En quoi consiste un réseau neuronal profond?
Valérie Bécaert Valérie Bécaert
15 novembre 6 min

En quoi consiste un réseau neuronal profond?

Tous ceux qui ont fait des mathématiques au secondaire savent que les humains sont loin de pouvoir calculer aussi bien qu’un ordinateur. Mais si nous trouvons parfois les mathématiques difficiles, nous excellons dans la reconnaissance des formes, ce qui n’a pas été la force des ordinateurs depuis de nombreuses années. Un enfant peut reconnaître un chien, malgré les nombreuses races différentes, alors que les ordinateurs nous demandent encore d’effectuer une mise à jour quand nous sommes en train de regarder un film sur Netflix.

Pourtant, c’est le cerveau humain qui a inspiré les algorithmes qui sont à la base des progrès actuels de l’intelligence artificielle : les réseaux neuronaux. Les réseaux neuronaux complexes, aux nombreuses couches de traitement, sont également appelés réseaux neuronaux profonds; ils alimentent les algorithmes d’apprentissage profond qui ont mené à certains travaux révolutionnaires en intelligence artificielle (IA).

Le cerveau comme inspiration

Selon les connaissances les plus récentes, le cerveau humain – notre propre ordinateur intégré – fonctionne en transmettant des impulsions électriques entre une série de cellules spécialisées, les neurones, qui sont reliées par des voies appelées synapses. C’est à l’aide de ces impulsions électriques que notre cerveau code l’information. Lorsque l’information est transmise au cerveau, différents neurones sont « activés » pour la traiter, ce qui détermine presque tous les aspects de nos pensées, de nos gestes et de nos comportements.

Certains des algorithmes d’IA les plus utilisés s’inspirent de ce lien entre les neurones et l’information, qui constitue notre « réseau neuronal » personnel. Il est donc tout à fait approprié de les appeler des réseaux neuronaux artificiels. Ces modèles d’IA comprennent des éléments comparables aux neurones, des unités de calcul individuelles, qui travaillent ensemble pour former des couches entre lesquelles l’information est transmise pendant le processus d’analyse et de prise de décision. Ces réseaux neuronaux artificiels ont permis les premières réussites de l’IA, au début de la décennie, qui ont marqué l’essor de l’IA moderne.

Des couches de sens

Il est tentant d’aller trop loin dans la métaphore du réseau neuronal : même s’ils sont inspirés par le cerveau humain, les modèles d’IA ne pensent pas et ne traitent pas les données comme nous le faisons. Le cerveau humain est extrêmement complexe, beaucoup plus que le plus important réseau neuronal utilisé aujourd’hui, et les humains ont développé des compétences spécialisées en évoluant pendant plusieurs millénaires. Les modèles d’IA sont des algorithmes, des fonctions mathématiques. Il serait donc faux de dire qu’ils pensent, mais il est vrai qu’ils apprennent.

L’architecture des réseaux neuronaux influence la façon dont les modèles d’IA traitent les données. La première étape du processus est appelée couche d’entrée (c’est là que nous fournissons les données à l’IA); elle est suivie de la couche cachée (là où le réseau neuronal fait son analyse), puis de la couche de sortie (celle qui fournit les résultats des calculs).

Un réseau neuronal artificiel ne comportant qu’une ou que quelques-unes de ces couches cachées effectue ce qu’on appelle l’apprentissage machine. Mais quand un réseau compte de nombreuses couches cachées, il est en mesure d’accomplir une analyse beaucoup plus complexe et plus en profondeur : c’est l’apprentissage profond; il s’agit alors d’un réseau neuronal profond. Examinons maintenant ce que signifie l’apprentissage profond.

Une analyse machine plus approfondie

Un réseau neuronal profond peut porter des jugements beaucoup plus réfléchis et précis que des réseaux neuronaux moins évolués, parce qu’il peut mettre en œuvre une quantité bien supérieure de niveaux d’analyse. Il existe de nombreux types de réseaux neuronaux, dont ceux où l’information ne circule que dans un sens, d’une couche à l’autre, et ceux qui utilisent des boucles ou d’autres formes de communication entre les couches pour produire une sorte de « mémoire » qui leur permet de prendre des décisions avec le temps.

Étant donné que les réseaux neuronaux profonds sont entraînés à l’aide de grandes quantités de données pré-étiquetées, ils savent comment classer de nouvelles données non étiquetées dès qu’ils les reçoivent. L’apprentissage profond dépend de cette combinaison : des connaissances approfondies, et un réseau neuronal profond qui traite la nouvelle information.

Les applications concrètes des réseaux neuronaux profonds

Les réseaux neuronaux profonds sont à l’avant-garde de technologies comme la reconnaissance faciale et vocale, et sont utilisés dans tous les domaines où il faut analyser et classer des données provenant de capteurs, comme les photos ou les flux vidéo et audio. Qu’il s’agisse d’assistants virtuels à commande vocale ou de véhicules autonomes, si une technologie exige que l’IA s’entraîne en utilisant des montagnes de données du monde physique pour devenir compétente, elle aura probablement recours à une forme de réseau neuronal profond.

Ces modèles mathématiques perfectionnés transforment l’ensemble des industries et des secteurs. Dans le domaine médical, ils ont été conçus pour reconnaître les signes de cancer et d’autres maladies en analysant des photographies des imperfections cutanées des patients. Ayant été entraînés à l’aide de nombreuses images étiquetées de mélanomes, ainsi que d’images de grains de beauté bénins, les réseaux neuronaux profonds sont devenus très habiles à faire la différence. C’est le genre de tâches dans lesquelles l’apprentissage profond excelle.

Il existe d’innombrables autres exemples. Dans les domaines de l’assurance et des finances, l’IA utilise les connaissances qu’elle a acquises et qui lui permettent de distinguer les réclamations frauduleuses et légitimes pour aider le personnel de détection des fraudes. De même, les fabricants peuvent maintenant cerner et même prévoir les problèmes qui nuisent à la qualité des produits. Et dans le secteur de la vente au détail, l’apprentissage profond peut fournir des prévisions plus précises que jamais sur la demande future. De nouvelles applications font sans cesse leur apparition.

L’exploration de nouveaux horizons

En plus de nous aider à comprendre notre monde et de faciliter les progrès et les innovations, l’apprentissage profond nous aide même à en apprendre davantage sur l’univers.

Avec l’aide de l’apprentissage profond, les astrophysiciens découvrent des « effets lenticulaires gravitationnels » qui leur permettent de voir plus loin dans l’espace et de mieux comprendre notre univers. L’IA s’est inlassablement attelée à une tâche trop lourde pour les scientifiques humains et découvre de nouveaux horizons avec rapidité et précision.