Les réseaux de neurones artificiels (ANN) sont les éléments d'un système informatique conçu pour simuler la façon dont le cerveau humain analyse et traite les informations. Ils sont les fondements de l'intelligence artificielle (IA) et résolvent des problèmes qui s'avéreraient impossibles ou difficiles par des normes humaines ou statistiques. Les ANN disposent de capacités d'auto-apprentissage qui leur permettent de produire de meilleurs résultats à mesure que davantage de données deviennent disponibles.
Briser les réseaux de neurones artificiels (ANN)
Les réseaux de neurones artificiels (ANN) ouvrent la voie à des applications qui changent la vie à développer pour une utilisation dans tous les secteurs de l'économie. Les plates-formes d'intelligence artificielle (IA) qui sont construites sur ANN perturbent la façon traditionnelle de faire les choses. De la traduction de pages Web dans d'autres langues à la présence d'un assistant virtuel pour commander des courses en ligne, à la conversation avec des chatbots pour résoudre les problèmes, les plateformes d'IA simplifient les transactions et rendent les services accessibles à tous à des coûts négligeables.
Comment fonctionne le système?
Les réseaux de neurones artificiels sont construits comme le cerveau humain, avec des nœuds de neurones interconnectés comme une toile. Le cerveau humain possède des centaines de milliards de cellules appelées neurones. Chaque neurone est composé d'un corps cellulaire qui est responsable du traitement de l'information en transportant l'information vers (entrées) et loin (sorties) du cerveau. L'ANN possède des centaines ou des milliers de neurones artificiels appelés unités de traitement, qui sont interconnectés par des nœuds. Ces unités de traitement sont constituées d'unités d'entrée et de sortie. Les unités d'entrée reçoivent diverses formes et structures d'informations basées sur un système de pondération interne, et le réseau neuronal essaie de se renseigner sur les informations présentées pour produire un rapport de sortie. Tout comme les humains ont besoin de règles et de lignes directrices pour produire un résultat ou une sortie, les RNA utilisent également un ensemble de règles d'apprentissage appelé rétropropagation, une abréviation pour la propagation en arrière de l'erreur, pour perfectionner leurs résultats de sortie.
Un ANN passe initialement par une phase de formation où il apprend à reconnaître les modèles dans les données, que ce soit visuellement, oralement ou textuellement. Au cours de cette phase supervisée, le réseau compare sa sortie réelle produite avec ce qu'il était censé produire, c'est-à-dire la sortie souhaitée. La différence entre les deux résultats est ajustée en utilisant la rétropropagation. Cela signifie que le réseau fonctionne en sens inverse en passant de l'unité de sortie aux unités d'entrée pour ajuster le poids de ses connexions entre les unités jusqu'à ce que la différence entre le résultat réel et le résultat souhaité produise l'erreur la plus faible possible.
Au cours de la formation et de la supervision, l'ANN apprend ce qu'il faut rechercher et quelle devrait être sa sortie, en utilisant des types de questions Oui / Non avec des nombres binaires. Par exemple, une banque qui souhaite détecter à temps la fraude par carte de crédit peut avoir quatre unités de saisie alimentées par ces questions: (1) La transaction est-elle dans un pays différent du pays résident de l'utilisateur? (2) Le site Web sur lequel la carte est utilisée est-il affilié à des entreprises ou des pays figurant sur la liste de surveillance de la banque? (3) Le montant de la transaction est-il supérieur à 2 000 $? (4) Le nom sur la facture de transaction est-il le même que le nom du titulaire de la carte? La banque souhaite que les réponses "fraude détectée" soient Oui Oui Oui Non, qui au format binaire serait 1 1 1 0. Si la sortie réelle du réseau est 1 0 1 0, elle ajuste ses résultats jusqu'à ce qu'elle délivre une sortie qui coïncide avec 1 1 1 0. Après la formation, le système informatique peut alerter la banque des transactions frauduleuses en attente, ce qui lui permet d'économiser beaucoup d'argent.
Applications pratiques
Les réseaux de neurones artificiels ont été appliqués dans tous les domaines d'opérations. Les fournisseurs de services de messagerie utilisent ANN pour détecter et supprimer le spam de la boîte de réception d'un utilisateur; les gestionnaires d'actifs l'utilisent pour prévoir la direction des actions d'une entreprise; Les sociétés de notation de crédit l'utilisent pour améliorer leurs méthodes de notation du crédit; Les plateformes de commerce électronique l'utilisent pour personnaliser les recommandations en fonction de leur public; les chatbots sont développés avec ANN pour le traitement du langage naturel; les algorithmes d'apprentissage en profondeur utilisent ANN pour prédire la probabilité d'un événement; et la liste de l'incorporation ANN se poursuit dans plusieurs secteurs, industries et pays.