Qu’est-ce qu’un réseau neuronal ?
7 minutes
Un réseau neuronal est un groupe de neurones qui reçoivent des informations en entrée et qui, combinées à d’autres informations, produisent des résultats qui ne sont pas régis par des règles. En substance, ils résolvent les problèmes par tâtonnements et par essais.
Les réseaux neuronaux s’inspirent des cerveaux humain et animal. Bien que les réseaux neuronaux soient suffisamment sophistiqués pour battre des concurrents humains dans des jeux tels que les échecs ou le go, ils ne possèdent pas encore de capacités cognitives.
Les réseaux neuronaux sont constitués d’éléments.
Un réseau neuronal est constitué de nœuds de traitement fortement connectés, comme les neurones que l’on trouve dans le cerveau. Chaque nœud est connecté à d’autres nœuds dans une variété de niveaux au-dessus et au-dessous de lui. Ces nœuds transfèrent les données à travers le réseau selon le principe de l’anticipation, ce qui signifie que les données ne sont déplacées que dans une seule direction. Chaque nœud « s’allume » comme un neurone lorsqu’il transmet des données au nœud suivant.
Un réseau neuronal de base se compose d’une couche d’entrée, d’une couche de sortie et d’une couche cachée entre les deux. Un réseau qui comporte plus de trois couches comprenant la sortie et l’entrée est appelé réseau d’apprentissage profond. Dans un réseau d’apprentissage profond, chaque couche de nœuds apprend des données en fonction de la sortie de la couche qui la précède. Plus le nombre de couches est élevé, plus la capacité à détecter des informations plus complexes en utilisant les données des couches précédentes est importante.
Le réseau prend ses décisions en attribuant à chaque nœud un nombre spécifique appelé « poids ». Le poids est la valeur de l’information qui est attribuée à un nœud particulier (c’est-à-dire son utilité pour séparer correctement l’information). Lorsqu’un nœud reçoit des informations d’autres nœuds, il calcule le poids ou la valeur totale des informations. Si le poids est supérieur à un montant spécifié, l’information est envoyée à la couche suivante. Si le poids est inférieur au seuil, les données ne sont pas transmises.
Dans un réseau neuronal qui a été formé, les seuils et les poids sont définis par des nombres aléatoires. Lorsque les données de formation sont transmises à la couche d’entrée, les seuils et les poids sont affinés pour garantir des sorties exactes.
Comment fonctionne un réseau neuronal ?
Qu’il soit artificiel ou biologique, la force d’un réseau neuronal réside dans la façon dont les neurones individuels sont reliés pour former un système qui est plus que ses composants.
Chaque neurone prend des décisions simples basées sur des calculs mathématiques. Ensemble, plusieurs neurones sont capables d’analyser des problèmes complexes et de fournir des réponses précises. Un réseau neuronal superficiel est composé d’une couche d’entrée, d’une couche cachée et d’une couche de sortie. Les réseaux neuronaux profonds sont composés de plusieurs couches cachées, ce qui rend plus complexes les problèmes qu’ils peuvent résoudre.
Un réseau neuronal apprend à accomplir une tâche par l’examen d’exemples de formation étiquetés. Les échantillons doivent être étiquetés pour que le réseau neuronal soit capable de différencier les caractéristiques grâce à des modèles visuels liés aux étiquettes.
Un réseau neuronal sert trois objectifs :
- Notation entrée
- Calcul de la perte
- Mise à jour du modèle qui recommence le processus
Un réseau neuronal agit comme une boucle de rétroaction corrective qui donne plus de poids aux données, ce qui permet d’obtenir des prédictions correctes, et moins de poids aux informations qui peuvent entraîner des erreurs. Une fonction appelée rétropropagation aide le réseau à reconnaître les réponses correctes et à éliminer les fausses.
Quelques exemples concrets
Les réseaux neuronaux sont généralement utilisés pour organiser et regrouper des données brutes et non étiquetées du monde réel. Ils fonctionnent dans les coulisses de technologies courantes, telles que les comparaisons d’images en ligne et les instruments de prise de décision financière utilisés par les grandes entreprises. Un réseau neuronal peut également détecter des modèles dans l’historique de navigation afin de créer des recommandations pour les utilisateurs.
Classification
Les réseaux neuronaux excellent généralement dans la classification des tâches qui nécessitent des données étiquetées pour l’apprentissage supervisé.
Par exemple, les réseaux neuronaux peuvent détecter des modèles visuels dans des milliers d’images et appliquer des étiquettes rapidement et de manière cohérente. Grâce à la formation, ils deviennent aptes à résoudre des problèmes complexes et difficiles. Le spécialiste des données n’a pas à programmer le réseau neuronal pour qu’il inclue des caractéristiques permettant de distinguer les chats des chiens. Le réseau neuronal apprend à reconnaître lui-même les caractéristiques les plus importantes.
Un réseau neuronal peut être formé pour catégoriser n’importe quelle donnée à l’aide d’une étiquette appropriée correspondant aux informations qu’il peut étudier.
Regroupement
S’ils sont excellents pour identifier les différences, ils sont également efficaces pour le regroupement de données ou pour la détection de similitudes. Les réseaux d’apprentissage neuronaux peuvent analyser des millions d’éléments de données, puis regrouper les données en fonction de leur similarité. Cette méthode peut être appliquée aux courriels, aux images ou aux messages vocaux, ainsi qu’aux articles d’actualité.
Cela peut également être utile pour identifier des anomalies ou d’autres éléments qui ne correspondent pas aux caractéristiques du groupe. Par exemple, le clustering est utilisé pour repérer un comportement inhabituel – comme la fraude, en identifiant les informations qui ne correspondent pas aux actions les plus couramment utilisées.
Régressions d’analyse prédictive
Le clustering et la classification permettent de faire une prédiction immuable, comme une image qui correspond à la médaille du chien. L’identification ne changera pas avec le temps. L’analyse de régression donne aux réseaux neuronaux la capacité de prévoir un état futur des choses sur la base des événements passés. Les événements futurs sont simplement un point de données.
Par exemple, les réseaux neuronaux sont capables d’analyser les chiffres d’une chaîne de caractères et de prédire le nombre le plus probable qui se produira. Ils sont capables d’appliquer cet algorithme à des événements plus complexes, par exemple pour prévoir quand un client quittera un magasin ou quand une pièce d’équipement de fabrication est le plus susceptible de tomber en panne.
L’analyse de régression est la base de l’analyse prédictive. L’analyse de régression est la méthode par laquelle les spécialistes des données peuvent analyser la relation entre la variable dépendante (le résultat) et une ou plusieurs variables indépendantes (l’entrée). L’analyse de régression peut identifier tout lien significatif entre les variables indépendantes et la variable dépendante, ainsi que l’étendue ou la force de l’impact. Autrement dit, si les variables indépendantes changent, de combien et comment les variables dépendantes changent-elles ?
Un réseau neuronal de base utilise la régression linéaire pour gérer une seule entrée, et une seule sortie. La régression linéaire multiple est utilisée avec une variété de variables d’entrée. Dans ce scénario, chaque nœud du réseau exécute une régression linéaire multiple, qui pondère chaque élément de données individuel lors de son déplacement dans les couches. Le réseau évalue les entrées et tente de réduire les erreurs.
Chaque nœud est une bascule qui autorise ou refuse les entrées des nœuds voisins dans le réseau. La régression non linéaire déplace les données à travers le réseau jusqu’à ce qu’elles atteignent le niveau final du réseau.
Les réseaux neuronaux utilisent des techniques comme la rétropropagation et la descente de gradient pour améliorer leurs algorithmes et découvrir le meilleur modèle de régression.
L’utilisation des réseaux neuronaux
Les réseaux neuronaux font partie intégrante du processus de développement des applications d’apprentissage automatique et d’intelligence artificielle. Pour l’instant, ils ne sont pas en mesure d’égaler les capacités cognitives d’un enfant de quatre ans. Cependant, ils sont utilisés pour la reconnaissance faciale et la traduction de langues, ainsi que pour des projets artistiques comme la création de nouvelles couleurs.
La croissance rapide de l’intelligence artificielle est due à la baisse des coûts de l’informatique en nuage et des unités de traitement graphique qui gèrent le flux de données nécessaire à la formation. La grande disponibilité d’images étiquetées et d’autres données permet une formation plus rapide et plus facile.
Les capacités de regroupement, de classification et de prise de décision prédictive ont conduit à l’application des réseaux neuronaux dans la recherche et le développement, la publicité, le commerce électronique, le service clientèle, la maintenance préventive et de nombreux autres domaines. Les réseaux neuronaux examinent des images du ciel nocturne pour trouver de nouvelles informations astronomiques. Les filtres de messagerie distinguent intelligemment les courriels importants et non importants ainsi que les messages vocaux. En conjonction avec des capteurs IoT (internet des objets), un système d’analyse prédictive est capable de prévoir le moment où une pompe hydraulique sur une machine industrielle devra être réparée avant qu’elle ne soit endommagée.
