D’où vient le neurone artificiel ?
Du modèle logique de 1943 au perceptron : une idée inspirée du vivant.
Pourquoi appelle-t-on « neurone » une brique de calcul ? Le nom vient d'une inspiration biologique. Il ne signifie pas qu'un réseau artificiel reproduit un cerveau. Pour comprendre cette différence, repartons de deux idées : une règle fixée à l'avance, puis une règle ajustée avec des exemples.
Du vivant au modèle
Un neurone biologique est une cellule qui reçoit et transmet des signaux. Son fonctionnement dépend de mécanismes chimiques et électriques complexes. Un neurone artificiel est un modèle mathématique : il combine des entrées pour produire une sortie.
En 1943, Warren McCulloch et Walter Pitts publient un modèle logique de l'activité nerveuse. Ils travaillent avec des états binaires, actifs ou inactifs. Ce modèle permet de représenter des opérations logiques ; il ne décrit pas toute la richesse du vivant et ne s'entraîne pas à partir d'exemples.
Deux entrées, un seuil
Prenons une règle volontairement simple : tu sors promener ton chien s'il fait beau et si tu as du temps. Chaque réponse devient une entrée : « non » vaut 0, « oui » vaut 1.
On additionne les deux entrées. Si la somme atteint 2, la sortie vaut 1 ; sinon, elle vaut 0. Avec deux « oui », la somme vaut 1 + 1 = 2. Ce seuil a été choisi par nous, pour représenter la règle « ET ».
| Beau temps | Temps libre | Sortir ? |
|---|---|---|
| Non (0) | Non (0) | Non (0) |
| Oui (1) | Non (0) | Non (0) |
| Non (0) | Oui (1) | Non (0) |
| Oui (1) | Oui (1) | Oui (1) |
Essaie de remplacer le seuil par 1. La sortie devient positive dès qu'une seule condition est remplie : tu as transformé « ET » en « OU ». Aucun apprentissage n'a eu lieu. Tu as modifié la règle à la main.
Le perceptron : ajuster avec des exemples
Dans son article de 1958, Frank Rosenblatt présente le perceptron. Dans sa forme simple, il associe un poids à chaque entrée : ce nombre règle sa contribution au calcul.
On lui fournit des exemples avec la réponse attendue. Quand sa réponse est incorrecte, une règle d'apprentissage modifie les poids et le seuil. Les exemples influencent donc les réglages, au lieu que le concepteur fixe directement chaque décision. Une correction vise à améliorer le résultat ; elle ne garantit pas que tous les exemples deviennent corrects immédiatement.
Une brique avec des limites
Avec deux entrées, un perceptron simple sépare les deux groupes de réponses par une droite. Certains tableaux d'exemples ne peuvent pas être séparés ainsi : multiplier les essais ne suffit pas à rendre ce modèle capable de tout représenter.
Assembler plusieurs neurones avec des transformations adaptées permet de représenter des relations plus complexes. Cela pose deux questions distinctes : comment les nombres circulent-ils dans ce réseau, puis comment ajuste-t-on ses réglages ? Ce sont les sujets des deux prochaines parties.
À retenir
Le modèle logique de 1943 applique une règle ; le perceptron peut ajuster ses réglages avec des exemples. Tous deux restent des modèles de calcul, avec des choix et des limites. Dans la partie 2, tu suivras une version moderne à sigmoïdes : cette fonction n'est pas celle du modèle binaire historique.