Pourquoi une personne non spécialiste devrait-elle comprendre les réseaux de neurones ?
Il est important de comprendre les réseaux de neurones, car ils sont au cœur de la plupart des outils d’IA que vous utilisez, de la transcription vocale aux assistants conversationnels. Pour décider d’acheter ces outils ou de leur faire confiance, vous devez savoir ce qu’ils peuvent et ne peuvent pas apprendre.
Prenons l’exemple d’un courtier en assurances fictif de 80 personnes, Harbourline Insurance. Un fournisseur présente un outil de tri des dossiers de sinistre à Daniel, le responsable des opérations. La diapositive indique : 'Réseau de neurones profond, 12 couches, entraîné sur des millions de dossiers de sinistre, 94% de précision, apprend comme le cerveau humain.' Les notes de Daniel après l’appel indiquent : 'pas sûr de ce que signifie couches. entraîné sur les dossiers de qui ? 94% de quoi ? peut-il expliquer une décision si un client se plaint ?' Il doit faire un point avec son directeur d’ici jeudi et ne veut ni répéter la diapositive ni rejeter la proposition sans examen.
Comment fonctionne un réseau de neurones, étape par étape ?
Un réseau de neurones fait passer des nombres à travers des couches d’unités, dont chacune combine ses entrées à l’aide de poids ajustables. Il compare ensuite le résultat final à la bonne réponse pour ajuster légèrement les poids et faire mieux la fois suivante. Les étapes ci-dessous suivent une prédiction et un cycle d’apprentissage.
1. Les données d’entrée deviennent des nombres
Tout ce que le réseau reçoit est d’abord converti en nombres : la luminosité des pixels pour une image, des mots convertis en codes numériques pour un texte, ou des champs comme le montant du sinistre et l’ancienneté du contrat pour une déclaration de sinistre.
2. Chaque neurone pondère ses entrées
Un neurone, aussi appelé nœud, multiplie chaque valeur entrante par un poids, additionne les résultats avec une constante appelée biais, puis fait passer le total dans une fonction d’activation. Cette fonction permet à un ensemble de couches de neurones d’apprendre des relations courbes et non linéaires, plutôt que de simples relations en ligne droite.
3. Les couches s’appuient les unes sur les autres
Les neurones sont organisés en couches. La couche d’entrée contient les valeurs brutes, une ou plusieurs couches cachées les transforment, et la couche de sortie produit la prédiction, par exemple 'probablement une demande simple' ou 'nécessite un spécialiste'. Un réseau comportant de nombreuses couches cachées est dit profond, d’où le terme apprentissage profond.
4. L’erreur est mesurée
Pendant l’entraînement, le réseau fait une prédiction pour un exemple dont la bonne réponse est connue. L’écart entre sa réponse et la bonne réponse est mesuré par un nombre appelé perte.
5. Les poids sont ajustés
Un algorithme appelé rétropropagation calcule la contribution de chaque poids à l’erreur, puis une méthode appelée descente de gradient ajuste légèrement chaque poids dans le sens qui aurait réduit cette erreur. Répétées sur plusieurs milliers ou millions d’exemples, ces petites corrections finissent par produire un modèle qui prédit correctement.
Comment se formule une explication insuffisante ou améliorée d’un réseau de neurones ?
Une présentation peu utile reprend les propos du fournisseur : 'C’est un réseau de neurones profond à 12 couches qui apprend comme un cerveau et atteint une précision de 94%.' La directrice de Daniel n’en retire rien qui puisse guider ses décisions, et 'apprend comme un cerveau' est une métaphore, pas une description. Les vrais neurones et ces unités partagent un nom et une vague source d’inspiration, pas un mécanisme.
Une présentation améliorée indique : 'Le produit est un réseau de neurones : un modèle qui a appris à trier les demandes d’indemnisation en ajustant des millions de poids internes jusqu’à ce que ses prédictions correspondent aux décisions passées. Sa qualité dépend donc des demandes passées sur lesquelles il a été entraîné : nous devons savoir qui les avait déposées et si elles ressemblent aux nôtres. Le chiffre de 94% doit être défini : sur quelles données de test le modèle donne-t-il des réponses correctes, et à quelle fréquence classe-t-il à tort une demande complexe comme simple ? Ces modèles sont difficiles à expliquer décision par décision. Nous devons donc demander ce que le fournisseur peut fournir lorsqu’un client conteste un résultat, et maintenir une vérification humaine de chaque demande rejetée.' Cette version transforme la diapositive en quatre questions précises.
Pourquoi les réseaux de neurones ont-ils besoin d’autant de données, et où sont-ils utilisés ?
Les réseaux de neurones ont besoin de beaucoup de données, car ils comportent un très grand nombre de poids à régler, et chaque poids est appris à partir d’exemples plutôt que défini par une personne. Avec trop peu d’exemples, le réseau peut mémoriser ses données d’entraînement au lieu d’apprendre une règle générale : c’est ce qu’on appelle le surapprentissage.
Ils sont utilisés lorsque les régularités sont nombreuses mais difficiles à formaliser en règles : reconnaître des objets dans des images, transcrire la parole, traduire des langues, repérer des transactions inhabituelles et faire fonctionner les grands modèles de langage qui sous-tendent les assistants comme ChatGPT, Claude et Gemini. Pour de petits tableaux de données d’entreprise bien structurés, des modèles plus simples sont souvent tout aussi précis et bien plus faciles à expliquer.
Quelles sont les limites des réseaux de neurones ?
Les principales limites sont les suivantes : les réseaux de neurones apprennent tout ce que contiennent leurs données d’entraînement, y compris leurs lacunes et leurs biais ; il est difficile d’expliquer chacune de leurs décisions ; et ils peuvent se tromper avec assurance face à des cas très différents de ceux rencontrés pendant l’entraînement. Les chiffres de précision dépendent entièrement des données de test : demandez donc toujours quelles données ont été utilisées. L’entraînement de grands réseaux exige aussi une puissance de calcul importante, ce qui explique pourquoi la plupart des organisations utilisent des modèles préentraînés.
Comment vérifier une affirmation concernant un réseau de neurones ?
Vérifiez une affirmation concernant un réseau de neurones en demandant sur quelles données il a été entraîné, comment il a été testé, quelles erreurs il commet et qui contrôle ses décisions. Si un fournisseur ne peut pas répondre clairement à ces questions, le nombre de couches n’a aucune importance.
Où se situe cette leçon dans Tosheo.ai ?
Cette leçon appartient à la catégorie Apprentissage automatique et ouvre le module sur les réseaux de neurones du cours d’apprentissage automatique. Dans Tosheo.ai, elle est suivie d’un exercice pratique dans lequel vous expliquez un modèle à un interlocuteur fictif. Le retour fondé sur la grille d’évaluation signale les métaphores vagues et les affirmations non étayées sur la précision. Elle apporte des bases professionnelles pour travailler avec l’apprentissage automatique, mais ne constitue pas une formation intensive à la création de modèles ; si vous souhaitez programmer des réseaux, le parcours facultatif Programmation couvre ce sujet après inscription.