Les réseaux neuronaux sont des systèmes informatiques dont les nœuds interconnectés fonctionnent comme les neurones du cerveau humain. Grâce à l'utilisation d'algorithmes, les réseaux neuronaux peuvent reconnaître les tendances cachées et les corrélations dans les données brutes, les regrouper et les classer, et – au fil du temps – apprendre et s'améliorer en permanence.
L'histoire des réseaux neuronaux
Le premier réseau neuronal a été conçu par Warren McCulloch et Walter Pitts en 1943. Ils ont rédigé un article fondateur sur le fonctionnement des neurones et ont modélisé leurs idées en créant un réseau neuronal simple à l'aide de circuits électriques.
Ce modèle révolutionnaire a ouvert la voie à la recherche sur les réseaux neuronaux dans deux domaines :
Les processus biologiques dans le cerveau.
L'application des réseaux neuronaux à l'intelligence artificielle (IA).
La recherche sur l'IA s'est rapidement accélérée, Kunihiko Fukushima développant le premier véritable réseau neuronal multicouche en 1975.
L'objectif initial de l'approche des réseaux neuronaux était de créer un système informatique capable de résoudre des problèmes comme le ferait un cerveau humain. Toutefois, au fil du temps, les chercheurs se sont plutôt attachés à utiliser les réseaux neuronaux pour répondre à des tâches spécifiques, s'écartant ainsi d'une approche strictement biologique. Depuis lors, les réseaux neuronaux ont pris en charge diverses tâches, notamment la vision par ordinateur, la reconnaissance vocale, la traduction automatique, le filtrage des réseaux sociaux, les jeux de société et les jeux vidéo, ainsi que le diagnostic médical.
À mesure que la taille des données structurées et non structurées augmentait pour atteindre le niveau des "big data", des systèmes de deep learning ont été développés, c'est-à-dire des réseaux neuronaux avec de nombreuses couches. Le deep learning permet de capturer et d'exploiter des données plus nombreuses et plus volumineuses, y compris des données non structurées.
Pourquoi les réseaux neuronaux sont-ils importants ?
Les réseaux neuronaux sont également parfaitement adaptés pour aider les gens à résoudre des problèmes complexes dans des situations réelles. Ils peuvent apprendre et modéliser les relations non linéaires et complexes entre les entrées et les sorties, faire des généralisations et des déductions, révéler des relations, des tendances et des prédictions cachées, et modéliser des données très volatiles (telles que les données de séries temporelles financières) et les variances nécessaires pour prédire des événements rares (tels que la détection de la fraude). Par conséquent, les réseaux neuronaux peuvent améliorer les processus de décision dans des domaines tels que :
- La détection des fraudes à la carte de crédit et à l'assurance-maladie.
- L'optimisation de la logistique pour les réseaux de transport.
- La reconnaissance des caractères et de la voix, également connue sous le nom de traitement du langage naturel.
- Le diagnostic médical et pathologique.
- Le marketing ciblé.
- Les prévisions financières concernant les cours des actions, les devises, les options, les contrats à terme, les faillites et la notation des obligations.
- Les systèmes de contrôle robotique.
- La prévision de la charge électrique et de la demande d'énergie.
- Le contrôle des processus et de la qualité.
- L'identification des composés chimiques.
- L'évaluation de l'écosystème.
- La vision par ordinateur pour l'interprétation de photos et de vidéos brutes (par exemple, pour l'imagerie médicale, la robotique et la reconnaissance faciale).
Le premier objectif de ces réseaux neuronaux, ou modèles, est d'atteindre une précision de niveau humain. Tant que l'on n'a pas atteint ce niveau, on sait toujours que l'on peut faire mieux. Ivan Gomez Data Scientist and Consultant Zencos
Types de réseaux neuronaux
Il existe différents types de réseaux neuronaux profonds – chacun présentant des avantages et des inconvénients en fonction de son utilisation. En voici quelques exemples :
- Les réseaux neuronaux convolutifs (CNN) contiennent cinq types de couches : entrée, convolution, mise en commun, connexion complète et sortie. Chaque couche a une fonction spécifique, comme la synthèse, la connexion ou l'activation. Les réseaux neuronaux convolutifs ont popularisé la classification d'images et la détection d'objets. Cependant, les CNN ont également été appliqués à d'autres domaines, tels que le traitement du langage naturel et les prévisions.
- Les réseaux neuronaux récurrents (RNN) utilisent des informations séquentielles telles que des données horodatées provenant d'un capteur ou une phrase prononcée, composée d'une séquence de termes. Contrairement aux réseaux neuronaux traditionnels, toutes les entrées d'un réseau neuronal récurrent ne sont pas indépendantes les unes des autres, et la sortie de chaque élément dépend des calculs des éléments qui le précèdent. Les RNN sont utilisés dans les applications de prévision et de séries temporelles, l'analyse des sentiments et d'autres applications textuelles.
- Les réseaux neuronaux à propagation avant, dans lesquels chaque perceptron d'une couche est connecté à tous les perceptrons de la couche suivante. Les informations sont transmises d'une couche à l'autre dans le sens direct uniquement. Il n'y a pas de boucle de rétroaction.
- Les réseaux neuronaux auto-encodeurs sont utilisés pour créer des abstractions appelées codeurs, à partir d'un ensemble donné d'entrées. Bien que semblables aux réseaux neuronaux plus traditionnels, les auto-encodeurs cherchent à modéliser les entrées elles-mêmes, et la méthode est donc considérée comme non supervisée. Le principe des auto-encodeurs est de désensibiliser les éléments non pertinents et de sensibiliser les éléments pertinents. Au fur et à mesure que des couches sont ajoutées, des abstractions supplémentaires sont formulées dans les couches supérieures (les couches les plus proches du moment où une couche de décodage est introduite). Ces abstractions peuvent ensuite être utilisées par des classificateurs linéaires ou non linéaires.
Les réseaux neuronaux dans le monde d'aujourd'hui
Les réseaux neuronaux modifient la manière dont les personnes et les organisations interagissent avec les systèmes, résolvent les problèmes, prennent de meilleures décisions et font de meilleures prévisions. En savoir plus sur l'impact des réseaux neuronaux.
Des réseaux neuronaux pour la santé des troupeaux
Un data scientist passionné utilise des réseaux neuronaux pour détecter la tuberculose chez les éléphants. Découvrez comment ses recherches peuvent contribuer à prévenir la propagation de la tuberculose.
Apprendre la modélisation des réseaux neuronaux
Apprenez à choisir une architecture de réseau neuronal appropriée, à déterminer la méthode de formation adéquate, à mettre en œuvre des modèles de réseau neuronal dans un environnement informatique distribué et à construire des réseaux neuronaux personnalisés à l'aide de la procédure neuronal.
Comment faire du deep learning avec SAS®
Vous avez besoin d'un aperçu plus pointu des techniques et des applications de deep learning ? Lisez cet article et découvrez comment SAS prend en charge la création de modèles de réseaux neuronaux profonds.
Qui utilise les réseaux neuronaux ?
Les systèmes de deep learning – et donc les réseaux neuronaux qui les rendent possibles – sont utilisés de manière stratégique dans de nombreux secteurs et branches d'activité.
Sciences de la vie
Les organisations du secteur de la santé et des sciences de la vie utilisent les réseaux neuronaux pour permettre les diagnostics prédictifs, l'imagerie biomédicale et la surveillance de la santé.
Manufacturing
Les entreprises du secteur de l'énergie et du manufacturing utilisent les réseaux neuronaux pour optimiser les chaînes d'approvisionnement, automatiser la détection des défauts et prévoir les besoins en énergie.
Banque
Les banques utilisent les réseaux neuronaux pour détecter les fraudes, effectuer des analyses de crédit et automatiser les services de conseil financier.
Secteur public
Les organisations du secteur public utilisent les réseaux neuronaux pour soutenir les villes intelligentes, le renseignement de sécurité et la reconnaissance faciale.
Retail & Biens de consommation
Les secteurs du retail et des biens de consommation utilisent les réseaux neuronaux pour alimenter les chatbots conversationnels, améliorer et approfondir les renseignements sur les clients et effectuer des analyses de réseau.
En savoir plus sur les secteurs qui utilisent cette technologie
- Banque
- Marchés des capitaux
- Enseignement
- Santé
- Hospitalité
- Assurance
- Sciences de la vie
- Manufacturing
- Secteur public
- Retail & Biens de consommation
- Petites et Moyennes entreprises
- Analytique dans le sport
- Télécommunications, médias & Technologie
- Voyage & Transport
- Transport & Énergie
Les réseaux neuronaux ont la capacité d'identifier les anomalies. À l'avenir, nous pourrons les utiliser pour donner aux médecins un deuxième avis – par exemple pour savoir s'il s'agit d'un cancer ou ce qu'est un problème inconnu. Et nous serons en mesure de fournir ces seconds avis plus rapidement et avec plus de précision. Leigh Ann Herhold Data Scientist and Consultant Zencos
Construire un modèle de réseau neuronal
Dans cette vidéo, vous apprendrez à utiliser SAS® Visual Data Mining et Machine Learning dans le contexte des réseaux neuronaux. Cet exemple examine ce qui pousse des internautes vers un site web et ce qui les incite à télécharger un document sur le site d'une société informatique.
Le fonctionnement des réseaux neuronaux
Un réseau neuronal simple comprend une couche d'entrée, une couche de sortie (ou cible) et, entre les deux, une couche cachée. Les couches sont connectées par des nœuds et ces connexions forment un "réseau" – le réseau neuronal – de nœuds interconnectés.
Un nœud s'inspire d'un neurone du cerveau humain. Comme les neurones, les nœuds sont activés lorsqu'il y a suffisamment de stimuli ou d'entrées. Cette activation se propage dans tout le réseau, créant une réponse aux stimuli (sortie). Les connexions entre ces neurones artificiels agissent comme de simples synapses, permettant aux signaux d'être transmis de l'un à l'autre. Les signaux traversent les couches en allant de la première couche d'entrée à la dernière couche de sortie – et sont traités en cours de route.
Lorsqu'ils sont confrontés à une demande ou à un problème à résoudre, les neurones effectuent des calculs mathématiques pour déterminer s'il y a suffisamment d'informations pour les transmettre au neurone suivant. Plus simplement, ils lisent toutes les données et déterminent où se trouvent les relations les plus fortes. Dans le type de réseau le plus simple, les données reçues sont additionnées et si la somme est supérieure à un certain seuil, le neurone "se déclenche" et active les neurones auxquels il est connecté.
L'augmentation du nombre de couches cachées au sein d'un réseau neuronal donne naissance à des réseaux neuronaux profonds. Les architectures de deep learning font passer les réseaux neuronaux simples au niveau supérieur. En utilisant ces couches, les data scientists peuvent construire leurs propres réseaux de deep learning qui permettent le machine learning, lequel peut entraîner un ordinateur à imiter avec précision des tâches humaines, telles que la reconnaissance vocale, l'identification d'images ou la réalisation de prédictions. Tout aussi important, l'ordinateur peut apprendre par lui-même en reconnaissant des tendances dans de nombreuses couches de traitement.
Maintenant, mettons cette définition en pratique. Les données sont introduites dans un réseau neuronal par la couche d'entrée qui communique avec les couches cachées. Le traitement a lieu dans les couches cachées par le biais d'un système de connexions pondérées. Les nœuds de la couche cachée combinent ensuite les données de la couche d'entrée avec un ensemble de coefficients et attribuent les poids appropriés aux entrées. Ces produits d'entrée pondérés sont ensuite additionnés. La somme passe par la fonction d'activation d'un nœud, qui détermine dans quelle mesure un signal doit progresser dans le réseau pour affecter la sortie finale. Enfin, les couches cachées sont reliées à la couche de sortie – où les résultats sont récupérés.
Étapes suivantes
Découvrez comment les réseaux neuronaux jouent un rôle dans l'intelligence artificielle.
LE produit pour les réseaux neuronaux
SAS® Visual Data Mining and Machine Learning
Soutenir le processus de data mining et de machine learning de bout en bout grâce à une interface visuelle (et de programmation) complète qui prend en charge toutes les tâches du cycle de vie analytique.
Lecture recommandée
-
ARTICLE
Three steps for conquering the last mile of analyticsPutting your analytical models into production can be the most difficult part of the analytics journey. It’s no surprise that this last mile of analytics – bringing models into deployment – is the hardest part of digital transformation initiatives for organizations to master, yet it’s the most crucial.
-
ARTICLE
Shut the front door on insurance application fraud!Fraudsters love the ease of plying their trade over digital channels. Smart insurance companies are using data from those channels (device fingerprint, IP address, geolocation, etc.) coupled with analytics and machine learning to detect insurance application fraud perpetrated by agents, customers and fraud rings.
-
ARTICLE
How to improve your AI marketing skillsMarketing teams can use current AI capabilities to enhance their efforts around campaign automation, dynamic pricing based on forecasting models, and by providing more relevant, real-time customer offers.
