Leçons de niveau 18

Réseaux de neurones/Applications des réseaux de neurones

Une page de Wikiversité.
Sauter à la navigation Sauter à la recherche
Début de la boite de navigation du chapitre
Applications des réseaux de neurones
Icône de la faculté
Chapitre no 7
Leçon : Réseaux de neurones
Chap. préc. :Points faibles et limites
Chap. suiv. :Allez plus loin : le deep Learning
fin de la boite de navigation du chapitre
Icon falscher Titel.svg
En raison de limitations techniques, la typographie souhaitable du titre, « Réseaux de neurones : Applications des réseaux de neurones
Réseaux de neurones/Applications des réseaux de neurones
 », n'a pu être restituée correctement ci-dessus.

Aujourd'hui, les réseaux de neurones ont de nombreuses applications dans des domaines très variés :

  • traitement d'image : compression d'images, reconnaissance de caractères et de signatures, reconnaissance de formes et de motifs, chiffrement[1], classification, ...
  • traitement du signal : traitement de la parole, identification de sources, filtrage, classification, ...
  • traitement automatique des langues : segmentation en mots, représentation sémantique des mots (plongements lexicaux), étiquetage morpho-syntaxique, traduction automatique, ...
  • contrôle : diagnostic de pannes, commande de processus, contrôle qualité, robotique, ...
  • optimisation : allocation de ressources, planification, régulation de trafic, gestion, finance, ...
  • simulation : simulation boîte noire, prévisions météorologiques
  • classification d'espèces animales étant donnée une analyse ADN
  • modélisation de l'apprentissage et perfectionnement des méthodes de l'enseignement
  • approximation d'une fonction inconnue ou modélisation d'une fonction connue mais complexe à calculer avec précision


Applications dans diverses industries[modifier | modifier le wikicode]

En gestion et finance[modifier | modifier le wikicode]

Industrie Application
Banque Prêts et scoring
Cartes de crédit Détection des fraudes
Finance Analyse d'investissements et de fluctuations des taux de change
Assurance Couverture assurantielle et estimation des réserves
Marketing Ciblage des prospections, mesures et comparaisons des campagnes et des méthodes

Dans divers autres domaines[modifier | modifier le wikicode]

Industrie Application
Archéologie Identification et datation de fossiles et d'ossements
Défense Identification de cibles
Environnement Prévisions de la qualité de l'air et de l'eau
Sécurité Identification de terroristes potentiels
Production Contrôles qualité
Médecine Diagnostics médicaux
Energies Estimations des réserves, prévisions de prix
Pharmacie Efficacité de nouveaux médicaments
Psychologie Prévisions comportementales
Immobilier Études de marchés
Recherche scientifique Identification de spécimens, séquençages de protéïnes
Télécommunication Détection des pannes de réseaux
Transport Maintenance des voies

Application dans le domaine financier[modifier | modifier le wikicode]

Les réseaux de neurones en finance[modifier | modifier le wikicode]

Dans le domaine financier, les réseaux de neurones artificiels peuvent être utilisés pour solutionner divers problèmes. Dès 1990, Hawley envisageait leur application à des problématiques variées : détection des entreprises en difficulté, gestion de portefeuille, évaluation des introductions en bourse, identifications des opportunités d'arbitrage, etc. Depuis, bien d'autres domaines ont été découverts : évaluation d'actifs, rating des obligations, analyse des cours boursiers, etc. notamment grâce aux travaux de Refenes (1995). Cependant, il semble que ce soit dans la prévention et la détection des entreprises en difficulté que les réseaux de neurones fournissent les résultats les plus satisfaisants.

Exemple : Les estimations boursières[modifier | modifier le wikicode]

Les réseaux de neurones peuvent être utilisés comme un outil d'estimations boursières. L’analyse boursière est fondée sur le principe suivant : l'information sur l'évolution d'un cours boursier est contenue dans les valeurs prises par celui-ci à date antérieure. Comment déterminer l'influence de ces valeurs ? L'objectif est que le réseau de neurones apprenne, dans un certain nombre de cas, l'évolution du cours boursier pour en déduire par imitation, l'évolution de celui-ci à date postérieure. Les réseaux de neurones permettent donc les actions suivantes :

  • Apprentissage de la valeur de l'entreprise en fonction des données disponibles telles que le bénéfice, le chiffre d'affaires, l'endettement à court et moyen terme, le nombre de commandes, etc.
  • Prédictions sur la périodicité des cours de bourse

Ils constituent donc une aide à la prise de décisions concernant un achat boursier en fonction de l'évolution du cours.

La reconnaissance de formes[modifier | modifier le wikicode]

La reconnaissance de formes est utile pour comprendre le fonctionnement d'un réseau de neurones et sa capacité d'apprentissage. En premier lieu, on "fait apprendre" au réseau de neurones une forme, une image, une silhouette. On peut alors présenter au système une des images qu’il a apprises soit incomplète soit erronée, et celui-ci sera capable de reconnaître de quoi il s'agit. Les exemples ci-dessous permettront de comprendre.

La première colonne est constituée d'images qui ont été enregistrées "apprises" par le réseau de neurones. La deuxième colonne est constituée des images tests (incomplètes) qui ont été soumises au système pour qu’il reconnaisse à partir de ce qu’il a appris. La troisième colonne est constituée des images restituées par le système. En effet, le système a reconstitué les images qu’il avait apprises en premier lieu, même si les données qui lui étaient fournies étaient incomplètes.

Reconnaissance de formes


Les trois petites images à gauche représentent le "B" manuscrit qui est présenté au réseau de neurones. Les lettres noires sur fond gris au centre de l'image représentent les lettres de l'alphabet qui ont été "apprises" par le réseau et qui constituent sa base. À droite, ce sont les chances pour que le "B" corresponde à telle ou telle lettre. Cette application est par exemple utile pour reconnaître les codes postaux et villes sur les courriers envoyés par la Poste. À partir d'un chiffre ou d'une lettre écrite à la main, le réseau de neurones a appris à reconnaître de quel chiffre ou de quelle lettre il s'agit. De manière automatisée, le courrier peut alors arriver à bonne destination.


Il y a 92% de chances que la lettre manuscrite corresponde à un "B" (ce qui est le cas).

Il y a 32% de chances que la lettre manuscrite corresponde à un "E".

Il y a 51% de chances que la lettre manuscrite corresponde à un "P".

Il y a 45% de chances que la lettre manuscrite corresponde à un "R".


La neuro-informatique[modifier | modifier le wikicode]

Comment les nouvelles technologies telles que les réseaux de neurones peuvent nous aider à mieux comprendre le cerveau humain ?

Comme cela a été exposé dans le chapitre : Réseaux de neurones/Qu'est-ce qu'un neurone ?, l’intelligence artificielle (notamment les réseaux de neurones) se base sur le comportement du cerveau humain. Or il y a également un retour (sur investissement) car les progrès de la génétique tels que la thérapie génique, le séquençage ou les OGM ne seraient pas nés sans ces nouvelles technologies. On développe alors aujourd’hui de plus en plus les synergies entre biotechnologies et technologies de l'information pour former la neuro-informatique ; c’est l'objectif premier de la recherche européenne en neurosciences.

Un des domaines où cette synergie est très importante et où les neurosciences ont réellement besoin des réseaux de neurones artificiels concerne l'étude de fonctions du corps humain telles que la vision et de la motricité. Depuis plusieurs années, la recherche scientifique récolte des données sur l'organisation des neurones impliqués dans ces fonctions (structure, nombre et nature des connexions, poids des connexions, etc.). La modélisation via les réseaux de neurones artificiels va permettre de concilier toutes ces données pour reproduire l'activité du cerveau afin de tester les différentes hypothèses.

Un groupe de recherche franco-britannico-suisse mené par Henry Kennedy (Inserm U 371, Bron, France) applique ces méthodes à l'étude de la vision. La modélisation du contrôle du mouvement par le cerveau humain et la moelle épinière est de son côté étudiée par un groupe mené par Yves Burnod (Inserm U 483, Paris, France). « L'enjeu de ces recherches est d'élaborer de nouvelles hypothèses sur le contrôle volontaire des mouvements des bras, susceptibles d’applications tant cliniques (vision, motricité), que technologiques, par exemple en robotique. »

Conclusion[modifier | modifier le wikicode]

Les réseaux de neurones artificiels, inspirés du comportement du cerveau humain, permettent de créer de l'intelligence artificielle. Notamment appliqués en datamining principalement à travers l'apprentissage non supervisé, ils servent à prédire, à identifier et à classifier les données. L'apprentissage, moteur essentiel du système, leur permet d'assimiler un traitement d'information à travers une fonction et de le reproduire pour les données qui lui seront ensuite présentées. Les réseaux de neurones sont beaucoup utilisés en finance et en gestion en tant qu'outil d'aide à la décision, mais ils peuvent être utiles à bien d'autres applications dans des secteurs allant de l'archéologie à la médecine en passant par les télécommunications. De plus, ils s'avèrent être prometteurs pour celui qui les a inspirés : le cerveau humain. À travers la neuro-informatique, ils peuvent reproduire celui-ci afin de tester différentes pistes qui les mèneront vers de considérables progrès biotechnologiques.

"Un des espoirs dans la recherche sur les réseaux de neurones à apprentissage automatique c’est essentiellement de trouver les principes derrière ces algorithmes qui seraient effectués par le cerveau et essentiellement les reproduire dans un ordinateur." Hugo Larochelle de la Faculté des Sciences de Sherbrook - Vidéo


  1. « Chiffrer.info », sur Chiffrer.info (consulté le 21 novembre 2018)