Nous sommes entrés avec les R.C.P. dans le monde réellement complexe des réseaux de neurones les plus récents qui nous étonnent par leurs résultats exceptionnels.
Avant de nous interroger sur le niveau d”Intelligence réels de ces réseaux, revenons un instant sur les nouveautés technologiques introduites par cette nouvelle catégorie de réseaux de neurones
Retour sur quelques points essentiels
Opération de « Pooling »
Représenté enchaîné à l’opération de filtrage dans ma vidéo, le « pooling » est en fait généralement appliqué séparément. En effet, cette opération ne s’effectue pas à chaque étape de filtrage ni sur des morceaux d’images identiques à ceux utilisés pour le filtrage.
Il en existe de deux types : le « Max Pooling » qui garde la valeur la plus élevée de l’échantillon et le « Average Pooling » qui fait la moyenne des valeurs de l’échantillon.
Sensibilité aux bruits et instabilité
Quand je dis dans ma vidéo que l’introduction d’un bruit « même minime » suffit pour que le réseau de neurones se trompe, ce n’est pas pour plaisanter.
Jugez par vous même :
Une équipe de chercheurs a appliqué à des images de la base de données « ImageNet » un de ces « bruits invisible à l’œil nu ».
Certes ce bruit est loin d’être aléatoire puisqu’il a été calculé de manière bien spécifique pour démontrer cette fragilité des systèmes de neurones.
Mais, malgré tout, le résultat de l’expérience est suffisamment éloquent pour qu’un « doute raisonnable » s’installe.
Complexité des réseaux convolutifs
Il est clair que la complexité des Réseaux Convolutifs ne réside pas dans les concepts sous-jacents utilisés qui sont tous déjà bien connus : descente et rétro-propagation du gradient, fonctions d’activation et d’erreur, filtres et pooling.
Par contre, comme vous pouvez le voir dans l’image ci-dessous, c’est dans l’architecture de ces Réseaux, c’est-à-dire la manière d’enchaîner leurs différentes couches que se trouve leur magie.
Et si je me permets de parler de magie, c’est qu’effectivement la création de ces architectures tient autant de l’art que de la science. Leur mise au point demande une grande expérience et une connaissance pointue des problèmes étudiés. Et puis, comme pour un tour de magie, on n’a toujours aucune idée de comment ni pourquoi ça marche !
Et l’Intelligence Artificielle dans tout ça ?
La puissance de ces architectures tient dans le fait qu’elles sont génériques. Si elles fonctionnent très bien pour le traitement d’image pour lequel elles ont été créées, elles font également des merveilles dans quasiment tous les domaines.
Cependant leur fragilité et leur instabilité face aux bruits imposent de les utiliser dans le cadre de la supervision humaine permanente. Personne ne sait à quel moment, ni pourquoi, une erreur grossière va surgir et elles ne sont pas rares, puisqu’on parle encore en pourcents !
D’ailleurs quelques soient les applications, les réseaux de neurones actuels proposent des résultats mais c’est à l’opérateur (l’expert) humain que revient le choix final. De plus, la plupart des systèmes utilisés de manière étendue enrichissent leurs bases de données avec les retours humains.
Qui saura expliquer comment et pourquoi ça marche
Avant de pouvoir parler de « systèmes intelligents autonomes », il faudra d’abord que quelqu’un puisse expliquer le comment et le pourquoi, pour qu’on puisse mettre en place des contrôles au cours de l’apprentissage et connaître ainsi avec précision le taux d’erreurs et les environnements dans lesquels elles risquent de se produire.
Deux domaines de recherche peuvent nous apporter ce type de réponse :
– Les mathématiciens qui travaillent sur les théories algorithmiques dans des espaces de très grande dimension, mais les travaux sont très complexes.
– Les neurobiologistes qui travaillent sur la compréhension du cerveau humain avec de nouveaux outils dans le domaine de l’imagerie qui permettent de s’approcher au plus près du fonctionnement des neurones.
Mais nous en sommes encore très loin et pour l’instant, mieux vaut parler de réseaux de neurones que d’intelligence artificielle, car ces réseaux sont certes des outils efficaces et très utiles mais ils n’ont rien à voir avec l’intelligence !