Intelligence artificielle

quels sont-ils, types et applications

quels sont-ils, types et applications


Illustration d'un cerveau

Je me souviens de la première fois que j'ai écouté le mot «réseau de neurones». J'étais en deuxième année de mon baccalauréat, alors que deux professeurs parlaient du projet final d'un de leurs étudiants.

À ce moment-là, je n'avais aucune idée de ce que cela voulait dire, mais le nom sonne extrêmement bien. «Réseau de neurones» est l’un de ces mots que l’on peut dire à quelqu'un qui ne connaît rien au sujet et qui vous élève immédiatement au niveau supérieur d’intelligence. Comme ce que font les gens d’affaires quand ils essaient de vendre quelque chose.

Cependant, le concept derrière le mot était beaucoup plus simple que je pensais. En fait, le terme complet serait «réseau de neurones artificiels», différenciant de ceux qui ne sont en réalité pas artificiels. Je suppose que vous pouvez imaginer de quoi je parle, non? Oui, le cerveau humain contient des réseaux de neurones et les réseaux de neurones seraient basés sur la même idée.

Relation entre le cerveau humain et les réseaux de neurones

Le processus biologique qui permet aux humains de comprendre et de penser dépasse de loin notre compréhension actuelle. Cependant, nous avons une idée abstraite de son fonctionnement.

Grosso modo, le cerveau humain est composé de cellules nerveuses appelées neurones. La fonctionnalité d'un neurone est de recevoir une impulsion électrique en entrée, de la traiter et de répondre avec une autre impulsion à la sortie.

La magie se produit lorsque des millions de neurones sont connectés les uns aux autres, créant ainsi un réseau de neurones. Mais, quelle est l'origine des impulsions électriques? Pour le comprendre, nous devons savoir comment le corps humain acquiert des informations:

quels sont ils types et applications - quels sont-ils, types et applications

Réception des impulsions externes: nous saisissons ce qui se passe autour de nous en utilisant nos sens. Par exemple, nous pouvons voir ce qui est devant nous avec nos yeux ou nous pouvons vérifier si le sol est chaud en le touchant avec nos mains.

  • Traitement des informations reçues: notre corps transforme ces stimuli externes en signaux électriques qui se propagent dans notre cerveau.
  • Conclusion: nous sommes capables de comprendre et de tirer des conclusions, ce qui fait de nous des systèmes intelligents.

Avec l’arrivée de l’ère informatique, les ordinateurs ont été en mesure de surpasser les humains dans de nombreuses tâches, notamment celles qui reposent sur un ensemble de règles à suivre (par exemple, pour effectuer des calculs numériques complexes). Cependant, lorsque l'ensemble de règles n'est pas évident, l'humain a toujours été meilleur que la machine. Voici quelques exemples de ces tâches:

  • Reconnaître le contenu d'un enregistrement audio
  • Identifier des objets dans des images
  • Classer les textes en fonction de ses intentions (par exemple, des textes offensants)

Au centre du problème, si l’homme et la machine sont capables de voir le même contenu, pourquoi la machine ne peut-elle pas réussir ces tâches? Comme je l’ai dit précédemment, c’est parce que nous ne savons même pas comment fonctionne notre cerveau et qu’il nous est impossible de créer un ensemble abstrait de règles qui fonctionnent pour des scénarios complexes.

L'idée derrière les réseaux de neurones artificiels (à partir de maintenant, propres réseaux de neurones) n'est autre que d'essayer de simuler le comportement du cerveau humain:

  1. Nous avons un signal d'entrée (par exemple, une image) qui imite nos sens.
  2. Nous introduisons ce signal dans un réseau de neurones qui le traite, comme notre propre cerveau.
  3. Nous obtenons un résultat final et vérifions s’il est correct. Sinon, nous essayons de vérifier pourquoi nous avons échoué et d'apprendre de nos propres erreurs.

Cette image représente la structure d'un réseau de neurones à 4 couches et {4, 3, 3, 1} neurones dans chaque couche:

Schéma d'un réseau de neurones

L'unité de base d'un réseau de neurones: le neurone

Tout a été agréable et facile jusqu’à présent, mais il est maintenant temps de faire face à la réalité. J'ai déjà dit que, dans le cerveau humain, les neurones reçoivent et propagent des impulsions électriques. Dans notre cas, comme nous ne pouvons pas propager de signaux électriques, nous devrons nous conformer aux chiffres.

Représentation d'un seul neurone

Pour comprendre le comportement global d'un réseau de neurones complexe, nous avons besoin de comprendre le calcul derrière un seul neurone. Supposons le schéma suivant:

Comme nous pouvons le voir, dans cet exemple simple, nous avons un neurone avec nx les entrées, que nous pouvons représenter en tant que vecteur X et une sortie y. En outre, nous pouvons voir que chaque neurone est caractérisé par un vecteur w, une constante b, et une fonction une(·). Nous pouvons en calculer le résultat comme suit:

1558119362 183 quels sont ils types et applications - quels sont-ils, types et applications

où:

1558119362 349 quels sont ils types et applications - quels sont-ils, types et applications

Et a (·) est une fonction non linéaire appelée activation. Le résultat y peut maintenant être utilisé comme l’une des entrées d’un autre neurone, créant ainsi un réseau aussi grand que nous le voulons.

Notez que, si nous n’utilisons pas cette non-linéarité, la concaténation de plusieurs neurones peut être remplacée par un seul neurone, ce qui rendrait l’utilisation d’un réseau totalement inutile.

Remarque: les implémentations réelles utilisent des matrices W au lieu de vectores w représenter plusieurs neurones dans chaque couche, ce qui rend le calcul beaucoup plus efficace.

Fonction de coût et rétropropagation

Une fois que notre entrée s'est propagée à travers le réseau et que nous avons la sortie de la dernière couche, nous avons besoin d'un moyen d'évaluer si le résultat est correct ou non. Si vous savez ce que le résultat est supposé être, nous pouvons définir une distance entre la prédiction et la valeur attendue. Cette fonction s'appelle fonction de coûtet notre objectif est d’être aussi proche que possible de 0.

Supposons que les paramètres d'entrée X de notre réseau sont la taille d’une maison, son antiquité et son nombre de salles de bains. Comme nous sommes dans l’état réel et que nous le faisons depuis 10 ans, nous avons une base de données avec les prix de vente passés, nous voudrions donc l’utiliser pour prédire combien nous pouvons demander pour les maisons que nous essayons de vendre maintenant.

Nous allons utiliser ces données étiquetées pour construire notre régresseur en utilisant un réseau de neurones. Nous utiliserons les 3 choses que nous savons sur les maisons comme intrant et le prix comme extrant objectif. Si y est le prix prédit donné par le réseau et z est le prix réel, nous pouvons mesurer l’erreur commise en tant que:

1558119362 992 quels sont ils types et applications - quels sont-ils, types et applications

Si l'erreur est proche de 0, notre réseau se porte bien! Si ce n'est pas le cas, que pouvons-nous faire? La solution est simple et utilise un calcul simple: nous pouvons prendre la dérivée de l'erreur par rapport à chaque paramètre et la pousser au minimum le plus proche (espérons le minimum global).

Nous aurons plus de détails sur la rétropropagation dans d'autres messages. Pourquoi ne vous abonnez-vous pas en attendant? :)

Types de réseaux de neurones

Heureusement ou non, il existe de nombreux cas où l'architecture précédemment présentée ne correspond pas à la nature du signal d'entrée.

Nous utilisons toutes les données que nous avons en entrée, mais que se passe-t-il si l'entrée est une image de 1000 x 1000 pixels? Nous aurions 1.000.000 entrées! Nous pourrions nous en occuper, mais ce ne serait pas efficace et il existe probablement des solutions beaucoup moins chères et meilleures.

De plus, nous insérons les données comme si toutes les entrées n’avaient aucun type de structure hiérarchique ou temporelle. Et si nous voulons prédire le contenu d'un enregistrement audio donné? Encore une fois, nous devrons faire face à un énorme problème de dimensionnalité à l’entrée. De plus, il y a beaucoup de redondance dans les signaux de parole, pourquoi n’essayons-nous pas de l’utiliser?

Pour résoudre ces types de problèmes, deux types d'architectures neuronales se sont révélés beaucoup plus efficaces:

  • Réseaux de neurones convolutifs: ils appliquent l'opération de convolution, en utilisant des fenêtres d'une certaine taille et en se déplaçant par l'entrée.
  • Réseaux de neurones récurrents: Les unités récurrentes essaient d'utiliser les informations temporelles des entrées en se propageant non seulement horizontalement, mais aussi verticalement. Ils sont extrêmement utilisés pour les tâches audio et vocales, le traitement du langage naturel et l'analyse de séries chronologiques.

Il est à noter que, dans la pratique, les architectures de réseaux de neurones modernes utilisent un mélange de ces modules et de nouveaux modules qui apparaissent chaque année.

Applications des réseaux de neurones

Si les réseaux de neurones ont eu un tel succès, c'est en raison de la variété des domaines auxquels ils peuvent être appliqués. Nous pouvons maintenant traiter des données que nous ne comprenons pas parfaitement et obtenir des résultats qui surpassent les humains dans la plupart des cas.

Dans le domaine du traitement d'images, certaines des applications les plus connues sont:

  • Détection et reconnaissance faciale
  • Marquage d'objets dans des images
  • Segmentation d'images médicales
  • Détection d'anomalies dans les images satellites et les processus de fabrication

En parole et audio:

  • Reconnaissance vocale (parole à texte)
  • Synthèse vocale (synthèse vocale)
  • Génération musicale
  • Vérification et identification du locuteur

En traitement du langage naturel:

  • Traduction automatique
  • Analyse sentimentale
  • Résumé du texte
  • Génération de nouvelles

La liste peut s'allonger autant que je veux, mais je pense que vous voyez déjà l'idée. Chaque année, les réseaux de neurones s’avèrent efficaces pour les nouvelles applications et la demande en professionnels qualifiés augmente rapidement.

Voulez-vous rejoindre l'ère de l'IA?

Show More

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Related Articles

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Close
Close