Étiquette : réseau neuronal

• À propos
• Articles récents

Ludo L.

Entrepreneur, blogger, marketer, écrivain, les anglos-saxons disent que je suis un « slasher ». Je suis aussi un geek compulsif qui se soigne grâce à sa dose de Twitter et Youtube matin et soir.

Les derniers articles par Ludo L. (tout voir)

• Neurosciences et pédagogie : les mécanismes cérébraux de l’apprentissage et leurs applications en pédagogie - 25 avril 2023
• Book Title: Ludo et Lena : Une histoire d’amour française à Los Angeles - 24 mars 2023
• Les transformateurs expliqués : comprendre le modèle derrière GPT-3, BERT et T5 - 28 février 2023

Avant de lire cet article je te conseille de lire la première partie ici

Comment fonctionne le Deep Learning ?

Compte tenu de son importance, il est utile de comprendre les bases de fonctionnement du Deep Learning (DL). Le DL consiste à utiliser un «réseau neuronal artificiel » – une collection de «neurones» (calculatrices logicielles) reliés entre eux.

Tout d’abord, un neurone artificiel comporte une ou plusieurs entrées. Il effectue un calcul mathématique et le délivre, on appelle cela : une sortie. La sortie dépendra à la fois du « poids » de chaque entrée et de la configuration de la «fonction d’entrée-sortie» dans le neurone (Figure 5, ci – dessous). Nous représentons un neurone par une bulle grise avec la lettre « f ». La fonction d’entrée-sortie peut varier. Donc un neurone peut être :

• une unité linéaire, la sortie est proportionnelle à l’entrée pondérée totale;
• une unité de seuil, la sortie est fixée à l’un des deux niveaux, si la puissance totale est supérieure à une valeur déterminée; ou
• une unité sigmoïde, la sortie varie de façon continue, mais pas de façon linéaire comme les changements d’entrée.

Un réseau de neurones est crée lorsqu’ils sont connectés les uns aux autres; la sortie d’un neurone devient une entrée pour un autre (figure 6).

Pour comprendre, les réseaux de neurones sont organisés en plusieurs couches de neurones (d’où le terme d’apprentissage «profond»). La «couche d’entrée» reçoit des informations du réseau et traitera – par exemple, une série d’images. La «couche de sortie» fournit les résultats. Entre les couches d’entrée et de sortie sont des «couches cachées» où la plupart des activités se produisent.

En règle générale, les sorties de chaque neurone à un niveau plus bas du réseau de neurones sert comme l’une des entrées pour chacun des neurones de la couche suivante (figure 7).

Prenons l’exemple d’un algorithme de reconnaissance d’image. Le but est de reconnaître des visages humains en images. Lorsque les données sont introduites dans le réseau de neurones, les premières couches identifient les modèles de contraste local. C’est-à-dire les caractéristiques «bas niveau» tels que les bords.

Comme l’image traverse le réseau, progressivement les caractéristiques «de niveau supérieur» sont extraites – des bords à nez, de nez aux visages (figure 8).

Ainsi, lors de sa couche de sortie, en fonction de sa formation le réseau neuronal fournira une probabilité que l’image est du type spécifié (tasse : 97%; tasse à café 88%; drink 54%). On peut le voir sur le screenshot que j’ai pris avec mon mobile (clique sur l’image tu verras et regarde en bas).

Apprentissage du deep learning

En règle générale, les réseaux de neurones sont formés en les exposant à un grand nombre d’exemples. Les erreurs sont détectées et les poids des connexions entre les neurones sont accordés en temps réel par l’algorithme dans le but d’améliorer les résultats. En effet, le processus d’optimisation est largement répété, après quoi le système est déployé et les images non étiquetées sont évaluées.

Pour comprendre, les schémas précédents représentent un réseau neuronal simple mais leur structure peut varier et la plupart sont beaucoup plus complexes. En fait, les variations incluent les connexions entre les neurones sur la même couche; nombres différents de neurones par couche; et la connexion du neurone émet dans les niveaux précédents du réseau (réseaux neuronaux ‘récursives’).

Dès lors, la conception et l’amélioration d’un réseau de neurones nécessite beaucoup d’habileté. Ainsi, les étapes comprennent la structuration du réseau pour une application particulière. Aussi, ils fournissent un ensemble d’entrainement adéquate avec des données. Enfin, le réseau de neurone ajuste la structure du réseau en fonction des progrès, et en combinant des approches multiples.

Pourquoi est-ce si important ?

Premièrement, l’IA est importante car elle aborde des problèmes profondément difficiles. Toutefois les solutions à ces problèmes peut être appliquées à des secteurs importants pour le bien-être humain. Tels que la santé, l’éducation, le commerce, le transport, les services publics et le divertissement. Depuis les années 1950, la recherche en IA a mis l‘accent sur cinq domaines de recherche :

1. Raisonnement : la capacité de résoudre les problèmes par déduction logique
2. Connaissance : la capacité de représenter la connaissance du monde (la compréhension qu’il y a certaines entités, des événements et des situations dans le monde; ces éléments ont des propriétés, et ces éléments peuvent être classés.)
3. Planification : la capacité à définir et à atteindre l’objectif (il y a un état spécifique à venir du monde qui est souhaitable, et des séquences d’actions peut être entreprises)
4. Communication : la capacité de comprendre le langage écrit et parlé.
5. Perception : la capacité de déduire des choses sur le monde à partir d’images visuelles, sons et autres entrées sensorielles.

Elle est précieuse, car dans de nombreux contextes, les progrès en question offrent des capacités révolutionnaires, plutôt que de l’évolution.
Dans les prochaines années, les capacités des Machines Learning (ML) seront utilisées dans presque tous les secteurs dans une grande variété de processus. Considérant une fonction unique d’entreprise par exemple, les ressources humaines. Cela illustre la gamme de procédés pour lesquels la ML sera appliquée :

• le recrutement peut être amélioré avec un ciblage amélioré, correspondance intelligente de l’emploi et de l’évaluation partiellement automatisé;
• la gestion de la main-d’œuvre peut être améliorée par une planification prédictive des besoins en personnel et les absences probables;
• l’apprentissage de la main-d’œuvre peut être plus efficace que le contenu mieux adapté à l’employé est recommandé; et
• le taux de désabonnement des employés peut être réduit en prévoyant que les employés de valeur peuvent être à risque de quitter.

La machine et deep learning deviendront normalisés

Au fil du temps , nous attendons l’adoption de la ML à devenir normalisée. La ML deviendra une partie de boîte à outils standard de développeur, améliorant d’abord les processus existants, puis de les réinventer.

Les conséquences de second ordre de la Machine Learning dépassera son impact immédiat. Le Deep Learning a amélioré la vision par ordinateur, par exemple, au point que les véhicules autonomes (voitures et camions) sont viables. Mais quel sera leur impact ? Aujourd’hui, 90% des personnes et 80% du fret sont transportés par la route au Royaume-Uni. Si on prend uniquement le domaine des véhicules autonomes voici l’impact (chiffres du Royaume-Uni) :

• la sécurité (90% des accidents sont causés par l’inattention du conducteur)
• l’emploi (2,2 millions de britanniques travaillent dans le secteur du transport et de la logistique, recevant environ 57 milliards de livres sterling en salaires annuels)
• assurance (une chute de 63% des primes d’assurance automobile au fil du temps)
• l’économie du secteur (les consommateurs sont susceptibles d’utiliser des services de transport à la demande à la place de la propriété de la voiture);
• le débit des véhicules; aménagement urbain; réglementation et plus.

Article suivant : Pourquoi l’IA arrive à son âge d’or
Source