Crédits photo : Canva

On en entend souvent parler, généralement en lien avec le machine learning et le deep learning, que nous avons déjà abordés lors du billet sur la ComputerVision.

Structure d’un réseau de neurones

Un réseau neuronal est composé de neurones artificiels (des systèmes informatiques permettant de réaliser des calculs primaires), eux-mêmes définis par :

• Entrées (x1,.,xn) : Ce sont les données reçues par le neurone (images, texte, signaux).
• Poids (w1,.,wn) : Chaque entrée est multipliée par un poids, qui représente son importance.
• Somme pondérée : On calcule la somme des entrées multipliées par leurs poids : S=∑(xi×wi)+b où b est un biais, un paramètre ajustable qui améliore la flexibilité.
• Couche de sortie : Donne le résultat (prédiction, classification…).

Fonctionnement d’un réseau neuronal

• Propagation avant (Forward Propagation)
  Les données traversent le réseau de la couche d’entrée à la couche de sortie, en passant par les couches cachées.
• Calcul de l’erreur
  L’erreur entre la sortie du réseau et la valeur attendue est mesurée grâce à une fonction de coût.
• Rétropropagation du gradient (Backpropagation)
  L’algorithme ajuste les poids des connexions en minimisant l’erreur via une méthode d’optimisation comme la descente de gradient.

Types de réseaux neuronaux

• Perceptron : Le plus simple, ne traite que des problèmes linéaires.
• Réseaux de neurones profonds (DNN) : Plusieurs couches cachées, utilisés en deep learning.
• Réseaux convolutifs (CNN) : Spécialisés dans l’analyse d’images.
• Réseaux récurrents (RNN, LSTM, GRU) : Adaptés aux séries temporelles et au traitement du langage.

Entraînement et optimisation

L’entraînement d’un réseau nécessite :

• Données massives (ensemble des données générées par les applications métiers d'un service d'incendie et de secours).
• Matériel puissant (GPU, TPU).

Applications et limites

Les réseaux neuronaux sont utilisés dans :

• Vision par ordinateur (reconnaissance faciale, analyse médicale).
• NLP (traduction, chatbots, assistants vocaux).
• Automatisation industrielle (robots, voitures autonomes).

Cependant, ils posent des défis :

• Besoins en calcul élevés.
• Explicabilité limitée ("boîte noire" un point que nous avons également abordé dans un article précédent ICI).
• Biais dans les données.

Malgré ces limites, l’IA basée sur les réseaux neuronaux progresse et transforme de nombreux domaines, et reste à mettre en œuvre dans les SDIS.

Si vous souhaitez aller plus loin dans la compréhension des réseaux neuronaux la plateforme https://playground.tensorflow.org vous permet de créer votre propre réseau neuronal permettant de prédire la position la couleur d'un point sur une cible en fonction de sa position (x,y). Quant à https://pixees.fr/jouez-avec-les-neurones-de-la-machine/ vous permet d'aller plus en avant sur la compréhension de tels systèmes.

Ltn Ernest Werenfrid 

https://www.linkedin.com/in/ernest-werenfrid-6014b7158/

.