Les neurones artificiels, c’est quoi ?
Les réseaux de neurones artificiels (ANN) ou réseaux de neurones simulés (SNN) sont un sous-ensemble du machine learning. C’est une technologie qui est au coeur du deep learning. Elle permet aux systèmes d’apprendre automatiquement par l’expérience.
Les réseaux de neurones artificiels sont schématiquement inspirés du fonctionnement des neurones biologiques, complétés de méthodes statistiques.
Fonctionnement des neurones artificiels
Les réseaux de neurones artificiels possèdent des couches nodales constituées d’une couche d’entrée, d’une ou plusieurs couches cachées et d’une couche de sortie. Plus il y en aura, et plus le réseau sera complexe et profond (deep learning).
Chaque neurone artificiel, ou nœud, se connecte aux autres. Il possède un poids et un seuil (ou biais). Si la sortie d’un nœud est supérieure à la valeur de seuil spécifiée, le nœud s’active et envoie des données à la couche suivante. Sinon, rien n’est transmis. Le poids sert à calculer les données de sortie en déterminant l’importance qu’aura chacune des variables dans le résultat.
Ce réseau de neurones artificiels est un réseau à propagation avant et c’est le modèle le plus répandu.
Dans un groupe, tous les neurones remplissent une fonction similaire. Pour améliorer les réseaux de neurones artificiels, il faut les entraîner. C’est en faisant qu’ils apprennent. L’expérience les fait évoluer.
Ce sont des explications simplifiées, mais vous pouvez aller plus loin grâce aux liens fournis à la fin de cet article.
Fonctionnement des neurones biologiques
Pour transmettre et recevoir des messages, les neurones envoient des impulsions électriques le long de l’axone. Lorsqu’elles atteignent l’extrémité de l’axone et arrivent dans le bouton synaptique, le message peut être transmis au neurone suivant.
L’espace entre deux neurones est appelé synapse, ou fente synaptique. Le terminal synaptique d’un neurone envoie le message aux dendrites du neurone suivant, via des produits chimiques appelés neurotransmetteurs.
Il y a deux types de neurotransmetteurs, produits par le bouton synaptique :
- Les inhibiteurs réduisent l’électricité du prochain neurone. Ils servent à prévenir de la transmission d’un message.
- Les excitateurs augmentent l’électricité des autres neurones. Ils font passer l’information. Un potentiel d’action est plus susceptible de se produire qu’avec les inhibiteurs.
Liens entre ces deux systèmes neuronaux
Physiquement, les deux systèmes n’ont aucun point commun, mais conceptuellement, ils sont liés.
Les réseaux de neurones artificiels se basent sur les mécanismes de nos neurones biologiques. Les scientifiques s’inspirent de la nature et du corps humain pour leurs conceptions et innovations. La science avance avec ce qui l’entoure.
Nous sommes quand même très loin de pouvoir imiter un fonctionnement aussi complexe que le cerveau humain.
Cependant, les intelligences artificielles dotées de réseaux de neurones artificiels sont désormais capables d’apprendre toutes seules par l’expérience, mais avec tout de même une intervention humaine, au commencement. Nous devons établir le « vrai » et le « faux » pour que la machine puisse appliquer un raisonnement similaire, en autonomie.
Types de réseaux de neurones artificiels
Il existe de nombreux réseaux de neurones artificiels différents. En voici quelques exemples :
- Perceptron : réseaux à propagation avant à couche unique
- Réseaux de neurones à propagation avant : sens unique de traitement
- Réseaux de neurones récurrents : boucles de rétroactions qui développent une mémoire
- Réseaux de neurones convolutifs : minimum 5 couches
- Réseaux transformers : transforment et prévoient des séquences
- Réseaux antagonistes génératifs (generative adversarial networks) : un générateur et un discriminateur qui évaluent les données générées pour évoluer
- Réseaux auto-encoders : compressent les données d’entrée vers leurs caractéristiques essentielles
Cette liste est simplifiée et concise, retrouvez les détails scientifiques grâce aux liens en fin d’article.
Apprentissages associés
Le machine learning est un sous-ensemble de l’Intelligence Artificielle. Il permet de développer des systèmes qui ont la capacité d’apprendre par l’expérience. Ceux-ci peuvent faire des estimations et des prédictions. Nous pouvons les utiliser pour automatiser des tâches.
Le deep learning est une des technologies principales du machine learning. C’est un vaste réseau de neurones artificiels qui permet un apprentissage autonome des systèmes.
L’adaptive learning se base sur l’Intelligence Artificielle. C’est une méthodologie d’apprentissage qui propose des formations personnalisées. Elles sont adaptées à l’apprenant, en fonction de ses capacités, de ses besoins, de ses attentes…
En résumé
Les réseaux de neurones artificiels s’inspirent de nos neurones biologiques.
C’est un système de couches neuronales qui transmettent les informations jusqu’à l’action. Il y a de nombreux types de réseaux de neurones artificiels, tous adapté à des situations différentes.
Les Intelligences Artificielles possédant cette technologie sont capables d’apprendre via l’expérience. Il leur faut une intervention humaine au début, puis, elles évoluent grâce à leurs tests.
Le deep learning et le machine learning font partie de cette discipline. C’est ce qui fonde l’apprentissage des machines.
L’adaptive learning est une méthodologie de formation, basée sur la personnalisation du contenu d’apprentissage. L’Intelligence Artificielle contribue à son bon déroulé.
Aujourd’hui, les réseaux de neurones artificiels sont partout dans notre quotidien !
Pour aller plus loin
Réseau de neurones artificiels – Wikipedia
Comprendre les réseaux de neurones
Réseaux de neurones artificiels – Thiga
Qu’est-ce qu’un réseau de neurones ? – IBM
Réseaux de neurones : Qu’est-ce qu’un neurone ?
Neurone biologique et neurone artificiel
Réseaux antagonistes génératifs ou GAN : Qu’est-ce que c’est ?
Qu’est-ce qu’un auto-encodeur ?
Réseau de neurones artificiels : quelles sont leurs capacités ?
