Que sont les réseaux neuronaux ?

Élément clé de l’intelligence artificielle, les réseaux neuronaux artificiels (RNA) fonctionnent de manière similaire au cerveau humain. Ils imitent le fonctionnement des véritables neurones biologiques afin de trouver des réponses à des questions et des problèmes informatiques complexes. Cette méthode, qui peut faire intervenir des millions de neurones artificiels, relève de l’apprentissage automatique. Elle produit des algorithmes mathématiques largement utilisés pour reconnaître des schémas et résoudre des problèmes complexes dans les domaines scientifique et professionnel.

Les RNA, également appelés réseaux neuronaux simulés (RNS), utilisent des circuits pour communiquer entre eux. Généralement, un réseau neuronal repose sur des nœuds constitués d’une couche d’entrée, d’une ou plusieurs couches cachées et d’une couche de sortie. Chaque nœud se voit attribuer un poids et un seuil. Lorsqu’un seuil est activé, les données le traversent et se connectent à d’autres nœuds ou couches. Si les données ne déclenchent aucune réponse, le système les ignore généralement.

Un réseau neuronal utilise des données d’entraînement pour reconnaître des schémas complexes et souvent cachés, et développer des algorithmes. Au fil du temps et avec davantage de données, sa précision s’améliore. Cette technique d’apprentissage automatique produit ainsi des algorithmes informatiques utiles pour un large éventail de tâches, comme la reconnaissance vocale, la traduction automatique, la reconnaissance d’images, le comportement des robots et de nombreux autres domaines de l’intelligence artificielle (IA).

Les systèmes d’apprentissage profond — une forme d’apprentissage automatique non supervisé — sont de plus en plus utilisés avec les réseaux neuronaux. On les appelle « apprentissage profond » parce qu’ils contiennent un grand nombre de couches neuronales. Grâce à différentes approches, les data scientists peuvent effectuer des tâches complexes qui dépassent les capacités ou le champ d’action des humains. En outre, ces systèmes peuvent progresser et évoluer continuellement à mesure que de nouvelles données apparaissent.

À lire aussi :Qu’est-ce que l’intelligence artificielle ? 

Comment et pourquoi utilise-t-on les réseaux neuronaux ?

Le volume croissant de données générées par les ordinateurs contient les réponses à de nombreuses questions et problèmes. Certaines sources du secteur rapportent que plus de 2,5 quintillions d’octets de données sont générés chaque jour, et que plus de 100 zettaoctets de données existent à l’échelle mondiale. Il s’agit notamment de données structurées et non structurées provenant de bases de données, de systèmes de gestion des ventes, de capteurs, de systèmes financiers, de blogs, des réseaux sociaux, de contenus audio et vidéo, de textes et de journaux, ainsi que de fichiers de tableur.

Les systèmes d’apprentissage profond fondés sur les réseaux neuronaux sont donc largement utilisés par les pouvoirs publics, les entreprises, les chercheurs et bien d’autres acteurs pour exploiter ces données. Le cabinet de conseil Gartner rapporte que plus de 80 % des data scientists utilisent désormais des RNA, et que la génération de langage naturel alimentée par l’apprentissage profond fait maintenant partie de 90 % des plateformes modernes de BI et d’analytique. Les principaux domaines d’utilisation comprennent les sciences de la vie, l’industrie manufacturière, la banque, le commerce de détail et le secteur public.

Par exemple, les entreprises de santé utilisent les réseaux neuronaux pour des tâches telles que le diagnostic prédictif, l’imagerie biomédicale et le suivi de la santé. Les sociétés de services financiers s’en servent pour détecter les fraudes, superviser l’analyse du crédit et automatiser les services de conseil. Les détaillants exploitent l’apprentissage profond pour le marketing, les chatbots et la réalité augmentée, de plus en plus utilisée dans les applications pour smartphone. Les industriels s’appuient sur cette technique pour les systèmes de vision industrielle qui repèrent les défauts et les infractions aux règles de sécurité, mais aussi pour automatiser les chaînes d’approvisionnement et prévoir la demande.

Les initiatives de ville intelligente constituent un autre cas d’usage courant. Par exemple, les réseaux neuronaux peuvent ingérer des données d’image provenant de caméras sans fil, puis le système d’apprentissage automatique apprend à adapter les feux de circulation et d’autres systèmes afin d’optimiser la fluidité du trafic en temps réel. Cette approche est bien moins coûteuse que l’installation de capteurs et de capteurs intégrés dans la chaussée. Ces systèmes — qui intègrent souvent des capteurs et des appareils connectés de l’Internet des objets (IoT) — peuvent également améliorer les performances des systèmes énergétiques, fournir d’autres fonctions d’automatisation avancées et renforcer les dispositifs de sécurité.

À lire aussi :IA ou AA : intelligence artificielle et apprentissage automatique

Brève histoire des réseaux neuronaux artificiels

 Les origines des réseaux neuronaux artificiels remontent à 1943. À cette époque, Warren McCulloch et Walter Pitts, qui travaillaient tous deux dans les domaines des neurosciences et de l’informatique, ont présenté un modèle informatique utilisant des algorithmes appelés logique à seuil. Le modèle repose sur une porte logique, ou un bloc de construction élémentaire — en l’occurrence un neurone artificiel — pour élaborer une structure informatique plus vaste.

Au cours des années 1940 et 1950, les chercheurs ont continué à étudier les modèles de réseaux neuronaux artificiels. En 1958, Frank Rosenblatt a intégré un perceptron, un algorithme d’apprentissage supervisé, dans un véritable appareil informatique. Dans les années 1960, les premiers modèles fonctionnels à plusieurs couches ont commencé à apparaître et, en 1975, le chercheur Kunihiko Fukushima a développé le premier réseau neuronal multicouche. Dans les années 1980, les capacités modernes d’apprentissage automatique ont commencé à émerger. Une puissance de calcul bien supérieure et les progrès réalisés dans le domaine au cours des trois décennies suivantes ont permis d’obtenir des capacités beaucoup plus avancées.

L’une des avancées majeures dans ce domaine a été l’introduction des unités de traitement graphique (GPU) en 2010. Ces systèmes offrent d’importants gains de vitesse et de performances, notamment la possibilité de réduire les erreurs grâce à un réglage plus fin des différentes couches d’un modèle. En réalité, les GPU apportent des fonctionnalités et des capacités qui seraient autrement impossibles à mettre en œuvre dans l’apprentissage profond. Aujourd’hui, les réseaux neuronaux utilisent plusieurs techniques et modèles pour s’attaquer à des tâches de plus en plus complexes qui, dans certains cas, dépassent les capacités humaines.

À lire aussi :Les meilleurs logiciels d’IA 

Comment fonctionnent les réseaux neuronaux ?

La base d’un réseau neuronal est le neurone artificiel. Les neurones sont répartis en trois types de couches :

• Couche d’entrée : La couche d’entrée ingère les données et les convertit en code binaire utilisable par l’ordinateur.
• Couche cachée : La couche cachée effectue des calculs mathématiques sur les données au moyen de techniques de traitement non linéaires qui opèrent à travers les différentes couches cachées du modèle. Ce processus de « pondération » élabore une structure mathématique hiérarchique.
• Couche de sortie : La couche de sortie fournit l’algorithme utilisé pour l’IA.

On peut considérer les réseaux neuronaux comme des systèmes où chaque nœud individuel exécute son propre modèle de régression linéaire qui comprend des données d’entrée, des poids, un biais (ou seuil) et une sortie, selon IBM. Une fois que le système a identifié une couche d’entrée, il attribue des poids qui déterminent la valeur d’une variable donnée. Ces entrées sont intégrées à un modèle mathématique. Lorsqu’une sortie atteint le seuil critique souhaité, elle active le nœud, qui transmet les données au nœud suivant du réseau. Ce processus se poursuit jusqu’à l’existence d’un algorithme.

Dans certains cas, les données traversent un réseau neuronal artificiel dans une seule direction, de la phase d’entrée à la phase de sortie. Il est toutefois possible d’utiliser d’autres techniques, comme la rétropropagation, pour étudier les données de la sortie vers l’entrée.

Cette approche permet d’améliorer la détection des erreurs et de réduire les résultats biaisés ou inexacts. Grâce à cette technique, il est possible de modifier les pondérations et d’adapter et d’ajuster un modèle d’apprentissage profond selon les besoins.

Quels types de réseaux neuronaux artificiels existe-t-il ?

Bien que les réseaux neuronaux reproduisent sommairement le fonctionnement du cerveau humain, ils se sont spécialisés au fil du temps. Aujourd’hui, il existe quatre principaux types de réseaux neuronaux artificiels. Chacun présente des avantages et des inconvénients selon l’objectif visé et le cas d’usage réel. Il s’agit des réseaux suivants :

• Réseaux neuronaux convolutifs (CNN) :Ces systèmes d’apprentissage automatique sont couramment utilisés pour la vision industrielle, la détection d’objets, la classification d’images et certains types de prévisions. Un CNN intègre cinq couches distinctes : entrée, convolution, regroupement, entièrement connectée et sortie. Ces systèmes nécessitent une puissance de traitement considérable, généralement fournie par des GPU.
• Réseaux neuronaux récurrents (RNN) :Ce type de structure de RNA utilise généralement des données de séries temporelles et d’autres données séquentielles pour produire des modèles probabilistes. En d’autres termes, les entrées ne sont pas indépendantes les unes des autres. Cette caractéristique les rend particulièrement adaptés à des tâches telles que le traitement du langage naturel, la reconnaissance vocale, l’analyse des sentiments et les applications liées au texte.
• Réseaux neuronaux à propagation avant (FNN) : Descendants des réseaux neuronaux récurrents, les FNN n’utilisent aucun type de cycle ou de boucle pour traiter les données et développer un modèle. Les données circulent au contraire dans une seule direction — vers l’avant, depuis les nœuds d’entrée et à travers les éventuels nœuds cachés, jusqu’aux nœuds de sortie. Par conséquent, les FNN sont souvent utilisés pour des tâches d’apprentissage supervisé, comme le marketing numérique et les ventes. 
• Réseaux neuronaux autoencodeurs :Ces systèmes d’apprentissage automatique non supervisé, parfois appelés autoassociateurs, ingèrent des entrées non étiquetées, encodent les données, puis les décodent en tentant d’identifier et d’extraire les informations les plus utiles. Cette méthode vise à réduire le bruit des données. La détection des fraudes est une application courante de cette méthodologie.

À lire aussi :L’avenir de l’intelligence artificielle

Comment les data scientists utilisent-ils les réseaux neuronaux pour l’entraînement ?

Une fois qu’un data scientist a identifié un cas d’usage pour un RNA et sélectionné une approche spécifique, l’étape suivante consiste à mettre le système en fonctionnement. Les data scientists utilisent deux approches fondamentales : l’apprentissage supervisé et l’apprentissage non supervisé.

Apprentissage supervisé

Comme son nom l’indique, ce type de système d’apprentissage automatique est supervisé par un humain. L’opérateur étiquette les jeux de données afin d’aider à entraîner l’algorithme, pour qu’il puisse classer les données et prédire les résultats avec précision.

Par exemple, un humain peut étiqueter des photos représentant différents types de félins — lions, tigres, jaguars, léopards, pumas, lynx, ocelots et chats domestiques — afin qu’un système apprenne à les différencier. Les utilisateurs ordinaires peuvent effectuer cette tâche sans le savoir lorsqu’ils signalent un e-mail comme indésirable, par exemple. L’apprentissage supervisé joue souvent un rôle dans la reconnaissance d’objets, l’analytique prédictive et l’analyse des sentiments.

Apprentissage non supervisé

Ces systèmes apprennent à partir de données qui n’ont pas été classées ou étiquetées par un humain. En termes simples, le système trouve lui-même les schémas et construit un modèle algorithmique — d’où le nom d’« apprentissage non supervisé ».

Dans certains cas, les data scientists utilisent également l’apprentissage semi-supervisé, qui combine les deux approches, ainsi que l’apprentissage par renforcement, qui produit des résultats au moyen d’un programme informatique recevant des « récompenses » positives et négatives à mesure qu’il élabore un modèle.

À lire aussi :L’histoire de l’intelligence artificielle 

Comment les réseaux neuronaux artificiels transforment-ils l’entreprise ?

L’analytique prédictive figure parmi les usages les plus courants des RNA. Un nombre croissant de plateformes logicielles d’entreprise — y compris des frameworks cloud — intègrent l’apprentissage automatique, l’apprentissage profond et d’autres outils qui contribuent à créer des modèles d’IA avancés.

Ce type d’analytique prédictive est souvent utilisé pour des tâches telles que la diffusion de contenus mieux ciblés auprès des clients, la compréhension des plafonds et des approbations de crédit, la création de chatbots et d’autres outils de langage naturel, ainsi que la fourniture de recommandations pour le commerce électronique, les réseaux sociaux et les médias en streaming.

L’analytique prédictive se fait toutefois également sentir dans de nombreux autres secteurs. Dans le domaine de la santé, par exemple, les logiciels enrichis par l’IA orientent les médecins et les autres professionnels vers des résultats pertinents en suggérant des médicaments et des traitements. Dans l’industrie manufacturière, la vision industrielle aide les fabricants à détecter des erreurs et des imperfections que l’œil humain ne verrait pas. Dans la gestion de flottes et la logistique, les logiciels déterminent les itinéraires et la manière d’optimiser les équipements et le carburant, en s’adaptant en temps réel aux conditions météorologiques ou à la circulation. En cybersécurité, les réseaux neuronaux sont de plus en plus utilisés pour détecter les logiciels malveillants et autres comportements suspects sur un réseau.

Ces systèmes s’intègrent également aux usages quotidiens dans le développement logiciel et les entreprises. Dans de nombreux cas, les applications d’entreprise incluent des interfaces glisser-déposer no-code ou low-code qui permettent aux utilisateurs d’assembler des tâches d’IA et d’apprentissage automatique. Les systèmes logiciels générés par l’IA, tels qu’OpenAI Codex, Project Wisdom d’IBM, CodeWhisperer d’Amazon et Copilot de GitHub, se généralisent également. Ils sont entraînés sur d’immenses jeux de données et peuvent générer du code à partir d’une entrée en langage naturel.

En exploitant les ressources du cloud computing, ces systèmes prennent en charge un nombre croissant de tâches — de la création de chatbots et de systèmes de marketing numérique à l’intégration de fonctions d’automatisation dans diverses tâches. Toutefois, Forrester avertit que les gains ne se concrétisent pas sans la plateforme technologique adéquate. Il est essentiel d’investir dans des systèmes prenant en charge l’apprentissage automatique et l’apprentissage profond avancés. Cela implique souvent des clouds fournissant des GPU puissants.

À lire aussi :Les meilleures plateformes d’apprentissage automatique 

Quelles préoccupations éthiques et juridiques existent ?

L’un des problèmes des réseaux neuronaux est que la qualité des informations qu’ils fournissent dépend entièrement de la qualité des données qui leur sont transmises. Outre le risque d’obtenir un système peu performant, les chercheurs ont identifié de nombreux cas de biais implicite, susceptibles d’entraîner des discriminations fondées sur le sexe ou la race.

Cela peut poser des problèmes — notamment des conséquences juridiques — aux compagnies d’assurance, aux prestataires de santé, aux sociétés de services financiers et aux organismes publics. Les entreprises doivent donc examiner attentivement les préoccupations éthiques et juridiques avant de prendre des décisions à l’aide de réseaux neuronaux et de l’apprentissage profond.

Quel est l’avenir des réseaux neuronaux artificiels ?

Des ordinateurs toujours plus puissants et des GPU plus rapides devraient faire progresser les RNA et l’apprentissage profond. Dans les années à venir, ces systèmes stimuleront les avancées dans de nombreux domaines, notamment l’analytique prédictive, les véhicules autonomes, la robotique en essaim, la recherche pharmaceutique, la médecine prédictive, les assistants personnels et les chatbots, la cybersécurité, le développement logiciel, ainsi que l’automatisation de la production et de la chaîne d’approvisionnement.

À mesure que les données s’accumulent — notamment les données issues des capteurs IoT et les progrès de l’informatique en périphérie — de nouveaux cas d’usage apparaîtront également.

À lire aussi :Les tendances de l’analytique des données