Glossaire IA · Fondamentaux
Réseau de neurones
En une phrase
Un réseau de neurones artificiels est un modèle mathématique composé de couches d'unités reliées, appelées neurones, qui transforment une entrée numérique en sortie. Il apprend en ajustant le poids de chaque connexion à partir d'exemples.
Autres noms: réseau de neurones artificiels · réseau neuronal · neural network · RNA
Qu’est-ce qu’un réseau de neurones ?
Le nom évoque le cerveau, mais la réalité est plus prosaïque. Un réseau de neurones est une chaîne d’opérations mathématiques organisées en couches. Chaque unité, ou neurone, reçoit des nombres, les combine et transmet le résultat à la couche suivante.
Passez à la pratique
Des agents IA pour répondre à vos clients
Dès 49 €/mois + TVA
Voix, WhatsApp et e-mail avec la ligne incluse : agent, numéros et CRM dans le même abonnement.
Voir les tarifsTout l’intérêt est que personne ne lui dicte le calcul exact à effectuer. Le réseau démarre avec des valeurs aléatoires et les ajuste au fil des exemples jusqu’à ce que sa sortie se rapproche de la bonne réponse. Quand il compte de nombreuses couches, on parle de deep learning.
En lien avec ce terme
Agents UTIO
- Disponibles 24h/24 en 26 langues
- Le monter vous-même : 0 €, à partir de votre site
- 14 jours d'essai sans carte
Dès 49 €/mois + TVA
Voir les tarifsComment ça marche
- La couche d’entrée. Elle reçoit les données converties en nombres : une image, un enregistrement ou les tokens d’un texte.
- Les couches cachées. Chaque neurone multiplie ses entrées par des poids, les additionne et applique une fonction qui détermine son niveau d’« activation ». Le résultat passe à la couche suivante.
- La couche de sortie. Elle renvoie la réponse : la probabilité de chaque catégorie, une valeur ou le prochain token.
Les poids sont les paramètres du réseau : ils contiennent tout ce qu’il a appris. Pendant l’entraînement, le réseau compare sa sortie à la bonne réponse, mesure l’erreur et la propage à rebours, couche par couche, pour corriger légèrement chaque poids. C’est la rétropropagation du gradient. Répétée des millions de fois, elle fait baisser l’erreur.
L’architecture varie selon les données. Pour le texte, celle qui domine aujourd’hui est le transformer, qui permet de relier chaque mot à tous les autres de la phrase.
Exemple
Une école de langues toulousaine veut repérer les e-mails d’élèves qui annoncent un désistement, pour les traiter en priorité. Un réseau de neurones simple reçoit chaque e-mail converti en nombres et renvoie une probabilité de désinscription.
Au départ, il répond au hasard. Après un entraînement sur deux années d’e-mails déjà étiquetés, il apprend que certaines tournures signalent clairement un départ, même quand l’élève n’emploie pas le mot. L’école n’a écrit aucune règle : elles sont logées dans les poids du réseau.
Ce que ça change pour votre entreprise
Comprendre le principe éclaire deux traits de toute IA moderne. D’abord, elle apprend d’exemples : sa qualité dépend des données d’entraînement. Ensuite, son « raisonnement » est réparti sur des millions de poids : elle ne peut pas justifier une réponse comme le ferait une personne.
C’est pourquoi, dans les agents UTIO, le réseau ne travaille jamais sans cadre : vous décidez ce que peut faire l’agent vocal, à partir de quelles informations il répond et quand il passe la main. Et il démarre en mode brouillon tant que ses réponses n’ont pas fait leurs preuves.
Questions fréquentes
Un réseau de neurones fonctionne-t-il comme le cerveau ?
Il s'en inspire de très loin. Chaque « neurone » artificiel est une opération mathématique simple : il multiplie ses entrées par des poids, les additionne et applique une fonction. Pas de biologie ni de pensée, mais énormément de calculs en parallèle.
Quels sont les types de réseaux de neurones ?
Les plus courants sont les réseaux denses (chaque neurone relié à tous ceux de la couche suivante), les réseaux convolutifs, très utilisés pour l'image, les réseaux récurrents, conçus pour les séquences, et les transformers, l'architecture des modèles de langage actuels.
Qu'est-ce qu'une couche cachée ?
Toute couche située entre l'entrée et la sortie. On la dit cachée parce qu'on n'observe pas directement ce qu'elle calcule : ce sont des représentations intermédiaires que le réseau apprend seul pendant l'entraînement.
Termes associés
- Deep learning
Le deep learning, ou apprentissage profond, est une forme de machine learning fondée sur des réseaux de neurones à nombreuses couches. Chaque couche extrait des caractéristiques plus abstraites, ce qui permet de traiter texte, voix et images sans règles écrites à la main.
- Paramètres d'un modèle
Les paramètres d'un modèle sont les valeurs numériques internes, surtout les poids d'un réseau de neurones, ajustées pendant l'entraînement et qui stockent ce qu'il a appris. Leur nombre sert de mesure approximative de la taille du modèle.
- Transformer
Un transformer est une architecture de réseau de neurones qui traite tous les mots d'un texte en même temps et s'appuie sur un mécanisme d'attention pour repérer quelles parties sont liées entre elles. C'est la base de presque tous les modèles de langage actuels.
- Entraînement d'un modèle
L'entraînement d'un modèle est le processus par lequel un modèle d'IA apprend à partir d'un jeu de données : on lui présente des exemples, on mesure ses erreurs et on ajuste ses paramètres, encore et encore, jusqu'à obtenir de bonnes réponses.
- Machine learning
Le machine learning, ou apprentissage automatique, est la branche de l'IA où un système apprend une tâche à partir d'exemples, au lieu de suivre des règles écrites à la main, et s'améliore à mesure qu'il voit davantage de données.
Mis à jour le