierie manuelle de caractéristiques paraît acquise et irréversible ; ce qui reste incertain est la capacité de ces modèles à généraliser hors de la distribution d'entraînement, une limite que la fiche humaine énonce explicitement.
Axes possibles (perspectives, pas des prédictions tranchées)
Efficacité à budget contraint
Consensus scientifiqueDiffusion d'architectures plus économes en calcul, dans la ligne de recherche que la fiche IA identifie (SqueezeNet, MobileNet, EfficientNet), sans retour à des descripteurs conçus manuellement.
Statu quo sur l'opacité
Opinion majoritaireLes gains de performance continuent sans que l'explicabilité complète des décisions internes progresse à la même vitesse.
Rupture d'explicabilité
Hypothèse prospectiveUne méthode générale rendant lisibles les représentations internes changerait la nature du débat réglementaire sur l'usage de ces modèles en décision sensible.
Sous-thèmes et axes de recherche
Sous-thèmes
- Bascule de 2012 en reconnaissance d'image
- Conjonction données massives, calcul GPU et avancées algorithmiques
- Opacité persistante des représentations apprises
Axes de recherche
- Explicabilité des représentations profondes après une décennie de montée en échelle
- Généralisation hors distribution des modèles de vision
- Coût énergétique de l'entraînement rapporté au gain de performance
Documents clés
Données brutes de cette analyse : /api/gap/deep-learning-vs-alexnet — méthode de comparaison détaillée dans la méthodologie.