Intelligence artificielle : une technologie en pleine évolution

Qu’est-ce qu’un réseau de neurones ?

Les réseaux de neurones, également appelés réseaux de neurones artificiels ou réseaux de neurones simulés, sont un type d’algorithme d’apprentissage machine inspiré de la structure et du fonctionnement du cerveau humain. Ils se composent de nœuds interconnectés, appelés des neurones. Mais qu’est-ce qu’un neurone ? Pour le dire simplement, les neurones qui composent un réseau de neurones d’IA sont des fonctions mathématiques qui traitent l’information reçue (en bord du réseau, comme les synapses) et produisent en résultat une valeur numérique (selon que le neurone est activé ou non).

Dans l’IA, les neurones sont des éléments de logiciel qui travaillent ensemble pour traiter et analyser des données complexes. Chaque neurone reçoit une information provenant de la couche précédente, applique une fonction mathématique à cette information pour ensuite en transmettre le résultat à la couche suivante. Le choix et le paramétrage de ces fonctions mathématiques représentent la principale difficulté de conception d’un réseau de neurones, étant donné que toute sa performance dépend du caractère adéquat du paramétrage pour obtenir le résultat escompté. Ce paramétrage est rendu possible par un processus automatique appelé entraînement.

Inscrivez-vous pour recevoir des ressources et des informations additionnelles sur l’intelligence artificielle et les normes qui y sont associées !

S'abonner *

Almost done! 
You are only one step away from joining the ISO subscriber list. Please confirm your subscription by clicking on the email we've just sent to you. You will not be registered until you confirm your subscription. If you can't find the email, kindly check your spam folder and/or the promotions tab (if you use Gmail).

* Newsletter en anglais

Pour savoir comment vos données seront utilisées, veuillez consulter notre avis de confidentialité.

À quoi les réseaux de neurones servent-ils ?

Longtemps restés à l’état de concept, les réseaux de neurones sont aujourd’hui une technologie qui vient révolutionner toute une variété d’industries. La polyvalence et la puissance qui les caractérisent permettent de multiples applications concrètes qui transforment déjà la manière dont nous utilisons la technologie et dont nous interagissons avec. Ils peuvent par exemple analyser de grandes quantités de données financières et formuler des prédictions concernant les tendances du marché boursier, la solvabilité ou encore la détection des fraudes. Cette capacité a le potentiel d’améliorer significativement les stratégies d’investissement et la gestion du risque.

Dans le secteur de la santé, les réseaux de neurones sont employés pour le diagnostic des maladies, la découverte de médicaments et la médecine personnalisée. Les professionnels de la santé peuvent s’appuyer sur les réseaux de neurones artificiels pour analyser des images médicales, des dossiers de patients et des données génomiques afin d’identifier des schémas et formuler des prédictions. Ainsi, les diagnostics médicaux gagnent en précision et les protocoles de traitement sont davantage personnalisés. Les réseaux de neurones peuvent également contribuer à accélérer le développement de médicaments en permettant l’analyse de très grands ensembles de données.

Les véhicules autonomes représentent un autre domaine d’application des réseaux de neurones, surtout pour la détection d’objets, la navigation et la prise de décision en temps réel, mais également pour l’expérience utilisateur.

Dans le secteur des services, les chatbots optimisés par l’IA bénéficient grandement des réseaux de neurones qui permettent la reconnaissance d’entité, le traitement du langage naturel et l’analyse des sentiments. Les moteurs de recommandation, tels que ceux qui proposent les séries à ne pas rater susceptibles de nous plaire, s’appuient sur des capacités de reconnaissance de schémas et de prédiction.

Comment les réseaux de neurones fonctionnent-ils ?

Les réseaux de neurones ont de ceci fascinant qu’ils s’inspirent du fonctionnement du cerveau humain. Leur structure repose sur quelques éléments clés.

• D’abord, les neurones, qui constituent les unités fondamentales des réseaux de neurones simulés. Ils reçoivent des signaux d’entrée, les traitent au moyen de fonctions d’activation avant de produire des signaux de sortie. Ces neurones artificiels sont interconnectés dans des couches pour former un réseau. La première couche, appelée couche d’entrée, reçoit les données initiales, et la dernière couche, appelée couche de sortie, produit le résultat final. En traitant les entrées provenant de la couche précédente pour ensuite les transmettre à la couche suivante, chaque neurone est un vecteur de circulation du flux d’information à travers le réseau. Le réseau peut également comporter une ou plusieurs couches cachées servant au processus de calcul.
• Les poids font le lien entre les neurones. Ils déterminent la force du signal transmis d’un neurone à l’autre. Les poids sont corrigés en phase d’entraînement du réseau de neurones, de sorte que le modèle puisse apprendre et améliorer sa performance.
• Les fonctions d’activation, qui permettent la non-linéarité du réseau de neurones, aident le réseau à modéliser des relations plus complexes dans les données. Elles déterminent si un neurone doit être activé ou non selon les données d’entrée. Ces fonctions jouent un rôle crucial dans la détermination du comportement et des capacités d’apprentissage des réseaux de neurones.

Les interactions entre ces éléments clés sont à la racine de ce qui définit un réseau de neurones artificiels.

La propagation avant, ou passe avant, est au cœur du fonctionnement d’un réseau de neurones, en ce qu’elle lui permet de formuler des prédictions et de générer des données de sortie. En substance, la propagation avant est un processus simple mais très puissant. Elle consiste à passer les données d’entrée à travers les couches successives de neurones interconnectés, où chaque neurone applique la fonction d’activation à la somme des poids des données d’entrée.

Souvent, la rétropropagation se révèle tout aussi importante. Il s’agit du processus par lequel un réseau de neurones corrige ses poids en réponse aux retours reçus en phase d’entraînement. Son fonctionnement consiste à propager l’erreur à travers le réseau, en la faisant remonter depuis la couche de sortie vers la couche d’entrée, de sorte que chaque neurone puisse corriger son poids en conséquence. La correction itérative des poids en fonction des retours permet au réseau d’améliorer progressivement l’exactitude de ses prédictions et des résultats escomptés.

Comprendre les différents types de réseaux de neurones

Il existe divers types de modèles de réseaux de neurones, chacun étant conçu pour exceller dans l’exécution de tâches prédéfinies, comme la reconnaissance d’image, le traitement du langage naturel ou l’analyse de séries temporelles. Les principaux types de réseaux de neurones artificiels sont les suivants :

• Le réseau de neurones à propagation avant (ou FNN pour feedforward neural network) est un type de réseau de neurones artificiels dans lequel l’information circule dans un seul sens, depuis la couche d’entrée vers la couche de sortie. Ce type de réseau sert généralement à exécuter des tâches comme la reconnaissance de schémas, la classification et la régression.
• Le réseau de neurones convolutif (ou CNN ou convolutional neural network) est, dans la plupart des cas, un réseau de neurones à propagation avant conçu pour traiter des données réticulaires, comme des images ou des vidéos. Le recours à un réseau de neurones convolutif dans l’apprentissage profond s’appuie sur l’application de filtres à des régions localisées de données d’entrée, lui permettant d’apprendre de manière systématique des représentations hiérarchiques de caractéristiques visuelles. Les CNN sont devenus des outils déterminants dans la classification d’images, la détection d’objets et les tâches relatives à la vision artificielle.
• Le réseau de neurones récurrent (ou RNN pour recurrent neural network) est conçu pour traiter des données séquentielles par des boucles de retour. Ce mécanisme permet au réseau de retenir des informations issues d’entrées antérieures pour formuler des prédictions ou prendre des décisions. Les RNN sont largement employés pour l’exécution de tâches comme la modélisation du langage, la reconnaissance vocale et la traduction machine.
• Le réseau de neurones résiduel (ou ResNet pour residual neural network) est un cas particulier de réseau à propagation avant qui permet au réseau de passer outre certaines couches, notamment lorsqu’elles ne contribuent pas à obtenir un meilleur résultat. Ce type de réseau est largement employé dans l’exécution de tâches sémantiques par exemple. Les ResNet sont en fait une technique simple mais efficace pour entraîner des réseaux de neurones d’apprentissage très profond.

Outre ces quelques exemples, il existe bien d’autres types de modèles de réseaux de neurones qui ont une multitude d’applications, comme la génération de données synthétiques, la visualisation de données et l’extraction de caractéristiques et la simulation. Les réseaux de neurones à base radiale, par exemple, sont souvent employés pour l’exécution de tâches d’approximation de fonctions et de classification, notamment lorsque les relations entre les entrées et les sorties sont complexes ou non linaires. Il existe également les réseaux de neurones en graphes qui peuvent servir à analyser les données contenues dans des graphiques.

Comment les réseaux de neurones sont-ils entraînés ?

L’entraînement d’un réseau de neurones à propagation avant consiste en la correction des poids associés à chaque connexion entre neurones. Ce processus nécessite des ensembles de données qui serviront d’exemples à partir desquels le réseau apprend des schémas, des corrélations, et formule des prédictions exactes. La qualité et la diversité des données d’entraînement jouent un rôle primordial dans la capacité du réseau à généraliser et à produire de bons résultats à partir de données inédites.

Il convient toutefois de préciser que l’entraînement d’un modèle de réseau de neurones comporte certaines contraintes intrinsèques :

• Contraintes relatives aux données : l’entraînement d’un réseau de neurones requiert de grandes quantités de données étiquetées, lesquelles ne sont pas toujours facilement accessibles.
• Interprétabilité : les réseaux de neurones sont souvent qualifiés de « boîtes noires » en raison de la forte dimensionnalité (complexité des données) à laquelle s’appliquent les calculs, ce qui rend l’interprétation du raisonnement à l’origine des décisions prises difficile à suivre.
• Ressources informatiques : l’entraînement des réseaux de neurones d’IA peut être très intensif en calcul et donc nécessiter d’importants moyens de calcul et beaucoup de temps. D’autres ressources sont également nécessaires en phase de déploiement.
• Surapprentissage et sous-apprentissage : les réseaux de neurones peuvent être sujets au surapprentissage, lorsqu’ils deviennent trop spécifiques aux données d’entraînement et ne réussissent pas bien à les généraliser à des données nouvelles et inédites. Inversement, lorsqu’un modèle ne parvient pas à saisir des distinctions et des schémas significatifs dans les données, et produit donc de mauvais résultats même sur les données d’entraînement, on parle alors de « sous-apprentissage ».

Avantages et inconvénients des réseaux de neurones

Indépendamment de l’architecture des réseaux de neurones, cette technologie change véritablement la donne par sa capacité à apprendre des schémas, à s’adapter au changement, à exécuter plusieurs actions simultanément et à traiter de grandes quantités de données non organisées. Les principaux avantages des réseaux de neurones sont les suivants :

• Précision de haut niveau : les réseaux de neurones peuvent détecter des schémas complexes susceptibles de passer sous le radar de l’œil humain ou de systèmes fondés sur des règles
• Adaptabilité : les réseaux de neurones peuvent s’adapter à l’évolution des schémas en apprenant continuellement de nouvelles données.
• Évolutivité : les réseaux de neurones peuvent traiter efficacement de grands volumes de données, ce qui en fait un outil idéal pour le traitement en temps réel.

Cependant, si les réseaux de neurones se révèlent être des outils incontestablement puissants qui ont transformé de nombreux secteurs, comme celui des technologies, ils posent aussi certaines difficultés et limites. Il est donc impératif de bien appréhender ces difficultés pour en maximiser tout le potentiel.

En premier lieu, les réseaux de neurones requièrent des ensembles de données pour apprendre et formuler des prédictions exactes. La qualité et la représentativité de ces données sont essentielles à la bonne performance du réseau. Néanmoins, l’acquisition et la préparation de ces ensembles de données peuvent demander beaucoup de temps et de ressources.

Ensuite, la conception et l’optimisation des réseaux de neurones imposent une certaine expertise et une grande puissance de calcul. Le choix de l’architecture idoine, l’affinage des hyperparamètres et l’entraînement du modèle peuvent constituer un processus complexe et itératif. En raison de cette complexité, il peut être difficile, même pour des experts, de mettre en œuvre et d’appliquer des réseaux de neurones efficacement.

Le déploiement de réseaux de neurones peut aussi se heurter à certaines limites, comme l’interprétabilité. En raison de sa complexité, il peut être difficile de comprendre et d’expliquer le processus de prise de décision d’un réseau de neurones. Le manque d’interprétabilité peut poser problème dans des applications critiques, comme la santé et la finance, où la transparence et la responsabilité sont des principes essentiels.

Vers des réseaux d’IA robustes

Il est important d’évaluer la robustesse d’un réseau de neurones pour s’assurer que les systèmes d’IA maintiennent le même niveau de performance en toutes circonstances. Les systèmes de réseau de neurones posent des difficultés particulières en ce qu’ils sont à la fois difficiles à expliquer et sujets à des comportements inattendus du fait de leur nature non linéaire. Il est par conséquent opportun d’envisager le recours aux Normes internationales pour surmonter ces limites et difficultés.

La série de normes ISO/IEC 24029 adopte une approche holistique en traitant à la fois des questions éthiques et des contraintes liées aux technologies émergentes pour permettre une adoption responsable des réseaux de neurones. Pour l’heure, les textes normatifs présentent un aperçu général et proposent une méthodologie pour l’application de méthodes formelles afin d’évaluer la robustesse des propriétés des réseaux de neurones. Cette série de normes d’importance, toujours en cours d’élaboration, pourra servir de point d’ancrage au renforcement de la confiance vis-à-vis des systèmes d’IA à travers le monde.

• ISO/IEC TR 24029-1 Assessment of the robustness of neural networks – Part 1: Overview

  ISO/IEC 24029-2 Assessment of the robustness of neural networks – Part 2: Methodology for the use of formal methods

Les réseaux de neurones sont-ils l’avenir de l’intelligence artificielle ?

Les avancées réalisées dans le domaine des réseaux de neurones offrent une infinité d’opportunités pour gagner en créativité dans la résolution des problèmes, mais le développement de cette technologie doit être responsable, réfléchi et prévoir des garde-fous. À l’instar de toute technologie d’intelligence artificielle, les réseaux de neurones doivent se développer en s’inscrivant dans des principes d’éthique et de responsabilité afin de se mettre au service du progrès humain en réduisant les risques au minimum.

Les Normes internationales peuvent aider les chercheurs, les organismes de réglementation, les utilisateurs et autres parties prenantes à s’accorder sur les besoins, la manière de suivre les progrès réalisés et les bonnes pratiques. Si les avantages que nous constatons déjà sont clairs, pour les hôpitaux ou le confort des foyers par exemple, il reste primordial de nous assurer que les questions de sécurité, de respect de la vie privée et de transparence sont pleinement intégrées au développement de cette technologie. Aussi, ce sera par un langage commun, des indicateurs partagés et une vision unifiée que nous pourrons maximiser le potentiel des réseaux de neurones dans l’intérêt de tous.