« Intelligence artificielle » : différence entre les versions
Contenu supprimé Contenu ajouté
"Faire leur preuve"=trop général, connotation trop positive. Texte original parle de "progrès spectaculaires" |
Quelles fonctions? Mathématiques? "Apprendre une fonction" pour une IA est trop vague ici, Apprendre à "résoudre","imiter", "classer"? |
||
Ligne 42 :
Les [[Réseau de neurones artificiels|réseaux de neurones artificiels]] sont inspirés du fonctionnement du [[cerveau humain]] : les [[neurone]]s sont en général connectés à d'autres neurones en entrée et en sortie. Les neurones d'entrée, lorsqu'ils sont activés, agissent comme s'ils participaient à un [[vote pondéré]] pour déterminer si un neurone intermédiaire doit être activé et ainsi transmettre un signal vers les neurones de sortie. En pratique, pour l'équivalent artificiel, les « neurones d'entrée » ne sont que des nombres et les poids de ce « vote pondéré » sont des paramètres ajustés lors de l'apprentissage<ref>{{Lien web |langue=fr |auteur=Antoine Crochet-Damais |titre=Réseau de neurones artificiels : réseaux neuronaux pour l'IA |url=https://www.journaldunet.fr/intelligence-artificielle/guide-de-l-intelligence-artificielle/1501851-reseau-de-neurones-artificiels/ |site=[[Le Journal du Net]] |date=2022-06-29 |consulté le=2024-01-03}}.</ref>{{,}}<ref name=":12">{{Lien web |langue=fr |titre=Qu'est-ce qu'un réseau de neurones convolutifs ? |url=https://www.ibm.com/fr-fr/topics/convolutional-neural-networks |site=[[IBM]] |consulté le=2024-01-07}}.</ref>.
À part la [[fonction d'activation]], les réseaux de neurones artificiels n'effectuent en pratique que des additions et des [[Produit matriciel|multiplications matricielles]], ce qui fait qu'ils peuvent être accélérés par l'utilisation de [[Processeur graphique|processeurs graphiques]]<ref>{{Lien web |langue=en |prénom=Ram |nom=Sagar |titre=Can We Speed Up Matrix Multiplication? |url=https://analyticsindiamag.com/can-we-speed-up-matrix-multiplication/ |site=Analytics India Magazine |date=2021-09-14 |consulté le=2024-01-07}}.</ref>. En théorie, un réseau de neurones peut apprendre {{Lesquelles|n'importe quelle fonction|date=18 février 2024}}<ref>{{Article |langue=en |auteur1=Kurt Hornik|auteur2=Maxwell Stinchcombe |auteur3=Halbert White|titre=Multilayer Feedforward Networks are Universal Approximators|périodique=Neural Networks |date=1989 |lire en ligne=https://cognitivemedium.com/magic_paper/assets/Hornik.pdf |format=pdf}}.</ref>.
Pour de simples [[Réseau de neurones à propagation avant|réseaux de neurones à propagation avant]] (''{{lang|en|feedforward}}'' en anglais), le signal ne passe que dans une direction. Avec les [[Réseau de neurones récurrents|réseaux de neurones récurrents]], le signal de sortie de chaque neurone est réinjecté en entrée de ce neurone, permettant un mécanisme de mémoire à court terme<ref>{{Lien web |langue=fr |prénom=Bastien |nom=L |titre=Réseau de neurones artificiels : qu'est-ce que c'est et à quoi ça sert ? |url=https://www.lebigdata.fr/reseau-de-neurones-artificiels-definition |site=lebigdata.fr |date=2019-04-05 |consulté le=2024-01-03}}.</ref>. Les [[réseaux neuronaux convolutifs]], qui sont particulièrement utilisés en [[traitement d'images]], introduisent une notion de localité. Leurs premières couches identifient des motifs relativement basiques et locaux comme des contours, là où les dernières couches traitent de motifs plus complexes et globaux<ref name=":12" />.
| |||