Référentiel B — capacité IA
RNN
Architecture
Réseau de neurones récurrent traitant des séquences en réutilisant un état caché mis à jour à chaque pas de temps, permettant de modéliser des dépendances temporelles
Capacités clés
- Modélisation de séquences de longueur variable (texte, séries temporelles, audio) via un état caché récurrent
- Capacité à traiter des dépendances contextuelles entre éléments successifs d'une séquence
- Architecture fondatrice ayant précédé et inspiré les LSTM puis les Transformers pour le traitement séquentiel
Usages documentés par secteur
IndustrieTRL non déterminableDiffusion historique
Traitement de séquences avant la généralisation des Transformers (reconnaissance vocale, traduction automatique historique)
- Reconnaissance automatique de la parole ou de l'écriture manuscrite et traduction automatique, domaines nommés par la source
- Prévision de processus industriels (électricité) et intégration de contrôle-commande
Sources de cet usage
- 1.Réseau de neurones récurrents — Wikipédiasecondaire
RechercheTRL non déterminableDiffusion établie
Modélisation de séries temporelles et de signaux séquentiels en recherche appliquée
- Prédiction de séries temporelles, dont des séries temporelles d'images satellite
- Évaluation comparative des GRU sur des partitions musicales et des données de parole
Sources de cet usage
- 1.Réseau de neurones récurrents — Wikipédiasecondaire
Limites connues
Souffre du problème de disparition ou d'explosion du gradient sur de longues séquences, ce qui limite sa capacité à capturer des dépendances à très long terme — problème partiellement résolu par les LSTM. La source rattache la suite de cette lignée aux architectures Transformer, « à la base des Large Language Models mis en production à partir de 2022 et 2023 » : elle ne documente pas de remplacement dès 2017.
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
- 1.Réseau de neurones récurrents — Wikipédiasecondaire
Analyses de gap citant cette fiche
Aucune paire humain × IA documentée pour cette capacité à ce jour. Le comparateur permet de tester la combinaison et affiche son statut réel.
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/rnn — voir la méthodologie.