Sauter au menu Sauter au contenu
PraedictIA

Que peuvent faire les réseaux de neurones ?

Les réseaux de neurones sont d’excellents outils pour construire des modèles apprenants performants et efficaces, des techniques de plus en plus populaires dans les recherches sur l’apprentissage machine. La performance acquise au moyen de ces modèles grâce aux réseaux de neurones artificiels a donné lieu à de nouveaux cas d’usage, impossibles à imaginer quelques années auparavant.

Le traitement des données visuelles

Le traitement des données visuelles est un des secteurs où les réseaux de neurones ont le plus démontré leur supériorité. Ces réseaux peuvent traiter différentes données visuelles encodées sous une forme numérique et matricielle : des images en deux dimensions et en trois dimensions (la 3e dimension étant la profondeur), des séquences vidéo, des représentations visuelles sous forme de nuages de points (Point Cloud), etc. Une image en couleur (RGB - Red, Green, Blue) est donc une matrice de données où chaque pixel est représenté par trois valeurs numériques correspondant à une nuance spécifique du rouge, du vert et du bleu. Cette matrice de pixels sera donc introduite dans un réseau de neurones dont le nombre de pixels de la couche d’entrée équivaudra au nombre de pixels représenté dans la matrice pour effectuer une tâche prédéterminée à l’avance : la détection d’objets (déceler la présence d’un véhicule dans une image), la classification d’objets (classer l’image selon son contenu), l’identification (reconnaître une personne à partir des traits de son visage), et bien d’autres cas d’usage.

Les réseaux de convolution

Le traitement des données textuelles

Les réseaux de neurones sont largement utilisés en traitement du langage naturel. En tenant compte des architectures adaptées comme les réseaux de neurones artificiels récurrents (RNN : Recurrent Neural Network), ils peuvent extraire la sémantique d’un texte en étant entraînés à sélectionner les parties importantes d’une phrase (les mots servant à comprendre le sens) pour les garder en mémoire. On parle alors de cellules de mémoire, une notion spécifique aux applications dont les observations sont naturellement interreliées comme dans un texte. Par exemple, pour définir le sens du mot « avocat » dans les phrases qui suivent, il est primordial que le réseau de neurones tienne compte des mots précédant ce mot :

  • Je mange des avocats: le réseau de neurones penchera pour la définition relative au fruit.
  • J’appelle mon avocat: le réseau de neurones favorisera la définition relative au métier juridique.
Les réseaux récurrents

Le traitement des données sonores

Les réseaux de neurones sont aussi utiles pour le traitement du signal. Une fois entraînés avec des échantillons sonores, par exemple, ils sont très efficaces pour l’exécution de tâches qui s’apparentent à la reconnaissance vocale, la traduction vocale automatisée, l’identification des sentiments véhiculés par le timbre de la voix et bien d’autres cas d’application. La performance de la reconnaissance vocale dont on dispose aujourd’hui est le fruit du développement des réseaux de neurones, notamment les réseaux de neurones profonds (Deep Neural Network). La plupart des agents conversationnels tels que Siri ou Alexa sont le résultat des nombreuses améliorations et des travaux liés à cette discipline.

Notez que la notion d’apprentissage profond (Deep Learning) réfère à l’utilisation des réseaux de neurones profonds, c’est-à-dire des réseaux de neurones possédant plusieurs couches intermédiaires. En d’autres termes, le réseau de neurones renferme plusieurs couches entre les couches d’entrée et de sortie.

Le traitement des séries temporelles

L’utilisation des réseaux de neurones pour traiter les séries temporelles réfère à des tâches relatives à la prédiction des tendances en se basant sur des données spécifiques, p. ex. la prédiction de la future valorisation des biens immobiliers. En introduisant une multitude de biens immobiliers tout en incluant l’évolution de leurs prix au courant des années précédentes, les modèles apprenants basés sur les réseaux de neurones seront en mesure de prévoir l’évolution de leur valeur future.