Comment un réseau de faux neurones apprend-il à reconnaître un chat ?

Un réseau de neurones apprend à reconnaître un chat en ajustant une foule de nombres, appelés poids, jusqu'à ce que ses réponses cessent d'être fausses. C'est un modèle informatique vaguement inspiré du cerveau : des neurones artificiels se transmettent des nombres le long de connexions, et chaque connexion porte un poids qui fixe à quel point le signal d'un neurone compte pour le suivant. Les signaux circulent d'une couche d'entrée à une couche de sortie, en passant par des couches cachées. S'entraîner, c'est ajuster les poids pour que la sortie se rapproche de la bonne réponse.

L'idée est ancienne. En 1958, le psychologue Frank Rosenblatt décrit le perceptron, l'un des premiers réseaux de neurones jamais construits, financé par la marine américaine. Sa version machine, le Mark I Perceptron, regardait le monde à travers 400 capteurs de lumière, et des moteurs électriques tournaient des boutons pour ajuster ses poids pendant l'apprentissage. Après une conférence de presse de la marine, le New York Times en a fait l'embryon d'un ordinateur qui marcherait, parlerait, verrait et aurait conscience de sa propre existence.

La réalité a été plus modeste. Les premiers réseaux à une seule couche ne résolvaient que des problèmes simples, et un livre de Marvin Minsky et Seymour Papert paru en 1969 a refroidi l'enthousiasme pendant des années. Le renouveau est venu dans les années 1980 avec la rétropropagation, une façon de répartir la responsabilité de chaque erreur à rebours, à travers de nombreuses couches. Avec les puces graphiques et d'énormes jeux de données, les réseaux ont ensuite décollé : en 2012, l'un d'eux a appris à reconnaître des chats à partir d'images non étiquetées. Aujourd'hui, ils font tourner les chatbots, les générateurs d'images et les robots.