Un guide du débutant sur l'IA: Réseaux de neurones

L'un des sujets les plus complexes et les plus incompris faisant les manchettes ces derniers temps est l'intelligence artificielle . Des gens comme Elon Musk préviennent que les robots pourraient un jour nous détruire tous, tandis que d'autres experts affirment que nous sommes au bord d'un hiver IA et la technologie ne va nulle part. Il est difficile de faire la tête ou la queue, mais le meilleur endroit pour commencer est apprentissage en profondeur . Voici ce que vous devez savoir.

L'intelligence artificielle est devenue un point focal pour la communauté technologique mondiale grâce à la montée de l'apprentissage en profondeur. L'avancée radicale de la vision par ordinateur et du traitement du langage naturel, deux des fonctions les plus importantes et utiles de l'intelligence artificielle, est directement liée à la création de réseaux neuronaux artificiels.

Dans le présent article, nous nous référons aux réseaux de neurones artificiels. simplement, les réseaux de neurones. Mais, il est important de savoir que les techniques d'apprentissage en profondeur pour les ordinateurs sont basées sur le cerveau des humains et d'autres animaux.

Qu'est-ce qu'un réseau neuronal?

Les scientifiques croient que le cerveau d'une créature vivante réseau neuronal. Le cerveau humain a jusqu'à 100 milliards de synapses – des espaces entre les neurones – qui forment des motifs spécifiques lorsqu'ils sont activés. Quand une personne pense à une chose spécifique, se souvient de quelque chose, ou éprouve quelque chose avec un de ses sens, on pense que des modèles neuronaux spécifiques "s'allument" dans le cerveau.

Pensez-y comme ceci: quand vous appreniez à lire vous pourriez avoir dû sonder les lettres afin que vous puissiez les entendre à voix haute et mener votre jeune cerveau à une conclusion. Mais, une fois que vous avez lu le mot «chat» assez souvent, vous n'avez pas besoin de le ralentir et de le retentir. À ce stade, vous accédez à une partie de votre cerveau plus associée à la mémoire que la résolution de problèmes, et donc un ensemble différent de synapses feu parce que vous avez formé votre réseau neuronal biologique pour reconnaître le mot "chat".

domaine de l'apprentissage en profondeur un réseau de neurones est représenté par une série de couches qui fonctionnent un peu comme les synapses d'un cerveau vivant. Nous savons que les chercheurs enseignent aux ordinateurs comment comprendre ce qu'est un chat – ou du moins ce qu'est une image d'un chat – en lui donnant autant d'images de chats que possible. Le réseau de neurones prend ces images et essaie de trouver tout ce qui les rend semblables, afin qu'il puisse trouver des chats dans d'autres images.

Les scientifiques utilisent les réseaux de neurones pour apprendre aux ordinateurs comment faire les choses par eux-mêmes. Voici quelques exemples de ce que font les réseaux de neurones:

Comme vous pouvez le voir, les réseaux de neurones s'attaquent à une grande variété de problèmes. Afin de comprendre comment ils fonctionnent – et comment les ordinateurs apprennent – examinons de plus près trois types de réseaux de neurones de base.

Il existe de nombreux types d'apprentissage en profondeur et plusieurs types de réseaux de neurones, mais nous allons nous concentrer sur les réseaux adversatifs générateurs (GAN), les réseaux neuronaux convolutifs (CNN), et les réseaux neuronaux récurrents (RNN).

Réseau accusatoire génératif

Tout d'abord, le GAN. Ian Goodfellow, un des gourous IA de Google, a inventé le GAN en 2014. Pour le dire en termes simples, un GAN est un réseau de neurones composé de deux côtés opposés – un générateur et un adversaire – qui se battent entre eux jusqu'à ce que le générateur gagne. Si vous vouliez créer une IA imitant un style d'art, comme celle de Picasso par exemple, vous pourriez nourrir un GAN d'un tas de ses peintures.

Un côté du réseau essayait de créer de nouvelles images qui trompaient l'autre ils ont été peints par Picasso. Fondamentalement, l'IA apprendrait tout ce qu'il pouvait sur le travail de Picasso en examinant les pixels individuels de chaque image. Un côté commencerait à créer une image tandis que l'autre déterminerait s'il s'agissait d'un Picasso. Une fois que l'IA se trompait, les résultats pouvaient être visualisés par un humain qui pouvait déterminer si l'algorithme devait être modifié pour fournir de meilleurs résultats, ou s'il imitait avec succès le style désiré.

Les GAN sont utilisés dans une grande variété de AI, y compris ce incroyable GAN construit par Nvidia qui crée des gens à partir de rien.

Réseau de neurones convolutionnels

CNN, à ne pas confondre avec l'agence de presse, sont des réseaux de neurones convolutionnels. Ces réseaux, au moins en théorie, existent depuis les années 1940, mais grâce à un matériel avancé et à des algorithmes efficaces, ils commencent tout juste à devenir utiles. Là où un GAN essaie de créer quelque chose qui trompe un adversaire, un CNN a plusieurs couches à travers lesquelles les données sont filtrées en catégories. Ils sont principalement utilisés dans la reconnaissance d'image et le traitement de texte.

Si vous avez un milliard d'heures de vidéo à passer au crible, vous pouvez créer un CNN qui essaye d'examiner chaque image et de déterminer ce qui se passe. On pourrait former un CNN en lui fournissant des images complexes qui ont été marquées par des humains. L'IA apprend à reconnaître les signes d'arrêt, les voitures, les arbres et les papillons en regardant les images que les humains ont étiquetées, en comparant les pixels de l'image aux étiquettes qu'elle comprend et en organisant tout ce qu'elle voit dans les catégories.

CNN sont parmi les réseaux de neurones les plus courants et les plus robustes. Les chercheurs les utilisent pour une myriade de choses, y compris médecins surperformants dans le diagnostic de certaines maladies.

Réseau neuronal récurrent

Enfin, nous avons le RNN, ou réseau neuronal récurrent. Les RNN sont principalement utilisés pour l'intelligence artificielle qui nécessite des nuances et un contexte pour comprendre sa contribution. Un exemple d'un tel réseau de neurones est une IA de traitement du langage naturel qui interprète la parole humaine. Il suffit de regarder l'assistant de Google et l'Alexa d'Amazon pour voir un exemple d'un RNN en action

Pour comprendre le fonctionnement d'un RNN, imaginons une IA qui génère des compositions musicales originales basées sur l'apport humain. Si vous jouez une note, l'IA essaie d '«halluciner» ce que la note suivante «devrait» être. Si vous jouez une autre note, l'IA peut mieux anticiper la sonorité de la chanson. Chaque partie du contexte fournit des informations pour l'étape suivante, et un RNN se met continuellement à jour en fonction de son entrée continue – d'où la partie récurrente du nom.

Aller plus loin

Il y a au moins une douzaine d'autres types de réseaux neuronaux , et les trois couverts ici sont beaucoup plus nuancés que la portée de cet article. Mais, si vous l'avez fait jusqu'à présent, vous devriez avoir une compréhension conversationnelle de ce que sont les réseaux de neurones et ce qu'ils font. Si vous souhaitez en savoir plus voici quelques suggestions pour faire passer votre apprentissage de la machine à un niveau supérieur:

• Ce cours d'AI gratuit de l'Université de Helsinki et Reaktor
• Some tutoriels gratuits pour l'utilisation de la plateforme d'open source de Google TensorFlow
• Et cet excellent article sur The Ganfather par Martin Giles du MIT.

Et pour toutes les plus grandes nouvelles sur ce qui se passe dans le monde réseaux neuronaux, consultez notre section intelligence artificielle .