L’intelligence artificielle est partout ! Lorsqu’on recherche une image de chat sur google, les bots dans les jeux vidéos, la prédiction météorologique, les voitures autonomes et bien d’autres…
Remettons les choses en place. L’intelligence artificielle (IA) fait beaucoup parler d’elle, mais qu’est ce donc au juste ?
Selon futura sciences, il s’agit de la mise en place d’un certain nombre de techniques afin d’imiter une forme d’intelligence réelle. On comprend avec cette définition que le sujet est extrêmement vaste et peut s’appliquer pratiquement partout ! Pour donner un peu de structure à tout ce concept, les différents algorithmes d’IA ont été regroupés en plusieurs catégories.
Les réseaux neuronaux se classent dans les algorithmes évolutifs. Ce type d’IA se sert de son environnement pour apprendre et évoluer vers un fonctionnement plus efficace.
Cette catégorie est une des plus passionnante à observer car sa méthode d’apprentissage est largement inspirée par des mécanismes biologiques naturels. On retrouve la théorie de l’évolution, où l’algorithme est multiplié plein de fois avec des poids différents pour chaque prise d’action (on reviendra sur la notion de poids plus tard).
Il y a donc pleins d’entités qui “vivent” dans un milieu et les plus adaptés sont sélectionnés pour se reproduire et donner une nouvelle génération plus intelligente que la précédente.
Pour plus d’informations sur cette catégorie, les 9 premières minutes de cette vidéo (en anglais) expliquent ce principe : https://www.youtube.com/watch?v=flxOkx0yLrY .
Enfin, dans la classe des algorithmes évolutifs, se trouvent les réseaux neuronaux !
Sur l’image, nous pouvons voir un magnifique exemple du sujet d’aujourd’hui. On se demande directement d’où vient son nom ?! Pour rappel, le cerveau est composé de milliards de neurones toutes connectées entre elles et pouvant chacune effectuer des actions très simples. Si les signaux que le neurone reçoit sont suffisamment forts, alors le neurone s’active et envoie lui aussi un signal. Ce fonctionnement est basique, mais lorsque plusieurs neurones sont intelligemment raccordés, cela donne un raisonnement plus complexe.
Tentons d’expliquer l’évolution de la précision de l’ordinateur avec un neurone comme celui à droite. La tâche que l’on souhaite faire réaliser à l’ordinateur est simple. Transmet le signal vers y seulement lorsque tu reçois un signal de x2. C’est maintenant que les “poids” entrent en jeu. Le neurone effectue inlassablement cette fonction : Y = w1 * x1 + w2 * x2.
x1 et x2 sont les signaux (souvent ramenés à des valeurs entre 0 et 1) envoyés par des neurones précédents ou des entrées d’informations. La seule chose que le neurone puisse faire pour modifier son comportement est de modifier les valeurs w1 et w2. Ces valeurs sont super importantes car ce sont elles qui vont rendre le réseau intelligent et sont appelées “poids”. Dans notre exemple, si on veut que le neurone transmette l’information uniquement si elle reçoit un signal de x2, il faut rendre la valeur de w1 nulle, augmenter la valeur de w2 et le tour est joué !
On pourrait être déçu par le potentiel d’un neurone après toutes ces explications, mais, en groupe, les fonctions de tous ces neurones s’accordent entre elles pour en créer de plus en plus complexes et finalement arriver à ce qu’on veut ! Pour peu qu’on arrive à entraîner le réseau ! l’explication de l’entraînement dépasse la taille normale d’un article et ce sera donc pour une autre fois ! Pour ceux qui seraient curieux d’en apprendre plus en attendant, la méthode s’appelle “rétropropagation du gradient” !
pour le Kaptech,
Arthur ferier
Sources:
https://www.lebigdata.fr/reseau-de-neurones-artificiels-definition
https://www.futura-sciences.com/tech/definitions/informatique-intelligence-artificielle-555/
Et également une excellente playliste sur les réseaux neuronaux (malheureusement en anglais) pour ceux qui n’auraient pas peur du code :