|
Accueil
Dossiers Qui suis-je ? Mon CV |
L'INTELLIGENCE ARTIFICIELLE Les réseaux de neurones principes et applications |
|
|
|
Aujourd’hui en intelligence artificielle, on en est encore qu’aux débuts. On arrive tout juste à créer
des comportements intelligents primitifs à l’aide des réseaux de neurones qui se sont inspirés des réseaux de
neurones biologiques. Ces réseaux de neurones biologiques réalisent facilement un certain nombre d’applications
telles que la reconnaissance de formes,le traitement du signal, l’apprentissage, la mémorisation ou la généralisation.
Ces applications sont pourtant, malgré tous les efforts déployés en algorithmique et en intelligence artificielle,
que très mal imitées par les machines. Cette synthèse a pour but de vous donner une première idée de ce que peut
être un réseau de neurone artificiel, de ces applications et des futurs espoirs de l’intelligence artificielle.
L’unité cellulaire de base du système neurophysiologique est le neurone.
Le neurone est constitué d’un corps cellulaire et d’un noyau. Il se ramifie de dendrites par où s’achemine l’information
vers le neurone. Une fois l’information traitée par le neurone elle est envoyée sur l’axone. Et la jonction entre deux neurones s’appelle synapse.
Le message nerveux c’est-à-dire le signal reçu et émis par le neurone.
Chaque neurone est une unité autonome au sein du cerveau. Le traitement très simple
Réalisé par chaque neurone indique que l’information n’est pas stockée dans le neurone, mais est plutôt le résultat
du comportement de toute la structure interconnectée.
L’information est, principalement, dans l’architecture
des connexions et dans la force de ces connexions.
Description de l’expérience : Le neurone sensoriel est activé par le toucher du manteau. Le neurone moteur agit alors en rétractant les branchies.
Lorsque la stimulation est répétée, la réponse de l’animal devient plus faible, jusqu’à une absence de réaction au toucher. C’est le phénomène
de l’habituation.
Lorsque la stimulation est répétée ( quelques dizaines de fois), la réponse de l’animal devient de plus
en plus faible, jusqu’à une absence
de réaction au stimulus sensoriel.
Le courant d’eau sert de renforcement et la réponse de l’animal au stimulus initial est augmentée. Cet effet
est appelé sensibilisation. La réponse du neurone moteur au stimulus initial est augmentée par l’action du
stimulus de renforcement. Le système de renforcement n’est appliquée qu’après la réponse motrice.
Habituation et sensibilisation au niveau neuronal traduisent la fonction d’apprentissage au niveau
de l’animal dans son ensemble. Il y a adaptation de la réponse à l’environnement.
A :
Témoin (état des synapses avant l’expérience)
Quels sont les mécanismes qui permettent de modifier le comportement des structures neuronales ?
D’après la loi de Hebb, la force de la connexion entre deux neurones augmente s’il y a corrélation d’activité (si l’activation de l’une
entraîne l’activation de l’autre). Et il y a diminution des forces des connexions lorsque celle ci ne sont pas utilisées.
Ainsi l’apprentissage implique des modifications physiques des connexions entre neurones.
L’association entre plusieurs structures neuronales, dotées chacune d’une fonction précise, permet l’émergence d’une fonction d’ordre supérieure,
plus complexe, plus riche, pour l’ensemble.
Chaque neurone artificiel est un processeur élémentaire. Il reçoit un nombre variable d’entrées en provenance de neurones en amonts
ou des capteurs composant la machine dont il fait parti. A chacune de ces entrées est associée un poids représentatif de la force de la connexion.
Chaque processeur élémentaire est doté d’une sortie unique, qui se ramifie ensuite pour alimenter un nombre variable de neurones en aval. A chaque
connexion est associée un poids.
A : fonction à seuil (S, la valeur du seuil)
Il existe plusieurs architectures de réseaux.
Les neurones sont arrangés par couches. Il n’y a pas de connexion entre neurones d’une même couche et les connexions ne se
font qu’avec les neurones des couches en avales. Habituellement, chaque neurone d’une couche est connecté à tous les neurones de la couche
suivante et celle-ci seulement. Par extension, on appelle couche d’entrée l’ensemble des neurones d’entrée, couche de sortie l’ensemble des
neurones de sortie. Les couches intermédiaires n’ayant aucun contact avec l’extérieur sont appelées couches cachées.
Il s’agit d’une structure multicouche. Chaque neurone entretien des relations avec un nombre réduit et localisé de neurones de la couche en aval.
Les connexions sont donc moins nombreuses que dans le cas d’un réseau multicouche classique.
C’est la structure d’interconnexion la plus générale. Chaque neurone est connecté à tous les neurones du réseau (et à lui-même).
Il existe de nombreuses autres architectures possibles, mais celle ci sont les plus utilisées.
Les réseaux de neurones artificiels possède la faculté d’apprentissage. On peut réellement leur apprendre quelque chose.
Dans la majorité des algorithmes actuels, les variables modifiées pendant l’apprentissage sont les poids des connexions. L’apprentissage
est la modification des poids du réseau dans l’optique d’accorder la réponse du réseau aux exemples et à l’expérience. Il est souvent impossible
de décider à priori les valeurs des poids des connexions d’un réseau pour une application donnée. A l’issu de l’apprentissage, les poids sont fixés :
c’est alors la phase d’utilisation.
Ce n’est pas une mémoire sous la forme où on stocke quelque chose à un endroit précis.
Dans la plupart des réseaux de neurones, deux étapes sont considérées. La première est la phase d’apprentissage : les poids des connexions
sont modifiés selon une règle d’apprentissage. La deuxième est la phase d’exécution où les poids ne sont plus modifiés. Avec le réseau ART,
ces deux étapes sont réalisées simultanément.
Apparus en 1985, les réseaux multicouches sont aujourd’hui les modèles les plus employés.
Expression du problème : Trouver le bon diagnostic à partir des symptômes du patient. Pour cette expérience nous avons en notre possession des exemples
de diagnostics réalisés par un expert humain.
Logiciel de reconnaissance de formes :
rdf.zip
(189 Ko)
Fonctionnement :
Peu à peu en corrigeant ces erreurs vous vous apercevrez que le système fait de moins en moins d’erreurs. A chaque
fois que vous corrigez ses erreurs le système rééquilibre ces poids.
L’EPFL (Ecole Polytechnique Fédérale de Lausanne) a créé un robot baptisé Khepera (aujourd’hui distribué par la société suisse K-Team).
Il possède un corps circulaire de 6 cm de diamètre et est doté de deux roues et huit capteurs lumineux (6 à l’avant et 2 à l’arrière). Il est relié à
un ordinateur par l’intermédiaire d’un câble. Les réseaux de neurones lui dictant son comportement sont simuler par informatique dans l’ordinateur.
L’architecture du réseau et la valeur des poids attribués aux connexions entre les neurones est codée par ce que l’on appelle le chromosome du robot.
Et c’est l’ordinateur qui produit de façon aléatoire, une première population de chromosomes artificiels. Chaque configuration est ensuite testée
sur le robot pendant quelques minutes, au cours desquelles l’ordinateur évalue ses performances.
Au bout de 20 générations, le prédateur a acquis la capacité de rechercher la proie et de la poursuivre pendant que celle-ci s’échappe dans
toute l’enceinte. Cependant comme la proie est plus rapide que lui, cette stratégie n’est pas toujours payante. Après 25 générations supplémentaires,
il repère la proie à distance, puis finit par l’attaquer en anticipant sur sa trajectoire. Dès lors, la proie se met à se déplacer si vite le long des parois que
le prédateur la manque souvent et va s’écraser sur une paroi. Encore 25 générations plus tard, le prédateur a mis au point la “ stratégie de l’araignée ”.
Il se déplace lentement jusqu’à une paroi et attends la proie, qui bouge trop vite pour déceler attends le prédateur et donc pour l’éviter.
Il y a une trentaine d’années, on pensait que vers les années 2000, l’intelligence artificielle aurait envahit tous nos systèmes.
On en est encore loin. Le problème se trouve être bien plus complexe qu’on l’avait pensé au départ. Mais, il est certain qu’un jour on arrivera
à créer un esprit intelligent. D’autres problèmes se présenteront alors, car ce système sera alors une personne comme vous et moi, qui pourra ressentir
des sentiments. Et il faudra donc abandonner nos croyances et conclure que nous sommes que des machines biologiques.
Et si on considère qu’une machine n’a pas d’âme…
- “ Les réseaux de neurones artificiels, introduction au connexionnisme ”, Claude Touzet (1992) :
http://saturn.epm.ornl.gov/~touzetc/Book/Bouquin.htm
- Magazine : La Recherche n°350, Les nouveaux robots (février 2002)
Benjamin Berhault
Dernière mise à jour : 24 février 2002
|
