Aller au contenu
ATLAS Humain × IA

Référentiel A — capacité humaine

Réseaux de neurones artificiels / deep learning

ÉvolutionsciencesdocumentéVérifié le

Thèse centrale

L'apprentissage profond utilise des réseaux de neurones artificiels composés de nombreuses couches pour apprendre automatiquement des représentations hiérarchisées directement à partir des données, sans qu'un expert humain n'ait à expliciter les règles de traitement.

Apport

À l'origine de la percée de l'IA contemporaine (reconnaissance d'image dès 2012 avec AlexNet, traduction automatique, génération de texte et d'image) ; rendu possible par la conjonction de grandes quantités de données, de puissance de calcul GPU et d'avancées algorithmiques (rétropropagation, architectures transformers).

Limites et critiques

Fonctionne largement comme une « boîte noire » dont les décisions internes restent difficiles à expliquer complètement ; nécessite des volumes massifs de données et d'énergie pour l'entraînement, et généralise parfois mal en dehors de la distribution des données d'entraînement.

Résonance avec l'IA

Constitue le socle technique direct de la quasi-totalité des systèmes d'IA générative contemporains évoqués dans ce référentiel — la fiche la plus directement centrale de cet axe pour comprendre les capacités et limites décrites côté IA.

Débats documentés

Appuis explicites (2)

Une fiche nomme l'autre dans sa thèse centrale ou son apport : elle s'y adosse.

  • AlexNetappui explicite

    À l'origine de la percée de l'IA contemporaine (reconnaissance d'image dès 2012 avec AlexNet, traduction automatique, génération de texte et d'image) ;

  • Transformersappui explicite

    À l'origine de la percée de l'IA contemporaine (reconnaissance d'image dès 2012 avec AlexNet, traduction automatique, génération de texte et d'image) ; rendu possible par la conjonction de grandes quantités de données, de puissance de calcul GPU et d'avancées algorithmiques (rétropropagation, architectures transformers).

Repose sur la même source (3)

Ces fiches citent au moins une source identique : si elles s'accordent, cet accord ne vaut pas confirmation indépendante.

  • IA et traitement du langage naturelrepose sur la même source

    Les deux fiches citent « Vaswani et al., « Attention Is All You Need » (arXiv:1706.03762) ».

  • AlexNetrepose sur la même source

    Les deux fiches citent « AlexNet — Wikipedia (EN) ».

  • Transformersrepose sur la même source

    Les deux fiches citent « Vaswani et al., « Attention Is All You Need » (arXiv:1706.03762) ».

Sources

  1. 1.Yann LeCun, Yoshua Bengio, Geoffrey Hinton, « Deep learning », Nature 521, 436-444primaire
  2. 2.Apprentissage profond — Wikipédiasecondaire
  3. 3.AlexNet — Wikipedia (EN)secondaire
  4. 4.Vaswani et al., « Attention Is All You Need » (arXiv:1706.03762)secondaire
  5. 5.Strubell, Ganesh & McCallum, « Energy and Policy Considerations for Deep Learning in NLP » (arXiv:1906.02243)secondaire

Analyses de gap citant cette fiche

Fiches connexes — sciences

Données brutes de cette fiche : /api/fiches/reseaux-de-neurones-artificiels-deep-learning — voir la méthodologie.