FRENES

Glossaire · Entraînement et apprentissage

Réseau de neurones

Un réseau de neurones est un modèle informatique composé d’unités de calcul reliées entre elles et organisées selon une architecture. Il transforme des données à l’aide de paramètres généralement ajustés pendant un entraînement, afin d’effectuer une tâche comme reconnaître une image, estimer une valeur ou produire du texte.

Réseau de neurones : l'explication

Chaque unité reçoit des valeurs, les combine selon des coefficients et applique généralement une transformation. Les résultats passent ensuite à d’autres unités selon l’organisation du réseau. Pendant l’apprentissage, une méthode d’optimisation modifie les paramètres pour améliorer un objectif défini. Selon l’architecture, le réseau peut traiter des images, des suites de mots ou d’autres données. Les mécanismes précis varient, mais ils reposent sur des opérations mathématiques plutôt que sur des cellules biologiques ou une activité mentale humaine.

Le nom s’inspire de manière simplifiée des connexions entre neurones biologiques, sans reproduire fidèlement un cerveau. Les réseaux servent à apprendre des relations difficiles à décrire avec des règles explicites. Dans vos outils, ils peuvent reconnaître une commande vocale, classer une photo ou participer à un assistant rédactionnel. Ils constituent une famille de modèles parmi d’autres. Tous les logiciels d’intelligence artificielle ne sont pas des réseaux de neurones, et tous les réseaux ne génèrent pas du contenu.

L’architecture, les données et la méthode d’entraînement influencent ensemble les capacités. Un réseau peut réussir sur ses exemples d’apprentissage et échouer sur de nouveaux cas : il a alors mal généralisé. Ses paramètres ne sont pas non plus une base de faits dont chaque élément serait directement consultable. Il peut mémoriser certaines informations, apprendre des relations utiles et produire des erreurs. Comprendre sa structure générale ne suffit donc pas à expliquer chaque résultat ou à garantir sa fiabilité.

Un exemple concret

Vous photographiez un document avec une application qui reconnaît le texte. Un ou plusieurs réseaux de neurones peuvent contribuer à repérer les caractères et à interpréter leur disposition. Une ombre ou une écriture inhabituelle entraîne parfois une mauvaise lecture. Vous vérifiez particulièrement les numéros de facture et les montants avant de les exporter. L’application reconnaît des régularités visuelles, mais elle ne comprend pas nécessairement la portée administrative du document.

Pourquoi c'est important

Le terme vous aide à distinguer le modèle de l’application qui l’utilise. La présence d’un réseau de neurones ne garantit ni intelligence générale ni compréhension fiable. Pour choisir un outil, regardez les erreurs sur vos données, les possibilités de contrôle et les conditions d’utilisation. La taille ou la complexité du réseau apporte une information technique, mais ne remplace pas une évaluation du service complet.

Idées reçues

  • Un réseau de neurones artificiel n’est pas une reproduction fidèle du cerveau humain, car ses unités sont des opérations mathématiques simplifiées et son organisation ne suffit pas à lui attribuer conscience, émotions ou compréhension comparable à la vôtre.
  • Un réseau entraîné n’est pas une base de données classique dans laquelle chaque réponse serait rangée séparément, même s’il peut mémoriser certains exemples et parfois reproduire des informations présentes dans les données utilisées pendant son apprentissage.

Autres termes : entraînement et apprentissage

fine-tuning
Le fine-tuning est un entraînement supplémentaire qui adapte un modèle déjà entraîné à des tâches, des comportements ou un domaine particuliers.
apprentissage automatique
L’apprentissage automatique est une branche de l’intelligence artificielle qui permet de construire des modèles à partir de données plutôt que de définir manuellement chaque règle de décision.
apprentissage profond
L’apprentissage profond est une famille de méthodes d’apprentissage automatique qui utilise des réseaux de neurones comportant plusieurs couches de traitement.

Où le site en parle

Le terme apparaît dans 8 pages du site. Quelques-unes :

Pour aller plus loin

Questions fréquentes

Tous les réseaux sont-ils profonds ?

Non. Les réseaux de neurones peuvent avoir des architectures plus ou moins complexes. L’apprentissage profond concerne ceux qui utilisent plusieurs couches de traitement. Le nombre de couches ne suffit toutefois pas à prévoir la qualité sur une tâche.

Que sont les poids ?

Les poids sont des paramètres numériques qui règlent l’influence des valeurs transmises dans le réseau. L’entraînement les ajuste pour améliorer un objectif. Ils fonctionnent ensemble et ne correspondent généralement pas chacun à un fait ou à une règle compréhensible.

Peut-on expliquer chaque décision ?

Pas toujours de manière complète et simple. Des méthodes permettent d’étudier les entrées importantes ou certains mécanismes, mais leurs explications ont des limites. Une justification produite par le modèle ne constitue pas automatiquement une analyse fidèle de son fonctionnement.

Neutralité. Aucun lien d'affiliation. Aucun éditeur ne paie pour être évalué, noté ou classé. Les évaluations sont dirigées par François Chollet, neutres et factuelles, et chaque donnée est datée et sourcée. Comment nous notons