Les réseaux de neurones sont une architecture d’intelligence artificielle probabiliste, inspirée par le fonctionnement des neurones biologiques. Dans le cerveau humain, ces derniers reçoivent une impulsion électrique en provenance d’autres neurones, auxquels ils sont connectés ; et selon cette impulsion, ils transmettent à leur tour un signal électrique à d’autres neurones, ou pas.
Définition et fonctionnement des réseaux de neurones artificiels
Les réseaux de neurones artificiels s’inspirent de ce fonctionnement. Chaque neurone reçoit des données d’entrée (x1, x2,etc.), qui peuvent être pondérées (w1, w2, etc.) ; et selon que la somme de ces données produit un résultat supérieur ou inférieur au seuil (s) souhaité, le neurone produit une valeur de sortie binaire (y = 0 ; 1).
L’une des difficultés posées par les réseaux de neurones est que, plus encore que les autres modèles de machine learning, ce sont des “boîtes noires” : étant donné la complexité du paramétrage des données d’entrée, de leur coefficient respectif et de l’imbrication de tous les neurones, il est difficile de comprendre comment le modèle a accouché de sa réponse. En d’autres termes, il est difficile de comprendre ce qui cause des erreurs d’analyse dans le modèle, et donc d'en corriger le paramétrage.
D’autre part, il faut noter que les réseaux de neurones peu profonds ne s’affranchissent pas du besoin préalable d’extraction des caractéristiques par un humain ou un algorithme lui-même écrit par un humain. Cette dernière limite est cependant corrigée par les réseaux de neurones profonds, qui s’étendent sur plusieurs couches intermédiaires et forment alors la méthode de l’apprentissage profond, ou deep learning.
Pour en savoir plus sur l'IA et le Product Management : télécharger notre librairie de prompts
