{"id":5426,"date":"2021-10-10T18:03:10","date_gmt":"2021-10-10T16:03:10","guid":{"rendered":"https:\/\/www.datavaloris.com\/?p=5426"},"modified":"2021-10-07T18:09:00","modified_gmt":"2021-10-07T16:09:00","slug":"intelligence-artificielle-neurosciences-architectures-paralleles","status":"publish","type":"post","link":"https:\/\/www.datavaloris.com\/en\/intelligence-artificielle-neurosciences-architectures-paralleles\/","title":{"rendered":"Intelligence artificielle et neurosciences, des architectures parall\u00e8les"},"content":{"rendered":"
\"\"<\/figure>\n\n\n\n

L\u2019intelligence artificielle se nourrit en grande partie des neurosciences. En effet, les modes de fonctionnement de l\u2019IA ont \u00e9t\u00e9 inspir\u00e9s des syst\u00e8mes nerveux des \u00eatres vivants dont l\u2019Homme. Les interactions entre ces deux domaines ont permis de r\u00e9aliser de grands progr\u00e8s informatiques. Ainsi, les Data Scientists sont, aujourd\u2019hui, capables d\u2019\u00e9tablir des topologies de r\u00e9seaux de neurones toujours plus performantes. <\/p>\n\n\n\n

Bien que l\u2019IA soit encore loin d\u2019atteindre la complexit\u00e9 d\u2019un cerveau humain, les r\u00e9seaux neuronaux artificiels sont une mod\u00e9lisation des structures neuronales biologiques. Les r\u00e9seaux de neurones qui agencent les solutions IA actuelles permettent d\u00e9j\u00e0 d\u2019obtenir des applications puissantes. Le concept de neurones est, ainsi, particuli\u00e8rement efficace. <\/p>\n\n\n\n

Pourquoi parle-t-on de r\u00e9seaux de neurones en mati\u00e8re d\u2019IA?<\/h2>\n\n\n\n

D\u2019un point de vue s\u00e9mantique, un r\u00e9seau de neurones est un ensemble organis\u00e9 de neurones. Il convient de distinguer les neurones biologiques des neurones num\u00e9riques malgr\u00e9 leurs similitudes. En effet, un neurone est une unit\u00e9 qui permet de transmettre de l\u2019information avec une capacit\u00e9 d\u2019activation lorsque les stimulis (donn\u00e9es) en entr\u00e9e sont consid\u00e9r\u00e9s comme suffisamment importants pour \u00eatre transmis aux autres neurones. Les neurones, pris dans leur globalit\u00e9, sont donc un ensemble d\u2019unit\u00e9s qui vont se stimuler les unes les autres pour parvenir \u00e0 un r\u00e9sultat. <\/p>\n\n\n\n

On parle de r\u00e9seau de neurones dans la mesure o\u00f9 il existe une interconnexion entre toutes ces unit\u00e9s que constituent les neurones. C\u2019est gr\u00e2ce \u00e0 l\u2019effet d\u2019\u00e9chelle que l\u2019on parviendrait \u00e0 la notion d\u2019intelligence. Plus le r\u00e9seau de neurones serait complexe et bien organis\u00e9, plus il serait en capacit\u00e9 de parvenir \u00e0 certains r\u00e9sultats (capacit\u00e9 d\u2019abstraction). <\/p>\n\n\n\n

Un r\u00e9seau de neurones num\u00e9riques est une simulation d\u2019un m\u00e9canisme biologique, c\u2019est une simulation num\u00e9rique de neurones biologiques. Il permet de simuler n\u2019importe quelle fonction et donc de simuler les comportements biologiques y compris des fonctionnement cognitifs.<\/p>\n\n\n\n

D\u2019un point de vue math\u00e9matiques, un r\u00e9seau de neurones est un approximateur universel. Il permet de d\u00e9terminer le \u201cf\u201d au sein d\u2019une fonction \u201cy = f(x)\u201d. En effet, lorsqu\u2019on conna\u00eet le x et le y, \u00e0 savoir les donn\u00e9es et l\u2019objectif, il convient de d\u00e9terminer la relation entre ce x et ce y. Le r\u00e9seau de neurones se modifie donc pour s\u2019adapter aux donn\u00e9es fournies jusqu\u2019\u00e0 atteindre le r\u00e9sultat vis\u00e9.  <\/p>\n\n\n\n

Un r\u00e9seau de neurones a besoin d\u2019apprendre. Entrent ainsi en jeu les notions d\u2019apprentissage et d\u2019interf\u00e9rence puisque la question de l\u2019utilisation d\u2019un r\u00e9seau de neurones se pose. Aujourd\u2019hui, on dissocie beaucoup les deux. Cependant, dans un r\u00e9seau de neurones \u00e9volu\u00e9 biologique, la distinction entre l\u2019apprentissage et l\u2019utilisation quotidienne est parfois floue, c\u2019est le cas de la marche par exemple : on apprend tout en marchant.<\/p>\n\n\n\n

Comment construit-on un r\u00e9seau de neurones ?<\/h2>\n\n\n\n

Au-del\u00e0 de la question de la d\u00e9finition d\u2019un r\u00e9seau de neurones, il convient de s\u2019interroger sur la notion de topologie du r\u00e9seau de neurones afin de comprendre comment ce dernier est architectur\u00e9, c\u2019est-\u00e0-dire comment les connexions sont \u00e9tablies entre les neurones.<\/p>\n\n\n\n

La notion de topologie est essentielle. Si on devait la comparer, elle suivrait les principes de l\u2019architecture. Elle permet de comprendre pourquoi un r\u00e9seau de neurones va par exemple permettre de reconna\u00eetre un visage et un autre de formaliser un son. C\u2019est la ma\u00eetrise de ce concept de topologie qui va permettre de rendre l\u2019IA la plus performante possible. On parle bien de la mani\u00e8re dont les neurones sont connect\u00e9s entre eux. <\/p>\n\n\n\n

Les neurones peuvent finalement \u00eatre compar\u00e9s \u00e0 des briques de fabrication. Il y a plusieurs types d\u2019unit\u00e9s de base et il y a plusieurs mani\u00e8res dont les unit\u00e9s de base se connectent les unes avec les autres. En fonction de la mani\u00e8re dont on les assemble, on obtient des comportements diff\u00e9rents. La comparaison avec les briques de l\u00e9gos est ici particuli\u00e8rement parlante : avec un mod\u00e8le de briques, l\u2019on obtient une infinit\u00e9 de r\u00e9sultats selon l\u2019association choisie. <\/p>\n\n\n\n

L\u2019analogie avec la biologie permet ici encore d\u2019apporter des clefs de compr\u00e9hension, en particulier les exemples de mod\u00e8les d\u2019enc\u00e9phales, tr\u00e8s diff\u00e9rents selon le mod\u00e8le d\u2019origine. Prenons pour illustrer les exemples de la pieuvre et de la fourmi. <\/p>\n\n\n\n