Qu'est-ce qu'un réseau de neurones artificiels? Voici tout ce que vous devez savoir

Si vous avez passé du temps à lire sur intelligence artificielle, vous avez certainement entendu parler des réseaux de neurones artificiels. Mais qu’est-ce qu’un exactement? Plutôt que de vous inscrire à un cours complet d'informatique ou de vous plonger dans certaines des ressources les plus approfondies disponibles disponible en ligne, consultez notre guide pratique destiné au profane pour obtenir une introduction rapide et facile à cette forme étonnante de machine apprentissage.

Qu'est-ce qu'un réseau de neurones artificiels ?

Les réseaux de neurones artificiels sont l’un des principaux outils utilisés en apprentissage automatique. Comme le suggère la partie « neuronale » de leur nom, ce sont des systèmes inspirés du cerveau et destinés à reproduire la façon dont nous, les humains, apprenons. Les réseaux de neurones sont constitués de couches d'entrée et de sortie, ainsi que (dans la plupart des cas) d'une couche cachée composée d'unités qui transforment l'entrée en quelque chose que la couche de sortie peut utiliser. Ce sont d’excellents outils pour trouver des modèles beaucoup trop complexes ou trop nombreux pour qu’un programmeur humain puisse les extraire et apprendre à la machine à les reconnaître.

Alors que les réseaux de neurones (également appelés « perceptrons ») existent depuis les années 1940, ce n’est qu’au cours des dernières décennies qu’ils sont devenus un élément majeur de l’intelligence artificielle. Cela est dû à l’arrivée d’une technique appelée « rétropropagation », qui permet aux réseaux d’ajuster leurs couches cachées de neurones dans des situations où le résultat ne correspond pas à ce que le créateur espère – comme un réseau conçu pour reconnaître les chiens, qui identifie mal un chat, par exemple. exemple.

Une autre avancée importante a été l’arrivée des réseaux neuronaux d’apprentissage profond, dans lesquels différents les couches d'un réseau multicouche extraient différentes fonctionnalités jusqu'à ce qu'il puisse reconnaître ce qu'il recherche pour.

Cela semble assez complexe. Pouvez-vous l'expliquer comme si j'avais cinq ans ?

Pour avoir une idée de base de la façon dont un réseau neuronal d’apprentissage profond apprend, imaginez une chaîne d’usine. Une fois les matières premières (l'ensemble de données) saisies, elles sont ensuite transmises sur la bande transporteuse, chaque arrêt ou couche ultérieur extrayant un ensemble différent de caractéristiques de haut niveau. Si le réseau est destiné à reconnaître un objet, la première couche pourrait analyser la luminosité de ses pixels.

Le calque suivant pourrait alors identifier tous les bords de l’image, sur la base de lignes de pixels similaires. Après cela, un autre calque peut reconnaître les textures et les formes, et ainsi de suite. Au moment où la quatrième ou la cinquième couche sera atteinte, le réseau d’apprentissage profond aura créé des détecteurs de fonctionnalités complexes. Il peut comprendre que certains éléments de l’image (tels qu’une paire d’yeux, un nez et une bouche) se retrouvent généralement ensemble.

Une fois cela fait, les chercheurs qui ont formé le réseau peuvent attribuer des étiquettes aux résultats, puis utiliser la rétropropagation pour corriger les erreurs commises. Au bout d'un certain temps, le réseau peut effectuer ses propres tâches de classification sans avoir besoin de l'aide humaine à chaque fois.

Au-delà de cela, il existe différents types d'apprentissage, tels que supervisé ou apprentissage non supervisé ou apprentissage par renforcement, dans lequel le réseau apprend par lui-même en essayant de maximiser son score - comme l'a réalisé de manière mémorable Le robot de jeu Atari de Google DeepMind.

Combien de types de réseaux neuronaux existe-t-il ?

Il existe plusieurs types de réseaux neuronaux, chacun ayant ses propres cas d'utilisation et niveaux de complexité spécifiques. Le type de réseau neuronal le plus basique est ce qu'on appelle un réseau neuronal à action directe, dans lequel l’information circule dans une seule direction, de l’entrée à la sortie.

Un type de réseau plus largement utilisé est le réseau neuronal récurrent, dans lequel les données peuvent circuler dans plusieurs directions. Ces réseaux neuronaux possèdent de plus grandes capacités d’apprentissage et sont largement utilisés pour des tâches plus complexes telles que l’apprentissage de l’écriture manuscrite ou la reconnaissance d’une langue.

Il y a aussi réseaux de neurones convolutifs, Réseaux de machines Boltzmann, Réseaux Hopfield, et bien d’autres encore. Le choix du réseau adapté à votre tâche dépend des données avec lesquelles vous devez l'entraîner et de l'application spécifique que vous avez en tête. Dans certains cas, il peut être souhaitable d’utiliser plusieurs approches, comme ce serait le cas pour une tâche complexe comme la reconnaissance vocale.

Quels types de tâches un réseau de neurones peut-il effectuer ?

Une analyse rapide de nos archives suggère que la bonne question ici devrait être « quelles tâches ne peut pas un réseau de neurones? Depuis faire rouler les voitures de manière autonome sur les routes, à générer des visages CGI incroyablement réalistes, à la traduction automatique, à la détection des fraudes, à lire dans nos pensées, à reconnaître quand un le chat est dans le jardin et allume les arroseurs; Les réseaux neuronaux sont à l’origine de bon nombre des plus grandes avancées en matière d’IA.

D’une manière générale, cependant, ils sont conçus pour détecter des modèles dans les données. Les tâches spécifiques peuvent inclure la classification (classification des ensembles de données dans des classes prédéfinies), le clustering (classification des données dans des classes prédéfinies). différentes catégories non définies) et la prédiction (en utilisant des événements passés pour deviner les futurs, comme la bourse ou la boîte de cinéma bureau).

Comment « apprennent-ils » exactement des choses ?

De la même manière que nous apprenons de l’expérience de notre vie, les réseaux de neurones ont besoin de données pour apprendre. Dans la plupart des cas, plus un réseau neuronal peut envoyer de données, plus il deviendra précis. Pensez-y comme à n’importe quelle tâche que vous effectuez encore et encore. Au fil du temps, vous devenez progressivement plus efficace et faites moins d’erreurs.

Lorsque des chercheurs ou des informaticiens entreprennent de former un réseau neuronal, ils divisent généralement leurs données en trois ensembles. Le premier est un ensemble de formation qui aide le réseau à établir les différents poids entre ses nœuds. Après cela, ils l’affinent à l’aide d’un ensemble de données de validation. Enfin, ils utiliseront un ensemble de tests pour voir s’il peut réussir à transformer l’entrée en sortie souhaitée.

Les réseaux de neurones ont-ils des limites ?

Sur le plan technique, l'un des plus grands défis est le temps nécessaire à la formation des réseaux, qui peut nécessiter une puissance de calcul considérable pour des tâches plus complexes. Le plus gros problème, cependant, est que les réseaux de neurones sont des « boîtes noires », dans lesquelles l’utilisateur introduit des données et reçoit des réponses. Ils peuvent affiner les réponses, mais ils n’ont pas accès au processus décisionnel exact.

C'est un problème que plusieurs chercheurs se posent travaille activement sur, mais cela deviendra de plus en plus urgent à mesure que les réseaux de neurones artificiels joueront un rôle de plus en plus important dans nos vies.

Recommandations des rédacteurs

• Ordinateurs portables à chargement USB-C: voici ce que vous devez savoir
• Qu’est-ce que le GDDR7? Tout ce que vous devez savoir sur la VRAM de nouvelle génération
• Remplacement de la batterie du MacBook Pro: tout ce qu'il faut savoir
• Qu'est-ce que le Wi-Fi 7: tout ce que vous devez savoir sur le 802.11be
• YouTube déploie des identifiants. Voici ce que vous devez savoir