Réseaux de neurones : comment apprennent-ils à prédire ?

Intervenant 10:00

Bienvenue à tous dans le podcast du magazine Tangente. C'est vraiment un immense plaisir de retrouver notre public aujourd'hui pour une nouvelle analyse.

Intervenant 20:09

Bonjour à toutes et à tous. Et oui, je suis ravi d'être là pour décortiquer tout ça avec vous.

Intervenant 10:14

Alors aujourd'hui on va faire une exploration en profondeur sur un sujet qui nous concerne tous. Imaginez un instant une machine capable de peindre une toile totalement inédite et ça dans le plus pur style de Claude

Intervenant 20:26

Monet. Ou même un système informatique qui va guider votre voiture sur le périphérique parisien en pleine heure de pointe en esquivant les dangers en temps réel. C'est plus de la science-fiction en fait.

Intervenant 10:36

Exactement, ces exploits sont bel et bien réels aujourd'hui. Mais le plus troublant dans tout ça, c'est qu'à l'intérieur de ces machines, il n'y a pas la moindre étincelle de conscience.

Intervenant 20:46

C'est clair, il n'y a personne aux commandes. Il n'y a que des mathématiques, des lignes de code savamment orchestrées pour imiter le fonctionnement de notre propre cerveau.

Intervenant 10:56

Et c'est précisément le cœur de notre plongée du jour. Notre mission, c'est de démystifier l'apprentissage automatique et les réseaux de neurones. Décortiquons un peu tout ça, car on entend beaucoup parler d'intelligence artificielle, mais les mécanismes réels sont souvent très mal compris.

Intervenant 21:12

Absolument. On a souvent tendance à enrober ces technologies d'un vocabulaire presque magique, un peu mystique quoi.

Intervenant 11:18

Et pour nous ramener sur terre, on va s'appuyer sur les travaux et l'article de Vincent Barat, qui est professeur en informatique à l'Université Clermont-Auvergne. Son texte nous ramène à une réalité très terre-à-terre, au carrefour des maths et de l'électronique.

Intervenant 21:32

Voilà, c'est une approche géniale pour comprendre comment on passe d'une froide logique de silicium, de simples puces informatiques, à cette capacité sidérante d'apprendre. D'ailleurs, si on remonte un peu le fil de l'histoire, le terme même d'intelligence artificielle n'a rien d'une trouvaille marketing récente.

Intervenant 11:51

Ah bon ? C'est pas un truc de la Silicon Valley des années 2000 ?

Intervenant 21:55

Eh bien non, pas du tout. En fait, ça a été forgé au milieu des années 50 par un chercheur nommé John McCarthy à l'université de Dartmouth. Son idée de base, c'était simplement de définir la science et l'ingénierie qui permettraient de fabriquer des programmes informatiques intelligents.

Intervenant 12:11

Attendez, on parle donc d'une ambition qui a plus de 70 ans. Du coup, ça soulève une question super évidente. Si le concept date des années 50, comment ça se fait que l'explosion n'ait lieu que maintenant ? J'ai l'impression qu'on a soudainement franchi un mur du son technologique sans prévenir.

Intervenant 22:28

Le franchissement de ce mur repose sur une sorte d'alignement des planètes pour le secteur numérique. Il y a trois facteurs clés. D'abord, historiquement, les chercheurs manquaient cruellement de puissance de calcul.

Intervenant 12:39

Oui, on travaillait sur des ordinateurs de la taille d'une pièce entière, qui étaient moins puissants qu'une montre connectée aujourd'hui.

Intervenant 22:46

C'est exactement ça. Aujourd'hui, la capacité de calcul a connu une croissance vertigineuse. Et ça, c'est le premier point. Le deuxième, c'est l'abondance des données. On produit actuellement plus d'informations numérisées en quelques jours que durant des décennies entières auparavant.

Intervenant 13:01

Les fameuses datas, quoi. On laisse des traces numériques partout.

Intervenant 23:05

Voilà. Mais, et c'est le troisième point, cette puissance brute et cette montagne de données n'aurait servi à rien sans l'étincelle finale, à savoir l'émergence de nouveaux algorithmes capables de lier ces deux mondes.

Intervenant 13:19

Et c'est cette fusion qui a propulsé ce qu'on appelle l'apprentissage automatique sur le devant de la scène, le machine learning en anglais. Mais le terme apprentissage a une connotation très humaine.

Intervenant 23:30

Ouais, c'est vrai que ça prête à confusion. Arthur Samuel, un des pionniers, définissait ça comme la capacité d'un ordinateur à apprendre sans être explicitement programmé.

Intervenant 13:40

C'est super poétique, mais pour comprendre ce que la machine fabrique réellement avec ses lignes de code, ça manque un peu de rigueur, non ?

Intervenant 23:47

Totalement. C'est pour ça que la communauté scientifique préfère aujourd'hui s'appuyer sur la définition mathématique de Tom Michel. Elle est beaucoup plus formelle. En gros, Michel postule qu'un programme apprend d'une expérience qu'il appelle « grand E ».

Intervenant 13:59

D'accord, l'expérience E. Et ensuite ?

Intervenant 24:01

Ensuite, il y a une classe de tâches qu'ils nomment grand T et une mesure de performance grand P. L'apprentissage est effectif si la performance P sur la tâche T s'améliore à mesure que l'expérience E augmente.

Intervenant 14:12

Oh là là, c'est très abstrait tout ça. Si j'essaie de transposer ces variables dans la vie réelle, c'est un peu comme apprendre à faire du vélo en fait.

Intervenant 24:20

C'est une excellente analogie. Comment vous voyez ça

Intervenant 14:23

Yveline ? La tâche, le grand T, c'est tout simplement de maintenir son équilibre et de rouler. L'expérience, le grand E, ça représente le nombre de fois où l'on essaie de pédaler, les heures passées sur la

Intervenant 24:35

selle. Oui, tout à fait.

Intervenant 14:36

Et donc la performance, le fameux P, elle se mesure simplement à la diminution des chutes. Moins on tombe, plus la performance augmente grâce à l'expérience accumulée sur la tâche.

Intervenant 24:47

C'est une illustration parfaite. Mais pour un algorithme, cette notion de chute, de tombée du vélo, ça se traduit par une pénalité mathématique, une erreur de calcul qu'il faut absolument réduire.