Deep learning et réseaux de neurones

Comment ça marche

Un réseau de neurones est un empilement de couches de calcul. Chaque couche reçoit des nombres, les combine selon des poids, applique une transformation simple, et passe le résultat à la suivante. Au départ, les poids sont aléatoires et le réseau répond n’importe quoi. L’apprentissage consiste à lui montrer des exemples, mesurer son erreur, et ajuster les poids, un tout petit peu, pour la réduire. Des milliards de fois.

Ce qui a changé la donne, c’est l’échelle. Avec assez de couches, assez de données et assez de puissance de calcul, ces réseaux apprennent des représentations que personne n’a programmées : les structures d’une image, la grammaire d’une langue, les régularités du code. L’architecture Transformer, apparue en 2017, a permis d’appliquer ça au langage à très grande échelle, et a donné naissance aux modèles de langage actuels. Le prix de cette puissance : des processeurs spécialisés, les GPU, et une consommation d’énergie qui explique une bonne part du coût de l’IA.

Un exemple concret

1. Avant : un système de vision classique, programmé avec des règles sur les contours et les couleurs. Il détectait les défauts prévus et ratait les autres. Chaque nouveau produit demandait des semaines de réglages.
2. Après : un réseau de neurones entraîné sur 8 000 photos d’emballages, dont 600 avec défaut, étiquetées par les opérateurs.
3. Résultat : 97 % des défauts détectés, y compris des types de défauts que personne n’avait décrits. Un nouveau produit s’ajoute en une journée, avec quelques centaines de photos.
4. Le matériel : une petite carte graphique dans l’armoire de la ligne. L’entraînement a été fait sur un serveur loué quelques heures.
5. Le suivi : chaque semaine, les opérateurs valident un échantillon. Les erreurs servent à réentraîner le modèle tous les trimestres.

Les opérateurs n’ont jamais vu une ligne de code. Ils ont étiqueté des photos, et c’est ce qui a fait le modèle.

Ce que ça change pour une équipe

• Des tâches de perception deviennent automatisables. Lire, voir, entendre : ce que seul un humain savait faire, un réseau de neurones le fait, à un taux mesurable.
• Les exemples remplacent les règles. Le savoir-faire de l’équipe entre dans le modèle par les données qu’elle étiquette, pas par des spécifications.
• Le matériel redevient un sujet. Faire tourner ces modèles demande des cartes graphiques, en local ou chez un fournisseur. C’est un coût à prévoir.
• Le vocabulaire se démystifie. Couches, paramètres, entraînement, inférence : des mots simples derrière lesquels il n’y a pas de magie.

Les limites et les erreurs fréquentes

• Croire que plus gros est toujours mieux. Un réseau plus grand coûte plus, apprend plus lentement, et n’est meilleur que s’il a les données pour. Pour une tâche précise, un petit modèle bien entraîné bat souvent un grand modèle général.
• Négliger les données. Le réseau apprend ce qu’on lui montre, y compris les erreurs d’étiquetage et les biais. Les données se vérifient avant l’entraînement.
• Attendre une explication. Un réseau de neurones ne dit pas pourquoi il a décidé. Pour les usages où il faut justifier une décision, c’est une vraie limite, et parfois une interdiction.
• Oublier l’énergie. L’entraînement et l’usage à grande échelle consomment. Pour une tâche simple, une règle ou un modèle léger suffit souvent.