Référentiel B — capacité IA
LSTM
Architecture
Variante de réseau de neurones récurrent dotée de portes (entrée, oubli, sortie) régulant un état de cellule mémoire à long terme, résolvant le problème de disparition du gradient des RNN classiques
Capacités clés
- Capacité à mémoriser des dépendances à long terme dans des séquences, contrairement aux RNN simples
- Mécanisme de portes permettant de conserver, oublier ou mettre à jour sélectivement l'information au fil du temps
- Architecture dominante en traitement séquentiel (texte, audio, séries temporelles) avant l'avènement des Transformers
Usages documentés par secteur
IndustrieTRL 9 / 9
La source documente cinq déploiements commerciaux mondiaux à base de LSTM : Google Voice (2015), le Google Neural Machine Translation de Google Translate (2016, « reduce translation errors by 60 % »), quicktype et Siri chez Apple, Amazon Polly derrière Alexa, et 4,5 milliards de traductions automatiques par jour chez Facebook en 2017.
Traduction automatique, reconnaissance et synthèse vocales de nouvelle génération (avant les Transformers), et prévision de séries temporelles à dépendances longues
- Google Neural Machine Translation de Google Translate (2016), qui réduit les erreurs de traduction de 60 %
- Reconnaissance vocale de Google Voice (2015), erreurs de transcription réduites de 49 %
- quicktype et Siri chez Apple, Amazon Polly derrière les voix d'Alexa, suggestions de messages dans Google Allo (2016)
- Prévision énergétique et détection d'anomalies dans des séries temporelles, domaines d'application listés par la source
Sources de cet usage
- 1.Long short-term memory — Wikipedia (EN)secondaire
Limites connues
Traitement intrinsèquement séquentiel (pas à pas) qui limite la parallélisation de l'entraînement par rapport aux Transformers. La source ne mentionne ces derniers qu'une fois, en 2020, pour une comparaison de lois d'échelle : la datation d'un remplacement dès 2017-2018, souvent avancée, n'est traçable à aucune source de la fiche.
Débats documentés
Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.
Sources
Analyses de gap citant cette fiche
- Théorie du chaos et systèmes complexes × LSTMSystèmes chaotiques et apprentissage de dépendances temporelles
Fiche humaine : Théorie du chaos et systèmes complexes
- Tectonique des plaques × LSTMDétection de signaux précurseurs et limite de prévisibilité sismique
Fiche humaine : Tectonique des plaques
- Paul Ricœur × LSTMConfiguration narrative automatisée et constitution de l'identité dans le temps
Fiche humaine : Paul Ricœur
- Milton Friedman × LSTMPrévision monétaire et arbitrage entre règle simple et modèle opaque
Fiche humaine : Milton Friedman
Fiches connexes — Data science / modèles prédictifs
- Arbres de décisionMéthode d'apprentissage automatique classique (algorithmes ID3, C4.5, CART, développés à partir des années 1980)
- AutoencodeursArchitecture de réseau de neurones popularisée à partir des années 1980-1990, largement développée depuis les années 2010
- CNNArchitecture développée notamment par Yann LeCun (LeNet, fin des années 1980-1990), popularisée à grande échelle par AlexNet (2012)
- Forêts aléatoiresMéthode d'ensemble développée notamment par Leo Breiman (2001)
- GANConcept développé par Ian Goodfellow et ses collègues (juin 2014)
- Gradient Boosting (XGBoost/LightGBM/CatBoost)Méthode formalisée par Jerome Friedman (1999). Les implémentations XGBoost, LightGBM et CatBoost qui donnent son nom à la fiche ne sont nommées par aucune source de celle-ci : leurs dates et leurs éditeurs restent à tracer.
- K-MeansAlgorithme classique de partitionnement de données (formalisé par Stuart Lloyd et James MacQueen dans les années 1950-1960)
- K-NNMéthode statistique classique d'apprentissage non paramétrique ; la source citée n'en donne pas la datation
Données brutes de cette fiche : /api/fiches/lstm — voir la méthodologie.