Un neurone artificiel est l’unité de base des IA modernes. Il vise à reproduire mathématiquement le comportement des neurones naturels. Les neurones artificiels ne datent pas d’hier : ils ont été conceptualisés en 1943 par McCulloch et Pitts.
Tout seul et bien entrainé, un neurone artificiel peut réaliser des tâches complexes, notamment il peut classer des informations (nombres, textes, images…). L’air de rien, c’est déjà une belle performance informatique pour un truc aussi basique. Mais, chez les neurones artificiels plus qu’ailleurs, l’union fait la force ! Formez un réseau de plusieurs millions de ces neurones et vous obtiendrez des IA capables de réaliser de véritables prouesses technologiques, telle que répondre de façon naturelle et pertinente à une conversation, comme ChatGPT.
Voyons tout ça en détails 🙂
Fonctionnement d’un neurone artificiel
Les bases : « Entrée », « Calculs » et « Sortie »
Commençons par une description simplifiée : pour utiliser un neurone artificiel, vous allez lui donner des nombres (en entrée), il va alors réaliser un calcul et répondre par un nombre (en sortie).
Par exemple, imaginons que nous allons utiliser un neurone artificiel pour reconnaître si un emoji représente un chat (par exemple 🐱😸😻) ou une autre chose. L’image d’un emoji est composée de pixels, et chaque pixel possède une valeur numérique qui représente sa couleur. En envoyant ces valeurs numériques au neurone, celui-ci procède à un calcul et il nous fournit une réponse :
- Soit « 1 » pour indiquer « Oui, cet emoji représente un chat »
- Soit « 0 » pour indiquer « Non, cet emoji ne représente pas un chat »
Voici un neurone qui a la capacité de changer le destin de l’humanité 😹
Notez bien que le neurone n’a aucune idée de ce qu’il est en train de calculer, on lui envoie des nombres, il fait des calculs et il donne un nombre en échange. Ce pourrait être un emoji de chat ou l’évolution de la production de tomates en Espagne au fil des années, ce serait pareil pour lui : juste des nombres.
Détails sur le calcul
Maintenant, que vous connaissez le concept de base, plongeons un peu plus loin dans le calcul, pas de panique, il n’y a rien de sorcier 👍
Le calcul se déroule en 3 étapes :
- La pondération des données d’entrée ;
- La somme des poids ;
- La fonction d’activation.
Prenons un exemple simple : imaginons un neurone qui prend 2 nombres en entrée : « n1 » et « n2 ». On va envoyer la valeur « 4 » à « n1 » et la valeur « 5 » à « n2 »
Voyons ce qu’il se passe dans le neurone.
1) La pondération des données
Chacune des données d’entrée va être multipliée par un coefficient, cela permet de donner plus ou moins de poids à chaque donnée. Imaginons que dans ce neurone, le coefficient pour n1 est « 3 » et que celui de n2 est « 2 » :
- Le nombre « n1 » sera multiplié par 3, donnant un poids de 12 (4 x 3)
- Le nombre « n2 » sera multiplié par 2, donnant un poids de 10 (5 x 2).
2) Sommes des poids
Une fois que toutes les données d’entrée sont multipliées avec leur coefficient respectif, on additionne les poids obtenus, dans notre exemple cela fait donc 22 (12+10).
3) Fonction d’activation
Le neurone va alors appliquer une fonction au nombre obtenu par exemple, si la fonction ressemble à cette courbe, alors la valeur correspondante à 22 sera 1,8 :
Et voilà, c’est aussi simple que ça ! Avec ces nouvelles connaissances, vous pourriez presque devenir un neurone artificiel très satisfaisant 😉
Ce qui va distinguer chaque neurone artificiel ce sont :
- Le nombre de données d’entrée ;
- Les coefficients appliqués à chaque donnée d’entrée ;
- La forme de la fonction d’activation, il en existe différentes selon du résultat qu’on souhaite obtenir :
Notez que si des souvenirs du lycée vous reviennent, c’est tout à fait normal 😉
Voici maintenant un schéma plus complet d’un neurone artificiel :
C’est cette combinaison de transformations simples (multiplications / somme / fonction) qui permet aux neurones artificiels de déterminer des relations complexes entre les données.
Vous avez déjà lu une bonne partie de cet article, j’ai l’impression qu’il vous intéresse 👍
Au fait, je m’appelle François Tréca. Je publie de temps à autre des articles et/ou des vidéos au sujet du SEO, de l’IA, des entrepreneurs, du marketing… Je fais de mon mieux pour produire des contenus de qualité (ça attire toujours les clients).
Si ces sujets vous intéressent, je vous invite à vous inscrire à ma newsletter pour ne pas rater mes prochaines publications. C’est gratuit (je monétise avec mes prestations) et, promis, vous ne serez pas spammé (c’est contre-productif 😉 ).
Comment un neurone artificiel peut-il « apprendre » ?
Pour qu’un neurone artificielle apprenne, il faut l’entrainer avec des exemples. Reprenons notre neurone chargé de détecter si un emoji représente un chat :
- Si je lui envoie l’emoji 🐱 et qu’il me répond « Oui, c’est un chat », alors c’est parfait, on ne change rien.
- Maintenant, si je lui envoie l’emoji 🍎et qu’il me répond « Oui, c’est un chat », alors il y a une erreur… Dans ce cas, on va ajuster un peu les coefficients multiplicateurs (ceux de la première étape du calcul).
- Après, si je lui envoie l’emoji 😸 et qu’il me répond « Non, ce n’est pas un chat », on va à nouveau ajuster les coefficients multiplicateurs.
Ce processus d’ajustement, souvent réalisé par un algorithme de rétropropagation, se poursuit jusqu’à ce que le neurone atteigne un pourcentage de réussite élevé, disons 95%, ce qui commencerait à être intéressant. Bien que ce processus d’ajustement des poids par essai/erreur puisse sembler bizarre, il s’avère très efficace. Petit à petit, le neurone affine sa capacité à distinguer les chats.
Pour ceux qui souhaitent comprendre en détails comment les poids sont ajustés, vous pouvez lire cet article de Wikipédia.
Conclusion
Vous devriez maintenant mieux comprendre comment fonctionne un neurone artificiel. Mais ceci n’est que la partie visible de l’iceberg ! Dans les prochains articles, nous plongerons dans les méandres des réseaux de neurones, où l’interaction entre des milliers, voire des millions de neurones donnent des résultats qui semblent relever de la magie noire 🧙♂️. Préparez-vous à être surpris, car ces systèmes sont aussi fascinants qu’énigmatiques. À bientôt pour cette aventure au cœur de l’intelligence artificielle !
Merci pour votre attention 🙂, j’espère que cet article vous aura permis de comprendre le fonctionnement d’un neurone artificiel. La principale source d’informations pour cet article sont les pages de Wikipédia sur le neurone formel, les fonctions d’activation et le rétrogradation du gradient. Merci aux bénévoles de Wikipédia qui contribuent à améliorer et maintenir ce site 👍