Réseau de neurones artificiels : quelles sont leurs capacités ?

Un grand rêve informatique pourrait bientôt voir le jour : des ordinateurs aux capacités largement supérieures à celles du cerveau humain. Ces dernières années, la recherche sur l'intelligence artificielle a réalisé d'énormes progrès. Les réseaux de neurones artificiels sont une technologie cruciale pour permettre aux machines d'apprendre et de « penser » de façon autonome.

Les réseaux de neurones artificiels (Artificial neural networks en anglais) constituent une branche spécifique de la recherche en informatique et en neuro-informatique. Il existe différents types de réseaux de neurones artificiels, offrant différentes possibilités de traitement de l'information.

Les réseaux de neurones artificiels permettent aux ordinateurs de résoudre des problèmes de façon autonome et renforcent leurs capacités d’une manière générale. Certains nécessitent une supervision initiale, en fonction de la méthode d’intelligence artificielle utilisée.

La conception des réseaux de neurones artificiels s'appuie sur la structure des neurones biologiques du cerveau humain.

Les réseaux de neurones artificiels peuvent être décrits comme des systèmes composés d’au moins deux couches de neurones - une couche d’entrée et une couche de sortie - et comprenant généralement des couches intermédiaires (« hidden layers »). Plus le problème à résoudre est complexe, plus le réseau de neurones artificiels doit comporter de couches. Chaque couche contient un grand nombre de neurones artificiels spécialisés.

Au sein d’un réseau de neurones artificiels, le traitement de l’information suit toujours la même séquence : les informations sont transmises sous la forme de signaux aux neurones de la couche d'entrée, où elles sont traitées. À chaque neurone est attribué un « poids » particulier, et donc une importance différente. Associé à la fonction dite de transfert, le poids permet de déterminer quelles informations peuvent entrer dans le système.

À l’étape suivante, une fonction dite d’activation associée à une valeur seuil calculent et pondèrent la valeur de sortie du neurone. En fonction de cette valeur, un nombre plus ou moins grand de neurones sont connectés et activés.

Cette connexion et cette pondération dessinent un algorithme qui fait correspondre un résultat à chaque entrée. Chaque nouvelle itération permet d’ajuster la pondération et donc l’algorithme de façon à ce que le réseau donne à chaque fois un résultat plus précis et fiable.

Les réseaux de neurones artificiels peuvent être utilisés en matière de reconnaissance d’images. Contrairement au cerveau humain, un ordinateur ne peut pas déterminer d’un coup d’œil si une photographie montre un être humain, une plante ou un objet. Il est obligé d’examiner l’image pour en discerner les caractéristiques individuelles. C’est l’algorithme mis en place qui lui permet de savoir quelles caractéristiques sont pertinentes ; à défaut, il peut le découvrir par lui-même grâce à l’analyse des données.

Au sein de chaque couche du réseau de neurones, le système vérifie les signaux d’entrée, c'est-à-dire les images, décomposés en critères individuels tels que la couleur, les angles ou les formes. Chaque nouveau teste permet à l’ordinateur de déterminer avec plus de justesse ce que montre l'image.

Initialement, les résultats sont nécessairement sujets à un certain nombre d’erreurs. Si le réseau de neurones reçoit un retour d’information d’origine humaine qui lui permet ainsi d’adapter son algorithme, on parle d’apprentissage machine. Le concept d’apprentissage profond a pour but d’éliminer le besoin en intervention humaine. Le système apprend alors de sa propre expérience ; il s'améliore à chaque fois qu’une image lui est soumise.

En théorie, on obtient à l’arrivée un algorithme capable d’identifier sans erreur le contenu d’une photographie, qu’elle soit en couleurs ou en noir et blanc, quelle que soit la position du sujet ou l'angle sous lequel il est représenté.

On fait appel à différentes structures de réseaux de neurones artificiels en fonction de la méthode d’apprentissage utilisée et de l’objectif recherché.

À l’origine, la forme la plus simple de réseau neuronal artificiel était composée d’un seul neurone modifié par des pondérations et doté d’une valeur seuil. Désormais, le terme « Perceptron » désigne aussi les réseaux à propagation avant à couche unique.

Un réseau neuronal convolutif est un type de réseau multicouche. Il est composé d’un minimum de cinq couches. Il est procédé sur chacune de ces couches à une reconnaissance de motif. Le résultat obtenu sur chaque couche est transmis à la couche suivante. Ce type de réseau neuronal artificiel est utilisé en matière de reconnaissance d'images.

Pour veiller à ce que les connexions au sein d’un réseau de neurones artificiels soient correctement établies, il faut au préalable procéder à son « entraînement ». On peut distinguer ici deux procédures de base : l’apprentissage supervisé et l’apprentissage non supervisé.

Dans le cadre de l’apprentissage supervisé, un résultat concret est défini pour chacune des différentes options d’entrée. Par exemple, si on présente au système une photographie de chats afin qu’il la reconnaisse, il faut contrôler le fonctionnement du système et donner un retour d’information pour déterminer si l'image est correctement reconnue ou non. Cette méthode permet de modifier les pondérations au sein du réseau de neurones artificiels et d’optimiser l’algorithme.

Dans le cas d’un apprentissage non supervisé, le résultat de la tâche considérée n'est pas prédéterminé. C’est le système lui-même qui tire les conséquences à partir des seules informations saisies, en s’appuyant sur la règle d'apprentissage de Hebb ou la théorie de la résonance adaptative.

Les réseaux de neurones artificiels sont un outil puissant dans les cas où l’on est confronté à une grande quantité de données sans savoir au préalable vers quoi doit s’orienter la solution. On les utilise typiquement dans le domaine de la reconnaissance d’écriture, d’image et de voix, où un système informatique recherche certaines caractéristiques afin de procéder à leur affectation.

Il est également possible d’utiliser des réseaux de neurones artificiels pour procéder à tout type de prévisions ou de simulations. C’est le cas par exemple pour les prévisions météorologiques, les diagnostics médicaux ou les marchés boursiers.

Dans l’industrie, on fait parfois appel à des réseaux de neurones artificiels dans le cadre de technologies de contrôle de l’activité, pour détecter d’éventuels écarts par rapport à des valeurs déterminées et prendre automatiquement des contre-mesures nécessaires, ou pour fixer de façon indépendante des valeurs cibles en tenant compte de l’évaluation des données effectuée par les réseaux.

Le développement de l’apprentissage non supervisé des réseaux de neurones artificiels permet aujourd’hui d’élargir considérablement leurs performances et leur champ d’application. L’exemple très connu d’Alexa, Siri et de l’assistant vocal de Google figure parmi les applications les plus importantes des réseaux de neurones artificiels à apprentissage automatique.

Les réseaux de neurones artificiels ont fait leur apparition dans la sphère publique au cours des dix dernières années dans le cadre du débat sur l’intelligence artificielle, mais la création de la technologie elle-même remonte déjà à plusieurs décennies.

Les premières réflexions sur le sujet datent du début des années 1940. Warren McCulloch et Walter Pitts décrivent à l’époque un modèle basé sur la structure du cerveau humain et connectant des unités élémentaires. L’idée est alors de pouvoir effectuer presque toutes les fonctions arithmétiques. En 1949, Donald Hebb développe la règle d'apprentissage qui portera son nom, utilisée aujourd'hui encore dans le fonctionnement de nombreux réseaux neuronaux.

En 1960, un premier réseau neuronal artificiel trouve une utilisation commerciale d’envergure mondiale en assurant le filtrage d'écho dans les téléphones analogiques. La recherche dans ce domaine connaît par la suite un coup d’arrêt, lié d'une part aux conclusions d’éminents scientifiques qui estimaient que le modèle des réseaux de neurones artificiels ne pouvait pas servir à résoudre des problèmes majeurs, et d'autre part au fait qu'un apprentissage efficace nécessitait de disposer de grandes quantités de données numériques, ce qui n'était pas le cas à l'époque. Ce n’est qu'avec l’avènement du big data que la recherche reprendra le manière conséquente, l'intérêt pour l'intelligence artificielle et les réseaux de neurones artificiels étant à nouveau au plus haut.

Depuis lors, le domaine ne cesse de se développer sur un rythme élevé. Toutefois, aussi prometteurs que soient les résultats qu’ils permettent d’obtenir, les réseaux de neurones artificiels ne sont pas la seule technologie à mettre en œuvre pour soutenir l'intelligence artificielle en informatique. Ils ne constituent qu'une option parmi d'autres, bien qu’ils soient souvent présentés dans le débat public comme la seule façon viable de progresser dans ce domaine.