Réseau neuronal (NN)

Un réseau neuronal (NN) est un modèle computationnel au cœur de l' intelligence artificielle (IA) conçu pour reconnaître des modèles, interpréter des données sensorielles et regrouper des informations. Inspirés de la structure biologique du cerveau humain , ces réseaux sont constitués de nœuds interconnectés, ou « neurones », organisés en couches. Alors qu'un cerveau biologique utilise des signaux chimiques pour communiquer entre les synapses, un réseau neuronal numérique utilise des opérations mathématiques pour transmettre des informations. Ces systèmes constituent la technologie fondamentale qui sous-tend l'apprentissage automatique (ML) moderne , permettant aux ordinateurs de résoudre des problèmes complexes tels que la reconnaissance faciale, la traduction de langues et la conduite de véhicules autonomes sans être explicitement programmés pour chaque règle spécifique.

Réseaux neuronaux et apprentissage profond

Bien que ces termes soient souvent utilisés de manière interchangeable, il est important de faire la distinction entre un réseau neuronal de base et l' apprentissage profond (DL). La principale différence réside dans la profondeur et la complexité. Un réseau neuronal standard ou « peu profond » peut ne comporter qu'une ou deux couches cachées entre l' entrée et la sortie. En revanche, l'apprentissage profond implique des réseaux neuronaux « profonds » comportant des dizaines, voire des centaines de couches. Cette profondeur permet l' extraction automatique des caractéristiques, permettant au modèle de comprendre les modèles hiérarchiques : les contours simples deviennent des formes, et les formes deviennent des objets reconnaissables. Pour une analyse technique plus approfondie, MIT News explique l'apprentissage profond et son évolution à partir des réseaux de base.

Comment les réseaux neuronaux apprennent

Le processus d'« apprentissage » dans un réseau neuronal consiste à ajuster les paramètres internes afin de minimiser les erreurs. Les données entrent par une couche d'entrée, passent par une ou plusieurs couches cachées où des calculs sont effectués, puis sortent par une couche de sortie sous forme de prédiction.

• Weights and Biases: chaque connexion entre neurones a un « poids » qui détermine la force du signal. Pendant l'entraînement, le réseau ajuste ces poids en fonction des données d'entraînement.
• Fonctions d'activation : pour décider si un neurone doit « se déclencher » ou s'activer, le réseau utilise une fonction d'activation telle que ReLU ou Sigmoid. Cela introduit une non-linéarité, permettant au réseau d'apprendre des limites complexes.
• Rétropropagation : lorsque le réseau fait une prédiction, il compare le résultat à la réponse correcte réelle. S'il y a une erreur, un algorithme appelé rétropropagation envoie un signal en arrière à travers le réseau pour affiner les poids, améliorant ainsi la précision au fil du temps.
• Optimisation : des algorithmes tels que la descente stochastique du gradient (SGD) permettent de trouver l'ensemble optimal de poids afin de minimiser la fonction de perte. Pour en savoir plus sur les algorithmes d'optimisation sur AWS, cliquez ici.

Applications concrètes

Les réseaux neuronaux sont les moteurs de nombreuses technologies qui définissent l'ère moderne.

1. Vision par ordinateur : dans le domaine de la vision par ordinateur (CV), des réseaux spécialisés appelés réseaux neuronaux convolutifs (CNN) sont utilisés pour analyser les données visuelles. Des modèles avancés tels que Ultralytics utilisent des architectures de réseaux neuronaux profonds pour la détection d'objets en temps réel. Ces systèmes sont essentiels pour l' IA dans l'agriculture, où ils surveillent la santé des cultures , et dans les systèmes de sécurité pour la détection d'anomalies.
2. Traitement du langage naturel : pour les tâches impliquant du texte, des architectures telles que les réseaux neuronaux récurrents (RNN) et les transformateurs ont révolutionné la manière dont les machines comprennent le langage humain. Ces réseaux alimentent les outils de traduction automatique et les assistants virtuels. Vous pouvez constater l'impact de ces technologies dans le domaine de l' IA appliquée à la santé, où elles aident à la transcription des notes médicales et à l'analyse des dossiers des patients.
3. Analyse prédictive : les entreprises utilisent les réseaux neuronaux pour l'analyse de séries chronologiques afin de prévoir les cours boursiers ou les besoins en stocks. IBM fournit un excellent aperçu des réseaux neuronaux dans l'analyse commerciale.

Mise en œuvre pratique

Les bibliothèques logicielles modernes permettent de déployer des réseaux neuronaux sans avoir à écrire les opérations mathématiques à partir de zéro. Des outils tels que le Plate-forme Ultralytics permettre aux utilisateurs de former facilement ces réseaux sur des ensembles de données personnalisés. Le Python suivant montre comment charger un réseau neuronal pré-formé (plus précisément le modèle de pointe YOLO26) et exécuter une inférence sur une image à l'aide de la fonction ultralytics l'emballage.

from ultralytics import YOLO

# Load a pretrained YOLO26 neural network model
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

Défis et considérations

Bien que puissants, les réseaux neuronaux présentent des défis spécifiques. Ils nécessitent généralement de grandes quantités de données étiquetées pour l' apprentissage supervisé. Sans une diversité suffisante des données, un réseau est sujet au surajustement, c'est-à-dire qu'il mémorise les exemples d'entraînement plutôt que d'apprendre à généraliser. De plus, les réseaux neuronaux profonds sont souvent qualifiés de « boîtes noires », car il peut être difficile d'interpréter exactement comment ils sont parvenus à une décision spécifique , ce qui a suscité des recherches sur l' IA explicable (XAI). Des organisations telles que l' IEEE Standards Association travaillent activement à l'élaboration de normes visant à garantir une utilisation éthique et sûre de ces puissants réseaux.