Réseau neuronal (NN)

Les réseaux neuronaux (RN), souvent appelés réseaux neuronaux artificiels (RNA), sont des modèles informatiques inspirés de la structure et de la fonction complexes du cerveau humain. Ils constituent la pierre angulaire de l'intelligence artificielle (IA) moderne et de l'apprentissage machine (ML), conçus principalement pour reconnaître des modèles complexes dans les données. Ces réseaux alimentent de nombreux systèmes intelligents avec lesquels nous interagissons quotidiennement, qu'il s'agisse d'outils sophistiqués de reconnaissance d'images ou de services avancés de traduction linguistique, et sont fondamentaux dans des domaines tels que la vision artificielle (CV) et le traitement du langage naturel (NLP).

Comprendre les réseaux neuronaux

Un réseau neuronal se compose de couches de nœuds interconnectés, ou neurones. Ces couches comprennent généralement une couche d'entrée qui reçoit des données brutes (comme les valeurs des pixels d'une image ou les mots d'une phrase), une ou plusieurs couches cachées qui traitent les données par le biais de calculs, et une couche de sortie qui produit le résultat final, tel qu'une étiquette de classification ou une valeur prédite. Chaque connexion entre les neurones a un "poids", une valeur numérique qui indique l'importance de la connexion dans les calculs du réseau.

Les neurones traitent leurs entrées combinées à l'aide d'une fonction d'activation, telle que ReLU ou Sigmoïde, qui détermine le signal de sortie qu'ils transmettent à la couche suivante. Le réseau "apprend" en ajustant ces poids au cours d'un processus d'apprentissage, généralement à l'aide d'exemples étiquetés dans un contexte d'apprentissage supervisé. Des algorithmes tels que la descente de gradient et l'algorithme de rétropropagation sont couramment utilisés pour ajuster itérativement les poids afin de minimiser une fonction de perte, qui mesure la différence entre les prédictions du réseau et les valeurs cibles réelles. Une formation de modèle efficace nécessite souvent un réglage minutieux des hyperparamètres et des stratégies décrites dans des guides tels que nos Conseils pour la formation de modèles.

Les modèles utilisant l'apprentissage en profondeur (DL) sont essentiellement des réseaux nationaux avec plusieurs couches cachées (d'où le terme "profond"). Cette profondeur leur permet d'apprendre des modèles très complexes et des caractéristiques hiérarchiques à partir de grands ensembles de données, ce qui les rend exceptionnellement efficaces pour des tâches telles que la détection d'objets et la segmentation d'instances. Contrairement aux modèles ML plus simples tels que la régression linéaire ou les machines à vecteurs de support (SVM) qui peuvent nécessiter une ingénierie manuelle des caractéristiques, les NN excellent dans l'extraction automatique de caractéristiques à partir de données brutes et non structurées telles que des images et du texte.

Types de réseaux neuronaux et distinctions

Si la structure de base décrite ci-dessus s'applique généralement, il existe plusieurs architectures de NN spécialisées :

• Réseaux neuronaux convolutifs (CNN): Particulièrement efficaces pour les données en grille telles que les images. Ils utilisent des couches de convolution pour apprendre des hiérarchies spatiales de caractéristiques. De nombreuses architectures de détection d'objets s'appuient sur les réseaux neuronaux convolutifs.
• Réseaux neuronaux récurrents (RNN): Conçus pour les données séquentielles telles que les textes ou les séries temporelles, ils présentent des connexions qui forment des cycles dirigés, permettant à l'information de persister. Des variantes comme le LSTM sont courantes.
• Les transformateurs: Initialement développés pour des tâches de PNL, ils s'appuient fortement sur des mécanismes d'auto-attention et ont montré des performances remarquables dans divers domaines, y compris la vision(Vision Transformer (ViT)).

Les NN diffèrent considérablement des algorithmes traditionnels tels que les arbres de décision ou les k-voisins les plus proches (KNN), qui fonctionnent selon des principes différents et sont souvent moins adaptés aux données complexes et de haute dimension telles que les images sans prétraitement approfondi.

Applications des réseaux neuronaux

Les réseaux neuronaux sont incroyablement polyvalents et ont été appliqués dans de nombreux domaines. En voici deux exemples clés :

1. Vision par ordinateur (VA) : Les NN, en particulier les CNN, sont la force motrice des avancées majeures dans le domaine de la vision par ordinateur. Ils sont utilisés pour :

   • Classification d'images: Attribution d'une étiquette à une image entière (par exemple, identification d'un chat ou d'un chien).
   • Détection d'objets: Identification et localisation d'objets dans une image à l'aide de boîtes de délimitation, comme le démontrent les modèles YOLO d'Ultralytics tels que YOLO11. Cet aspect est crucial pour des applications telles que l 'IA dans les voitures auto-conduites et la gestion des stocks par l'IA.
   • Segmentation d'images: Classification de chaque pixel d'une image, permettant une compréhension détaillée de la scène pour des tâches telles que l'analyse d'images médicales. Explorez les tâches de segmentation avec la documentation Ultralytics.

2. Traitement du langage naturel (NLP) : Les NN, y compris les RNN et les transformateurs, ont révolutionné la manière dont les machines comprennent et génèrent le langage humain. Parmi les applications, citons

   • Traduction automatique: Traduction automatique d'un texte d'une langue à une autre (par exemple, Google Translate).
   • Analyse des sentiments: Détermination du ton émotionnel du texte (positif, négatif, neutre).
   • Génération de texte: Création de textes semblables à ceux d'un être humain, alimentation de robots de conversation et d'outils de création de contenu basés sur des modèles tels que les modèles BERT et GPT.

Outils et cadres

Le développement et le déploiement des NN sont facilités par divers outils et cadres puissants d'apprentissage profond :

• Bibliothèques : Des frameworks tels que PyTorch et TensorFlow fournissent les éléments de base et les capacités de différenciation automatique nécessaires à l'entraînement des NN. Keras offre une API de haut niveau souvent utilisée avec TensorFlow.
• Plateformes : Ultralytics HUB offre une plateforme pour l'entraînement des modèles YOLO, la gestion des ensembles de données et la rationalisation du processus de déploiement des modèles.
• Modèles : Les modèles pré-entraînés comme ceux de la famille YOLO d'Ultralytics constituent un bon point de départ pour diverses tâches de CV, ne nécessitant souvent qu'un réglage fin sur des ensembles de données spécifiques. Vous trouverez des comparaisons entre les différents modèles YOLO dans notre documentation.

La compréhension des NN est essentielle pour toute personne travaillant dans le domaine de l'IA ou de la ML, car ils constituent la base de nombreuses solutions de pointe dans divers secteurs, de l'IA dans les soins de santé à l'IA dans l'agriculture.