Bayesian Network

Un réseau bayésien est un type de modèle graphique probabiliste qui utilise un graphe orienté acyclique (DAG) pour représenter un ensemble de variables et leurs dépendances conditionnelles. Contrairement aux algorithmes « boîte noire » qui associent simplement des entrées à des sorties, ces réseaux modélisent explicitement les relations de cause à effet entre différents facteurs. Cette structure permet aux data scientists d'effectuer de la modélisation prédictive et du raisonnement dans l'incertitude, les rendant extrêmement efficaces pour des scénarios où les données peuvent être incomplètes ou là où les connaissances expertes du domaine doivent être combinées avec des preuves statistiques.

Link to this sectionConcepts clés et pertinence#

Au cœur de ces réseaux se trouve le théorème de Bayes, une formule mathématique utilisée pour mettre à jour les probabilités d'une hypothèse à mesure que davantage de preuves ou d'informations deviennent disponibles. Dans un réseau bayésien, les nœuds représentent des variables — telles qu'un symptôme, une lecture de capteur ou une étiquette de classification — tandis que les arêtes (flèches) représentent des dépendances probabilistes. Si un lien existe du nœud A vers le nœud B, cela indique que A a une influence directe sur B. Cette architecture est cruciale pour l'IA explicable (XAI) car elle permet aux utilisateurs de retracer le chemin de raisonnement du modèle, offrant une transparence souvent difficile à obtenir avec des architectures complexes de deep learning.

Ces modèles sont particulièrement pertinents dans les domaines nécessitant une évaluation rigoureuse des risques. En utilisant des distributions de probabilité conditionnelle, un réseau bayésien peut répondre à des requêtes sur l'état d'une variable spécifique étant donné les preuves observées sur d'autres. Ce processus, souvent appelé inférence probabiliste, se distingue de l'approximation de fonction effectuée par les réseaux de neurones standard.

Link to this sectionApplications concrètes#

Les réseaux bayésiens sont largement déployés dans les secteurs où la prise de décision nécessite de peser de multiples facteurs incertains.

1. Diagnostics médicaux : Dans le domaine de l'IA dans la santé, ces réseaux sont utilisés pour soutenir les systèmes d'aide à la décision clinique. Un réseau peut modéliser les relations entre des maladies (variables cachées) et des symptômes ou des résultats de tests (variables observées). Par exemple, l'analyse d'images médicales peut fournir des preuves qui mettent à jour la probabilité d'un diagnostic spécifique, aidant les médecins à naviguer dans des historiques de patients complexes.

2. Diagnostic des pannes industrielles : Au sein de l'IA dans la fabrication, les réseaux bayésiens sont essentiels pour la détection d'anomalies et l'analyse des causes profondes. Si un système de fabrication intelligente détecte une lecture de température inhabituelle, le réseau peut calculer la probabilité a posteriori de défaillance pour divers composants de la machine, guidant efficacement les équipes de maintenance.

Link to this sectionDifférenciation des concepts associés#

Il est important de distinguer les réseaux bayésiens des autres modèles statistiques et d'apprentissage automatique :

• Classificateur Naive Bayes : Il s'agit d'un cas simplifié et particulier de réseau bayésien. L'hypothèse « naïve » est que toutes les caractéristiques prédictives sont mutuellement indépendantes étant donné la variable de classe. Bien qu'efficace sur le plan computationnel pour des tâches comme l'analyse de sentiment, il ne peut pas capturer les interdépendances complexes qu'un réseau bayésien complet peut gérer.
• Processus de décision markovien : Bien que les deux utilisent des structures de graphes, les MDP sont principalement utilisés dans l'apprentissage par renforcement pour modéliser une prise de décision séquentielle dans le temps, tandis que les réseaux bayésiens se concentrent généralement sur les relations probabilistes entre les variables à un instant T.
• Modèles de deep learning (par ex. YOLO) : Les modèles comme YOLO26 sont optimisés pour des tâches perceptuelles de haute dimension comme la détection d'objets. Ils apprennent des représentations de caractéristiques abstraites à partir de données brutes (pixels). En revanche, les réseaux bayésiens sont mieux adaptés au raisonnement de haut niveau avec des variables structurées.

Link to this sectionSortie probabiliste dans l'IA moderne#

Bien que les réseaux bayésiens traitent des graphes causaux explicites, les modèles modernes de deep learning produisent également des scores de confiance probabilistes qui reflètent la certitude. Lors de l'utilisation d'outils comme la plateforme Ultralytics pour entraîner des modèles sur des datasets personnalisés, la compréhension de ces probabilités est essentielle pour interpréter les performances du modèle.

Le code Python suivant montre comment accéder à la distribution de probabilité (confiance) pour une tâche de classification en utilisant un modèle pré-entraîné. Cela illustre comment la certitude est quantifiée dans un flux de travail d'inférence moderne.

from ultralytics import YOLO

# Load the YOLO26n-cls classification model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image source
# This returns a results object containing probability data
results = model("https://ultralytics.com/images/bus.jpg")

# Iterate through results to display class probability
for result in results:
    # Access the 'probs' attribute for classification probabilities
    top_class_index = result.probs.top1
    confidence = result.probs.top1conf
    print(f"Predicted Class Index: {top_class_index}, Confidence: {confidence:.4f}")