Réseau de neurones artificiels (ANN)
Qu’est-ce qu’un réseau neuronal artificiel (ANN)?
Un réseau neuronal artificiel (ANN) est l’élément d’un système informatique conçu pour simuler la façon dont le cerveau humain analyse et traite les informations. C’est le fondement de l’ intelligence artificielle (IA) et résout des problèmes qui s’avéreraient impossibles ou difficiles selon les normes humaines ou statistiques. Les ANN ont des capacités d’auto-apprentissage qui leur permettent de produire de meilleurs résultats à mesure que davantage de données deviennent disponibles.
Points clés à retenir
- Un réseau de neurones artificiels (ANN) est la composante de l’intelligence artificielle destinée à simuler le fonctionnement d’un cerveau humain.
- Les unités de traitement constituent les ANN, qui à leur tour se composent d’entrées et de sorties. Les entrées sont ce que l’ANN apprend pour produire la sortie désirée.
- La rétropropagation est l’ensemble des règles d’apprentissage utilisées pour guider les réseaux de neurones artificiels.
- Les applications pratiques des RNA sont très vastes, englobant les finances, la communication personnelle, l’industrie, l’éducation, etc.
Comprendre un réseau neuronal artificiel (ANN)
Les réseaux de neurones artificiels sont construits comme le cerveau humain, avec des nœuds de neurones interconnectés comme une toile. Le cerveau humain possède des centaines de milliards de cellules appelées neurones. Chaque neurone est composé d’un corps cellulaire qui est responsable du traitement des informations en transportant les informations vers (entrées) et éloignées (sorties) du cerveau.
Un ANN a des centaines ou des milliers de neurones artificiels appelés unités de traitement, qui sont interconnectés par des nœuds. Ces unités de traitement sont constituées d’unités d’entrée et de sortie. Les unités d’entrée reçoivent diverses formes et structures d’informations basées sur un système de pondération interne, et le réseau neuronal tente de se renseigner sur les informations présentées pour produire un rapport de sortie. Tout comme les humains ont besoin de règles et de directives pour produire un résultat ou une sortie, les ANN utilisent également un ensemble de règles d’apprentissage appelé rétropropagation, une abréviation de propagation en arrière de l’erreur, pour perfectionner leurs résultats de sortie.
Un ANN passe initialement par une phase d’apprentissage où il apprend à reconnaître des modèles dans les données, que ce soit visuellement, auditif ou textuellement. Au cours de cette phase supervisée, le réseau compare sa production réelle produite avec ce qu’il était censé produire – la sortie souhaitée. La différence entre les deux résultats est ajustée à l’aide de la rétropropagation. Cela signifie que le réseau fonctionne à l’envers, allant de l’unité de sortie aux unités d’entrée pour ajuster le poids de ses connexions entre les unités jusqu’à ce que la différence entre le résultat réel et souhaité produise l’erreur la plus faible possible.
Au cours de la phase de formation et de supervision, l’ANN apprend ce qu’il faut rechercher et ce que doit être sa sortie, en utilisant des types de questions oui / non avec des nombres binaires. Par exemple, une banque qui souhaite détecter la fraude par carte de crédit à temps peut avoir quatre unités d’entrée alimentées avec ces questions: (1) La transaction se déroule-t-elle dans un pays différent du pays de résidence de l’utilisateur? (2) Le site Web sur lequel la carte est utilisée est-il affilié à des entreprises ou à des pays figurant sur la liste de surveillance de la banque? (3) Le montant de la transaction est-il supérieur à 2 000 $? (4) Le nom sur la facture de transaction est-il le même que le nom du titulaire de la carte?
La banque souhaite que les réponses «fraude détectée» soient Oui Oui Oui Non, ce qui au format binaire serait 1 1 1 0. Si la sortie réelle du réseau est 1 0 1 0, elle ajuste ses résultats jusqu’à ce qu’elle fournisse une sortie qui coïncide avec 1 1 1 0. Après la formation, le système informatique peut alerter la banque des transactions frauduleuses en cours, économisant ainsi beaucoup d’argent à la banque.
Applications pratiques des réseaux de neurones artificiels (RNA)
Les réseaux de neurones artificiels ouvrent la voie au développement d’applications qui changent la vie pour une utilisation dans tous les secteurs de l’économie. Les plates-formes d’intelligence artificielle basées sur les RNA perturbent les façons traditionnelles de faire les choses. De la traduction de pages Web dans d’autres langues à la commande d’un assistant virtuel en ligne, en passant par la conversation avec des chatbots pour résoudre des problèmes, les plates-formes d’IA simplifient les transactions et rendent les services accessibles à tous à des coûts négligeables.
Les réseaux de neurones artificiels ont été appliqués dans tous les domaines d’opérations. Les fournisseurs de services de messagerie utilisent les ANN pour détecter et supprimer le spam de la boîte de réception d’un utilisateur; les gestionnaires d’actifs l’ utilisent pour prévoir la direction des actions d’une entreprise; les sociétés de notation l’ utilisent pour améliorer leurs méthodes de notation de crédit; Les plateformes de commerce électronique l’utilisent pour personnaliser les recommandations à leur public; les chatbots sont développés avec des ANN pour le traitement du langage naturel; les algorithmes d’apprentissage en profondeur utilisent ANN pour prédire la probabilité d’un événement; et la liste des incorporation de RNA se poursuit dans plusieurs secteurs, industries et pays.