Les réseaux de neurones sont des modèles informatiques d'unités ou de nœuds connectés conçus pour transmettre, traiter et apprendre à partir d'informations (données) d'une manière similaire au fonctionnement des neurones (cellules nerveuses) chez l'homme.
Réseaux de neurones artificiels
En technologie, les réseaux de neurones sont souvent appelés réseaux de neurones artificiels (RNA) ou réseaux de neurones pour se distinguer des réseaux de neurones biologiques qui les ont inspirés. L’idée principale derrière les ANN est que le cerveau humain est l’ordinateur le plus complexe et le plus intelligent qui existe. En modélisant les RNA le plus près possible de la structure et du système de traitement de l’information utilisé par le cerveau, les chercheurs espéraient créer des ordinateurs abordant ou surpassant l’intelligence humaine. Les réseaux de neurones sont un élément clé des progrès actuels en intelligence artificielle (IA), en apprentissage automatique (ML) et en apprentissage approfondi.
Comment fonctionnent les réseaux de neurones: une comparaison
Pour comprendre le fonctionnement des réseaux de neurones et les différences entre les deux types (biologique et artificiel), prenons l’exemple d’un immeuble de bureaux de 15 étages et les lignes téléphoniques et les standards qui acheminent les appels dans l’immeuble, les étages et les bureaux. Chaque bureau de notre immeuble de 15 étages représente un neurone (nœud dans les réseaux informatiques ou cellule nerveuse en biologie). Le bâtiment lui-même est une structure contenant un ensemble de bureaux disposés dans un système de 15 étages (un réseau de neurones).
En appliquant l’exemple aux réseaux de neurones biologiques, le standard qui reçoit des appels est doté de lignes permettant de se connecter à n’importe quel bureau, à n’importe quel étage du bâtiment. De plus, chaque bureau a des lignes qui le connectent à tous les autres bureaux de tout le bâtiment, à n'importe quel étage. Imaginez qu’un appel arrive (entrée) et que le standard le transfère à un bureau du 3rd étage, qui le transfère directement à un bureau le 11th étage, qui le transfère ensuite directement à un bureau du 5th sol. Dans le cerveau, chaque neurone ou cellule nerveuse (un bureau) peut se connecter directement à n’importe quel autre neurone de son système ou réseau de neurones (le bâtiment). Les informations (l'appel) peuvent être transmises à n'importe quel autre neurone (bureau) afin de traiter ou d'apprendre ce qui est nécessaire jusqu'à l'obtention d'une réponse ou d'une résolution (sortie).
Lorsque nous appliquons cet exemple aux ANN, cela devient un peu plus complexe. Chaque étage du bâtiment nécessite son propre tableau de distribution, qui ne peut être connecté qu'aux bureaux situés au même étage, ainsi que les tableaux de distribution situés aux étages supérieur et inférieur. Chaque bureau ne peut se connecter directement qu’à d’autres bureaux situés au même étage et au standard de cet étage. Tous les nouveaux appels doivent commencer par le standard situé au 1er étage et doivent être transférés à chaque étage dans l'ordre numérique jusqu'au 15.th étage avant que l'appel puisse se terminer. Mettons cela en mouvement pour voir comment cela fonctionne.
Imaginez qu'un appel entre (entrée) vers le 1st standard téléphonique au sol et est envoyé à un bureau le 1st étage (noeud). L’appel est ensuite transféré directement entre les autres bureaux (nœuds) du 1st étage jusqu'à ce qu'il soit prêt à être envoyé à l'étage suivant. Ensuite, l’appel doit être renvoyé au 1st commutateur au sol, qui le transfère ensuite au 2Dakota du Nord tableau de plancher. Ces mêmes étapes se répètent un étage à la fois, l’appel étant envoyé via ce processus jusqu’à l’étage 15.
Dans les RNA, les nœuds (bureaux) sont disposés en couches (étages du bâtiment). L’information (un appel) entre toujours par la couche d’entrée (1st sol et son standard) et doivent être acheminés et traités par chaque couche (étage) avant de pouvoir passer à la suivante. Chaque couche (étage) traite un détail spécifique concernant cet appel et envoie le résultat avec l'appel à la couche suivante. Lorsque l'appel atteint la couche de sortie (15th étage et son standard), il inclut les informations de traitement des couches 1-14. Les nœuds (bureaux) sur le 15th couche (étage) utilise les informations d'entrée et de traitement de toutes les autres couches (étages) pour fournir une réponse ou une résolution (sortie).
Réseaux de neurones et apprentissage automatique
Les réseaux neuronaux sont un type de technologie dans la catégorie apprentissage automatique. En fait, les progrès réalisés dans la recherche et le développement de réseaux de neurones ont été étroitement liés aux fluctuations de la progression du BC. Les réseaux neuronaux étendent les capacités de traitement des données et augmentent la puissance de calcul de ML, en augmentant le volume de données pouvant être traitées, mais également en permettant d’effectuer des tâches plus complexes.
Le premier modèle informatique documenté pour les ANN a été créé en 1943 par Walter Pitts et Warren McCulloch. L'intérêt initial et la recherche sur les réseaux de neurones et l'apprentissage automatique ont finalement ralenti et ont été plus ou moins abandonnés en 1969, avec seulement de petites bouffées d'intérêt renouvelé. À l’époque, les ordinateurs n’avaient tout simplement pas assez de processeurs rapides ou de taille suffisante pour faire progresser ces domaines, et la vaste quantité de données nécessaires pour la ML et les réseaux neuronaux n’était pas disponible à l’époque.
Les augmentations massives de la puissance de calcul au fil du temps, associées à la croissance et à l’expansion d’Internet (et donc à l’accès à d’énormes quantités de données via Internet) ont résolu ces premiers problèmes. Les réseaux neuronaux et ML jouent désormais un rôle clé dans les technologies que nous voyons et utilisons quotidiennement, telles que la reconnaissance faciale, le traitement et la recherche d'images, et la traduction linguistique en temps réel, pour n'en citer que quelques-unes.
Exemples de réseaux de neurones dans la vie quotidienne
La technologie annuaire est un sujet complexe dans le domaine de la technologie. Toutefois, il convient de prendre un peu de temps à explorer en raison du nombre croissant d’effets sur notre vie quotidienne. Voici quelques exemples supplémentaires de la manière dont les réseaux de neurones sont actuellement utilisés par différentes industries:
- La finance: Les réseaux neuronaux sont utilisés pour prévoir les taux de change. Ils sont également utilisés dans la technologie derrière les systèmes de négociation automatiques utilisés en bourse.
- Médicament: Les capacités de traitement d’image des réseaux neuronaux ont contribué à la mise au point d’une technologie permettant de dépister et de détecter plus précisément les types de cancers à un stade précoce et difficile à identifier. Un de ces types de cancer est le mélanome invasif, la forme de cancer de la peau la plus grave et la plus mortelle. Identifier le mélanome à un stade précoce, avant qu'il ne se propage, donne aux patients atteints de ce type de cancer les meilleures chances de le vaincre.
- Météo: La capacité de détecter les changements atmosphériques qui indiquent un événement météorologique potentiellement grave et dangereux aussi rapidement et précisément que possible est essentielle pour sauver des vies. Les réseaux de neurones participent au traitement en temps réel des images satellites et radar qui détectent non seulement la formation précoce d'ouragans et de cyclones, mais également les changements soudains de vitesse et de direction du vent qui indiquent une tornade en formation. Les tornades font partie des phénomènes météorologiques les plus violents et les plus dangereux jamais enregistrés - souvent plus soudains, destructeurs et meurtriers que les ouragans.
