Un neurone, dans un réseau de neurones, ne « pense » pas. Il fait une multiplication, une addition, puis il décide si ça vaut le coup de transmettre. C'est tout. Et pourtant, empilez quelques milliers de ces petites machines à calculer, et vous obtenez un système capable de reconnaître votre visage sur une photo floue, de traduire une phrase en japonais ou de deviner quel film vous allez regarder ce soir.
Je sais à quel point ça paraît magique la première fois. La première fois que j'ai vu un réseau distinguer des chiffres manuscrits après vingt minutes d'entraînement sur mon vieux portable, j'ai cru à une erreur de code. J'ai relancé trois fois. Non, il avait vraiment appris.
Dans cet article, je vous explique les réseaux de neurones comme je l'aurais voulu qu'on me les explique quand j'ai débuté : sans jargon inutile, avec un vrai exemple de calcul à la main, et en vous montrant aussi les pièges que personne ne mentionne.
Points clés à retenir
- Un neurone artificiel fait trois choses : multiplier des entrées par des poids, additionner le tout avec un biais, puis appliquer une fonction d'activation.
- Un réseau = plusieurs couches de ces neurones empilées. C'est l'empilement qui crée la puissance.
- « Apprendre », ça veut dire ajuster les poids et les biais pour réduire l'erreur. Rien de plus mystérieux.
- La rétropropagation est l'algorithme qui calcule « qui est responsable de l'erreur » et corrige en conséquence.
- Un réseau qui réussit sur ses données d'entraînement mais échoue sur des données neuves est surappris. C'est le piège numéro un.
- Vous pouvez tester tout ça gratuitement dans votre navigateur, sans rien installer.
Réseau de neurones expliqué simplement : commençons par un seul neurone qui calcule
Oubliez les images de cerveau avec des connexions lumineuses. Prenez une calculatrice.
Un neurone artificiel reçoit plusieurs nombres en entrée. Il attribue à chacun un poids (un coefficient). Il multiplie chaque entrée par son poids, additionne les résultats, ajoute un biais (un nombre fixe), puis passe le tout dans une petite fonction qui décide de la sortie. Cette fonction s'appelle la fonction d'activation.
Un exemple chiffré, à la main
Imaginons un neurone chargé de décider si vous devriez sortir courir aujourd'hui. Deux entrées : la température (en degrés, disons 12) et la pluie (1 s'il pleut, 0 sinon).
- Poids de la température : 0,5 (plus il fait chaud, mieux c'est)
- Poids de la pluie : -3 (la pluie décourage fortement)
- Biais : 1
Calcul : (12 × 0,5) + (0 × -3) + 1 = 7. Si la fonction d'activation transforme tout nombre positif en « oui », le neurone dit : « Sors courir. »
Maintenant, il pleut. Même température : (12 × 0,5) + (1 × -3) + 1 = 4. Toujours positif, mais beaucoup moins enthousiaste. Si la pluie passait à deux unités de poids négatif de plus, on basculerait vers « non ».
Voilà un neurone. Ce n'est rien d'autre qu'une règle de décision pondérée. La magie vient de ce qui suit.
Où est la complexité, alors ?
Elle apparaît quand on empile. Un neurone seul ne peut tracer qu'une frontière droite entre deux catégories. Deux catégories séparées par une courbe en S ? Un neurone unique échoue, systématiquement.
Mettez plusieurs neurones en couche, et chacun découpe le problème sous un angle différent. Ajoutez une deuxième couche qui combine leurs verdicts, et vous obtenez des frontières courbes, tordues, capables d'épouser des formes complexes. C'est exactement ce qu'on appelle un réseau de neurones.
IA, machine learning, deep learning : où se situe le réseau de neurones ?
On mélange tout le temps ces termes. Un débutant qui ne fait pas le tri se perd en trois semaines. Alors clarifions, une bonne fois.
| Terme | Ce que ça désigne | Exemple concret |
|---|---|---|
| Intelligence artificielle | L'ensemble des techniques qui font « faire » à une machine des tâches qu'on associait à l'humain | Un programme qui joue aux échecs par règles codées à la main |
| Machine learning | Le sous-domaine où la machine apprend à partir de données, au lieu d'appliquer des règles écrites à la main | Un filtre anti-spam qui s'améliore quand vous signalez un message |
| Deep learning | Le machine learning basé sur des réseaux de neurones à plusieurs couches | La reconnaissance vocale de votre téléphone |
| Réseau de neurones | Le mécanisme précis qui rend tout le reste possible | Le modèle qui traduit automatiquement une phrase |
L'IA est le contenant le plus large. Le machine learning en est un morceau. Le deep learning en est un morceau plus petit encore, et le réseau de neurones est la brique qui le compose. Vous n'avez pas besoin de retenir cette hiérarchie par cœur, mais elle vous évitera de dire une bêtise en entretien.
Comment un réseau de neurones apprend vraiment
Au départ, les poids et les biais sont initialisés au hasard. Le réseau raconte donc n'importe quoi. C'est normal, et c'est même obligatoire.
Étape 1 : la prédiction
On lui montre une donnée, il produit une réponse. Disons qu'il devait dire « chat » et qu'il dit « chien » avec une confiance de 80 %.
Étape 2 : la mesure de l'erreur
Une fonction de perte calcule à quel point il s'est trompé. Plus le réseau est loin de la bonne réponse, plus cette valeur est élevée. C'est le thermomètre du mauvais élève.
Étape 3 : la rétropropagation
Le réseau remonte ensuite la chaîne à l'envers. Il se demande : quel poids, dans quelle couche, a contribué le plus à l'erreur ? Puis il ajuste chacun d'un petit pas dans la bonne direction. Ce « petit pas » s'appelle le taux d'apprentissage, et le régler fait partie des galères classiques de tout débutant.
Trop grand, le réseau oscille et n'apprend rien. Trop petit, l'entraînement prend une éternité. J'ai perdu une après-midi entière sur ce réglage, persuadé que mon modèle était cassé, alors qu'il apprenait simplement à la vitesse d'une tortue paralysée.
Répétez ces trois étapes sur des milliers d'exemples, et les poids finissent par prendre les bonnes valeurs. Personne ne les a écrites à la main. Elles ont émergé. C'est toute l'idée.
Les pièges que personne ne mentionne aux débutants
Vous trouverez partout des articles qui encensent les réseaux de neurones. Voici la face cachée.
Le surapprentissage
Un réseau peut apprendre ses données d'entraînement par cœur, y compris le bruit et les détails inutiles. Résultat : il atteint 99 % de précision sur ce qu'il a déjà vu, puis se plante lamentablement sur une donnée neuve. On dit qu'il est surappris.
Comment le détecter ? On garde toujours une portion des données de côté, jamais montrée pendant l'entraînement. Si le score y est mauvais alors qu'il est excellent sur le reste, vous tenez votre coupable.
Il faut des données, et du calcul
Un réseau qui distingue des milliers de catégories d'images a besoin de millions d'exemples et de cartes graphiques coûteuses. Pour classifier trois types de fleurs selon la longueur des pétales, une simple régression logistique fait très bien le travail, pour une fraction du coût.
Franchement, j'ai vu trop de projets démarrer par un réseau profond là où cinq lignes de statistique auraient suffi. On ne prend pas une perceuse à percussion pour planter un clou dans du plâtre.
Les biais algorithmiques
Un réseau reproduit les schémas présents dans ses données. Si un jeu d'images de recrutement contient historiquement plus d'hommes que de femmes dans un poste, le modèle peut apprendre à défavoriser les candidatures féminines. Il ne « veut » rien. Il ne fait que recopier fidèlement les travers qu'on lui a donnés.
Ce n'est pas un détail technique. C'est une responsabilité de la personne qui entraîne le modèle.
Comment tester un réseau de neurones sans rien installer
Vous voulez voir un réseau apprendre, là, maintenant, sans écrire une ligne de Python ? Ouvrez TensorFlow Playground, un outil gratuit qui tourne entièrement dans le navigateur, développé par l'équipe TensorFlow.
Vous y dessinez des points en deux catégories, vous choisissez le nombre de couches cachées, vous cliquez sur lecture, et vous regardez la frontière de décision se déformer sous vos yeux. C'est visuel, immédiat, et ça vaut dix heures de théorie.
Quand vous vous sentez prêt à coder, la marche suivante est un notebook Python avec une bibliothèque comme TensorFlow ou PyTorch, sur un jeu de données classique comme le MNIST (des chiffres manuscrits). Comptez une ou deux heures pour le premier entraînement qui fonctionne, beaucoup plus pour comprendre pourquoi il fonctionne.
Alors, maintenant que vous savez qu'un neurone se résume à une multiplication, une addition et une décision : la vraie question n'est plus « comment ça marche », mais « à partir de quand est-ce que j'en ai vraiment besoin ». Beaucoup plus souvent qu'on ne le croit, la réponse honnête est : moins souvent qu'on aimerait le penser.
