Part 1 : Les réseaux de neurones artificielles

Qu’est ce qu’un réseau de neurones ?

Le terme “Neurone” est dérivé de l’élément du même nom qui compose le système nerveux humain. On les appelle également les cellules nerveuses présentes dans le cerveaux et les autres parties du corps.

Structure des neurones dans le cerveau

La cellule nerveuse typique du cerveau humain est composée de 4 parties.

• Dendrite  — Il reçoit les signaux des autres neurones en entrée.
• Soma (Corp cellulaire)  — Il additionne tous les signaux entrants pour générer une valeur d’entrée.
• Axone  — Quand la somme atteint un certain seuil, le neurone se déclenche et le signal est transmis aux autres neurones.
• Synapses  — Le point d’interconnexion d’un neurone avec les autres. Le niveau du signal transmis dépend de la force (poids synaptique) des connections.

De manière générale, un réseau de neurone est un réseau interconnecté de milliard de neurones et de trillions d’interconnections entre eux.

En quoi le cerveau diffère des ordinateurs?

Qu’est ce qu’un réseau de neurone artificiel ?

Les réseaux de neurones artificiels sont des programmes/agents informatiques inspirés par la biologie afin de réaliser des tâches spécifiques telles que des regroupements de données (clustering), des classements (classification, et de la reconnaissance de certaines caractéristiques (pattern recognition), et bien d’autres tâches.

De façon simplifiée, un réseau de neurones artificiel est un réseau de neurones inspirée par la biologie, et configurée pour exécuter des actions spécifiques bien définies.

Les similarités d’un réseau de neurones artificiels avec un réseau de neurones biologiques

Un réseau de neurones artificiels ressemble au cerveau humain de 2 façons principales :

• Un réseau de neurones artificiels acquiert la connaissance grâce à l’apprentissage, tout comme pour les réseaux biologiques.
• La connaissance d’un réseau de neurones artificiel est stockée dans les connexions entre les neurones avec une valeur/force appelé “poids synaptique” (weight), encore une fois, tout comme pour les réseaux biologiques.

Analogie d’un réseau de neurones artificiels avec un réseau de neurones biologiques

Les somas (sommes des denditres des réseaux biologiques (poids des interconnexions synaptiques)) sont analogues à la somme des signaux d’entrées dans les réseaux artificiels.

Le corps cellulaire est analogue au neurone artificiel qui réalise également une addition et une comparaison avec un seuil (threshold en anglais).

L’axone transporte la valeur de sortie du neurone qui est analogue à l’unité de sortie (output en anglais) d’un neurone artificiel.
De façon générale, un réseau de neurone artificiel est très similaire à son cousin biologique. Au delà de leur similitude, le plus étonnant reste, bien évidemment, qu’un neurone artificiel, une fois connecté en réseau, est capable d’apprendre par lui-même tout comme un cerveau humain.

Le système visuel humain est une des merveilles du monde. La plupart des gens reconnaissent les formes, les objets, les animaux sans efforts dans la nature, en une fraction de secondes.

Cette facilité est cependant très trompeuse. Dans chaque hémisphère de notre cerveau, les humains disposent d’un cortex visuel primaire, contenant 140 million de neurones, avec 10 milliards de connections entre eux. Au delà de ce premier cortex, la vision humaine n’en dispose pas que d’un seul mais en réalité 5 cortexs différents réalisant progressivement des analyses de l’image plus poussées.

En somme, nous avons dans notre tête un super ordinateur, amélioré par l’évolution depuis des centaines de millions d’années, et superbement adapté pour comprendre le monde qui nous entoure. Reconnaître les éléments autour de nous nous parait facile et anodin. Et oui, nous, les humains sommes remarquablement doués pour faire sens de ce que nos yeux nous montrent. Et surtout, tout ce travail est réalisé inconsciemment. Nous ne mesurons pas à quel point, en réalité, le traitement d’image réalisé par notre cerveau est extrêmement complexe.

La complexité de reconnaître des objets devient palpable lorsque l’on essaye d’écrire un programme informatique capable de le faire. Ce qui nous parait facile lorsque l’on est capable de le faire parait soudain extrêmement difficile. Ecrire comment reconnaitre des formes par exemple est impossible algorithmiquement parlant.

Si vous essayez d’écrire ce genre de règles à un programme, vous finirez par vous perdre dans une tonne d’exceptions à gérer et de cas spéciaux. Ca paraitra sans espoir et surtout impossible à faire évoluer.

Les réseaux de neurones permettent une approche différente

L’idée est d’utiliser un grand nombre d’images (données d’entrées ou exemples d’entrainement : “Training examples” en anglais) représentant chacune ce que vous souhaitez que le réseau apprenne.

Par exemple, utilisez des milliers d’images de chiens et de chats si vous souhaitez apprendre à votre réseau à classer les images par catégorie (Chien ou chat => Classification binaire).
Ensuite, de développer un système qui apprendra à partir de ces exemples d’entrainement. En d’autre termes, le réseau de neurones utilisera le jeu de données pour automatiquement déterminer les règles nécessaire au classement des images en catégorie. Il les apprendra par expérience à force de visualiser les exemples que vous lui montrerez en lui disant à chaque fois “chien” ou “chat”.

De plus, vous vous apercevrez que plus vous avez de donnée dans vos exemples d’entrainements (en somme, plus vous avez d’images pour entrainer votre cerveau artificiel à reconnaître la différence), plus vous aurez de meilleurs résultats à la fin car plus il sera sur de lui et de ce que vous lui aurez appris.

Découvrons dans les prochains articles, étape par étape, comment l’apprentissage est possible.