Dans un cerveau animal, on observe des cellules appelées neurones. Schématiquement, ils sont constitués d’un noyau, et d’un axone. Les neurones interagissent entre eux par des interactions entre l’axone d’un premier neurone, et le noyau d’un second neurone. Un neurone peut être connecté à de très nombreux autres neurones. On constate que lorsqu’un animal apprend, de nouvelles connexions se construisent entre neurones, et que lorsqu’un animal réfléchit, il y a une stimulation des neurones, avec activation/inhibition.

Un réseau de neurones artificiels (en anglais Machine Learning), est composé de neurones artificiels. Ces neurones sont regroupés en couche. Chaque neurone est connecté aux neurones des couches voisines. En fonction des stimuli reçus par les axones des neurones de la couche précédente, le neurone va lui-même stimuler ou pas les neurones de la couche suivante.

L’entrainement du réseau de neurones consiste à présenter en entrée plusieurs données (Xi), dont on connait pour chacun le résultat (Yi). Via un algorithme de régression, on va modifier les poids des neurones afin de minimiser la différence entre le résultat attendu et le résultat obtenu.

Par exemple, on fournit en entrée des photos avec des chiffres ‘1’, ‘2’ et ‘3’ : 1000 photos avec des ‘1’, 1000 photos avec des ‘2’ et 1000 photos aves des ‘3’. On part avec des neurones avec des poids aléatoires. On met en entrée successivement les 3.000 photos, et on observe le nombre d’erreurs dans les prédictions en sortie, pour les classes ‘1’, ‘2’ et ‘3’. On modifie alors les poids pour essayer d’arriver à une erreur totale inférieure. Le modèle est fini d’être entrainé quand on arrive à l’erreur minimale pour le jeu de données d’apprentissage. On peut alors utiliser un jeu de données de tests (des photos non utilisées dans l’apprentissage), pour vérifier que le réseau de neurones est capable de prédire autre chose que les photos qu’il a déjà apprises.

Il existe d’autres algorithmes dans la même famille comme les forêts aléatoires ou le gradiant de Boosting.

Toutes ces méthodes ont en commun de nécessiter un jeu de données d’apprentissage important, et d’être une boite noire., c’est-à-dire que les poids des neurones ne permettent pas de comprendre explicitement pourquoi il choisit telle ou telle classe de sortie.

(Il existe cependant différentes variantes permettant de limiter les données en entrée, et d’expliquer une partie de la boite noire).

Un raisonnement humain rationnel est formulable sous la forme de symboles : ‘si’, ‘et’, ‘ou’,’implique’… Depuis au moins deux mille cinq cents ans des savants ont cherché à affiner ces symboles afin qu’ils puissent représenter les raisonnements les plus complexes. Le savant antique le plus connu à ce sujet est Platon. Mais depuis cette époque, toutes les générations ont cherché à améliorer ce langage, même au Moyen-Age. La forme actuelle utilisée est principalement l’œuvre de Bertrand Russell au début de 20ème siècle.

L’IA symbolique vise à reprendre ce formalisme de règles de logique. Par exemple, pour reconnaitre des chiffres, on va définir un certain nombre de règles : un ‘1’ possède une grande barre verticale et une petite barre oblique en haut à gauche, etc.

Par nature, l’IA symbolique n’a pas besoin d’un volume important de données d’apprentissage, et il n’y a pas de boite noire, et il y a donc une explicabilité totale des résultats. En revanche, il faut définir les règles en entrée, ce qui nécessite une analyse humaine de la problématique.

Le connexionnisme et le symbolisme sont les deux formes d’IA les plus populaires actuellement.
Elles visent à reproduire le fonctionnement d’un cerveau humain, mais à des niveaux d’abstraction différents.
Le connexionnisme reconstitue le fonctionnement local des neurones, tandis que le symbolisme reproduit les méthodes de raisonnement humain.

L’IA connexionniste, par nature, consomme beaucoup de ressources, mais est très puissante.

L’IA symbolique, par nature, consomme peu de ressources, mais n’est actuellement pas très efficace pour les tâches industrielles.

L’IA hybride (ou IA neurosymbolique) est la fusion de ces deux types d’IA.

Synonyme de modération et de sobriété par son étymologie, le concept d’IA frugale est une manière plus responsable de concevoir des IA. Les IA frugales sont capables d’apprendre à partir de très peu de données d’entraînement pour réduire leur consommation. Une IA frugale, c’est aussi une IA visant à optimiser au mieux la consommation de ressources d’une infrastructure ou d’un système pour réduire ou même rendre positif son impact sur l’environnement.

Remplissez notre grille d’auto-évaluation pour connaître votre degré de maturité en IA frugale !

Muvraline est certifiée ISO/CEI 27001:2017 sur la sécurité des système d’information. Cette certification, c’est l’assurance que nous mettons tout en œuvre pour sécuriser les informations de nos clients, qu’il s’agisse de données numériques, papier, ou hébergées sur le Cloud. Nous limitons ainsi notre vulnérabilité face à la menace croissante des cyberattaques.

En savoir plus