https://www.acsysteme.com/wp-content/uploads/2021/08/reseaux-de-neurones-750x422.jpg
Les réseaux de neurones : quand l’informatique est capable d’apprendre
Le principe du réseau de neurones est de reproduire schématiquement le cerveau humain et son mode d’association afin de l’automatiser dans une machine Comme notre cerveau, le réseau de neurones débute par une phase d’apprentissage, avec l’association de données d’entrées (image, son, texte…) à des catégories spécifiques comme références (ex : reconnaissance de mots à partir de la photo d’un texte).
“Les réseaux de neurones artificiels sont basés schématiquement sur le fonctionnement des neurones biologiques. Ils sont généralement assimilés à l’intelligence artificielle.”
Une fois cet apprentissage effectué, lorsque de nouvelles données d’entrées lui seront présentées, le réseau de neurones les associera à telle ou telle catégorie en fonction de ce qu’il aura appris : c’est la classification.
Le réseau de neurones fonctionne par analyse statistique, par opposition à d’autres systèmes capable d’apprendre qui prennent des décisions par comparaison à un ensemble de règles déductives (logique algorithmique…).
Comment ça fonctionne et quelles sont ses utilités ?
Le principe du réseau de neurones est de créer un raisonnement statistique. En fonction de ce qu’il a appris par le passé, grâce à une « base » d’apprentissage, il va prendre des décisions par rapport aux données d’entrées qu’il reçoit. Le choix de classification se portera sur la probabilité de ressemblance à une classe qu’il connaît déjà. On appelle aussi ceci l’apprentissage par expérience, le réseau de neurones intervenant comme une aide statistique à la décision.
Principe étape par étape :
- données en entrées (flèches noires à gauche sur le graphique),
- analyse des données avec des critères de pondération (cercles et liaisons sur le graphique),
- choix de classification en sortie avec une probabilité de certitude. (flèche noire à droite sur le graphique)
Le réseau de neurones intervient dans différents domaines de la vie courante : classifier des espèces, reconnaissance de motifs (chèques, cartes postales…), estimation boursière…
https://www.acsysteme.com/wp-content/uploads/2021/08/cas-pratique-reseau-de-neurones.png
Représentation d’un réseau de neurones
Comment automatiser le tri de différentes espèces de poisson grâce à la vision artificielle ?
Cet algorithme est réalisé pour une société qui conçoit et distribue des machines spécialisées pour le tri et la calibration, utilisées dans le monde de la transformation agroalimentaire.
Pour une nouvelle machine, destinée à trier les poissons par espèces et par calibre, cette société souhaite utiliser les techniques de classification automatique par apprentissage et de reconnaissance des formes, et connaître les performances de ces techniques.
Acsystème a conçu, réalisé (sous Matlab) et évalué un module d’apprentissage et de reconnaissance des espèces de poissons et a ensuite intégré ce module dans la machine.
https://www.acsysteme.com/wp-content/uploads/2021/08/cas-pratique-vision-poisson-reseau-neurone.png
Dans un premier temps, un protocole d’évaluation des systèmes de classification pour le problème du tri de poissons a été développé et évalué en simulation. L’évaluation mesure les différents types d’erreurs (mauvais rejet, mauvaises détections) et leur validité statistique. L’étude du module de reconnaissance a consisté à développer et choisir les descripteurs d’images pertinents pour la discrimination des différentes espèces de poisson, et à utiliser différents classifieurs à base de réseaux de neurones. Une analyse morphologique des poissons permet de s’affranchir de leur position de passage sous la caméra. Les simulations ont permis d’évaluer différentes stratégies de classification à partir d’images acquises sur la machine sans subir le coût et les limites d’essais grandeur nature (implantation d’une machine à la criée de Lorient, récupération de poisson frais au retour de pêche…).
Acsystème a réalisé un logiciel d’apprentissage des réseaux de neurones permettant à partir d’une base d’images de mettre en place des stratégies répondant à différents compromis d’erreurs (mauvais rejet vs. mauvaise détection) reliées aux coûts réels de ces erreurs pour comparer les stratégies les unes par rapport aux autres.
Ensuite, Acsystème a intégré le code de simulation dans l’environnement logiciel de la machine pour que les réseaux de neurones appris par le logiciel soit chargés dynamiquement pour la reconnaissance de nouvelles espèces.
Limites actuelles
Le réseau de neurones représente l’intelligence artificielle des programmes informatiques mais de nombreux éléments limitent encore ses capacités :
- plus le problème est complexe, plus il nécessite une base de données importante pour la « base d’apprentissage » : coûteux en temps et en argent.
- la détermination des descripteurs nécessite une analyse réalisée par un expert, et la même base de données brutes, selon les descripteurs qui en sont extraits, peut engendrer des réseaux de neurones aux performances très différentes.