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 en « boîte noire » qui se contentent de faire correspondre 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 en situation d'incertitude, ce qui les rend particulièrement efficaces lorsque les données peuvent être incomplètes ou qu'il est nécessaire de combiner des connaissances expertes du domaine avec des données statistiques.

Concepts fondamentaux 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 de nouvelles preuves ou informations deviennent disponibles. Dans un réseau bayésien, les nœuds représentent des variables — comme un symptôme, une mesure 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 exerce une influence directe sur B. Cette architecture est essentielle pour l'IA explicable (XAI), car elle permet aux utilisateurs de retracer le cheminement du raisonnement du modèle, offrant une transparence souvent difficile à atteindre avec des architectures complexes d'apprentissage profond.

Ces modèles sont particulièrement pertinents dans les domaines qui exigent une évaluation rigoureuse des risques. En utilisant des distributions de probabilité conditionnelle, un réseau bayésien peut répondre à des questions sur l'état d'une variable donnée à partir de preuves observées concernant d'autres variables. Ce processus, souvent appelé inférence probabiliste, se distingue de l'approximation de fonctions réalisée par les réseaux neuronaux standard.

Applications concrètes#

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

1. Diagnostics médicaux : dans le domaine de l'IA dans le secteur de la santé, ces réseaux servent à soutenir les systèmes d'aide à la décision clinique. Un réseau peut modéliser les relations entre les maladies (variables cachées) et les symptômes ou les résultats d'examens (variables observées). Par exemple, l'analyse d'images médicales peut fournir des éléments qui mettent à jour la probabilité d'un diagnostic précis, aidant ainsi les médecins à prendre en charge des antécédents médicaux complexes.

2. Diagnostic des défaillances industrielles : dans le domaine de l'IA dans la fabrication, les réseaux bayésiens jouent un rôle essentiel dans la détection des anomalies et l'analyse des causes profondes. Si un système de fabrication intelligente détecte une mesure de température inhabituelle, le réseau peut calculer la probabilité a posteriori de défaillance de différents composants de la machine, afin d'orienter efficacement les équipes de maintenance.

Distinction par rapport aux concepts connexes#

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

• Classifieur bayésien naïf : il s'agit d'un cas particulier simplifié d'un réseau bayésien. L'hypothèse « naïve » est que toutes les caractéristiques prédictives sont mutuellement indépendantes étant donné la variable de classe. Bien qu'il soit efficace sur le plan computationnel pour des tâches comme l'analyse des sentiments, il ne peut pas représenter les interdépendances complexes qu'un réseau bayésien complet peut prendre en compte.
• Processus décisionnel de Markov : bien que les deux utilisent des structures en graphe, les MDP sont principalement utilisés en apprentissage par renforcement pour modéliser la prise de décision séquentielle au fil du temps, tandis que les réseaux bayésiens se concentrent généralement sur les relations probabilistes entre les variables à un instant donné.
• Modèles d'apprentissage profond (par exemple, YOLO) : les modèles comme YOLO26 sont optimisés pour des tâches perceptuelles de grande dimension telles que la détection d'objets. Ils apprennent des représentations abstraites des caractéristiques à partir de données brutes (pixels). En revanche, les réseaux bayésiens sont mieux adaptés au raisonnement de haut niveau avec des variables structurées.

Sortie probabiliste dans l'IA moderne#

Bien que les réseaux bayésiens reposent sur des graphes causaux explicites, les modèles modernes d'apprentissage profond produisent également des scores de confiance probabilistes qui reflètent le degré de certitude. Lors de l'utilisation d'outils tels que la plateforme Ultralytics pour entraîner des modèles sur des jeux de données personnalisés, il est essentiel de comprendre ces probabilités pour interpréter les performances du modèle.

Le code Python suivant montre comment accéder à la distribution de probabilités (confiance) pour une tâche de classification à l'aide d'un modèle préentraîné. Il illustre la manière dont la certitude est quantifiée dans un flux de travail moderne d'inférence.

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}")