Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
Un réseau de neurones est un modèle de calcul composé d’unités élémentaires interconnectées, appelées neurones artificiels, dont les connexions pondérées sont ajustées par apprentissage afin de relier des données d’entrée à des résultats.
Le terme officiel en France est « réseau de neurones artificiels », avec pour synonymes « réseau de neurones formels » et « réseau de neurones ». La Commission d’enrichissement de la langue française l’a publié en 2018 dans son vocabulaire de l’intelligence artificielle. Elle y définit le neurone artificiel comme un dispositif à plusieurs entrées et une sortie, qui simule certaines propriétés du neurone biologique. Sa sortie est une fonction non linéaire, en général à seuil, d’une combinaison des entrées dont les paramètres sont ajustables.
Un réseau typique comprend une couche d’entrée, une ou plusieurs couches cachées et une couche de sortie. Chaque neurone reçoit des signaux pondérés, applique une fonction d’activation, puis transmet le résultat à la couche suivante. L’entraînement ajuste les poids pour réduire l’écart entre la prédiction et le résultat attendu. La méthode de référence, la rétropropagation du gradient, a été popularisée par David Rumelhart, Geoffrey Hinton et Ronald Williams dans la revue Nature en 1986. Les variantes incluent les réseaux convolutifs pour l’image, les réseaux récurrents pour les séquences et les transformeurs pour le langage.
Le réseau de neurones désigne l’architecture de calcul. Le deep learning désigne l’apprentissage automatique fondé sur des réseaux qui comptent de nombreuses couches. Le machine learning englobe aussi d’autres familles de modèles, comme les régressions ou les arbres de décision. En marketing, les réseaux de neurones opèrent surtout à l’intérieur d’outils : modèles de langage, reconnaissance d’image, moteurs de recommandation et scoring prédictif.
Une équipe marketing achète rarement un réseau de neurones. Elle achète un outil qui en contient un, et en hérite les forces comme les limites. Le réseau excelle à repérer des régularités dans des images, des textes ou des sons. Il ne fournit pas de lui-même les raisons de ses résultats. À notre sens, la décision ne porte donc pas sur la technique, mais sur trois points vérifiables : les données d’apprentissage, la mesure de performance sur des cas nouveaux et la capacité à expliquer un résultat contesté.
Deux familles d’indicateurs se complètent. La qualité de prédiction se mesure sur des données de test : taux d’erreur, précision, rappel. L’effet métier se mesure contre un groupe témoin : temps gagné, ventes, réclamations. Pour un score de probabilité, nous recommandons un contrôle souvent oublié, la calibration. Parmi les clients notés à 80 %, environ huit sur dix doivent réellement réaliser l’action prévue. Un score mal calibré trompe les arbitrages budgétaires, même s’il classe bien les clients. L’écart entre performance d’entraînement et performance de test signale aussi un surapprentissage.
Le règlement (UE) 2024/1689 sur l’intelligence artificielle fait de la capacité d’inférence une caractéristique essentielle des systèmes d’IA. Son considérant 12 range parmi les techniques concernées les approches d’apprentissage automatique. Son considérant 26 retient une approche fondée sur les risques. À notre lecture, les obligations d’une entreprise utilisatrice dépendent donc de l’usage du système, et non du recours à un réseau de neurones en tant que tel. Les fournisseurs de modèles d’IA à usage général ont, eux, des obligations propres. Dès que des données personnelles sont traitées, le RGPD s’applique en parallèle.
En mode projet, Advalians analyse vos pratiques, compare les solutions envisagées et pilote le projet jusqu’à la mise en service de l’outil retenu.
Le réseau de neurones est une architecture de calcul : des neurones artificiels organisés en couches et reliés par des connexions pondérées. Le deep learning est une méthode d’apprentissage qui utilise des réseaux de neurones comptant de nombreuses couches. Tout modèle de deep learning est donc un réseau de neurones, mais un réseau peu profond, à une seule couche cachée, n’est en général pas qualifié de deep learning.
En pratique, la distinction compte peu pour choisir un outil. Interrogez plutôt le fournisseur sur les données d’apprentissage et sur la mesure de performance.
Partez d’une tâche précise et répétitive, par exemple classer des avis clients par motif ou repérer des visuels non conformes. Définissez l’indicateur de réussite et la personne qui valide les résultats.
Testez ensuite l’outil sur vos propres données, sur un périmètre limité, en comparant ses résultats à ceux du traitement actuel. Prévoyez une validation humaine pour les cas incertains et un suivi mensuel des performances. Étendez l’usage seulement si le gain est mesuré. Documentez la version de l’outil utilisée, car une mise à jour peut modifier les résultats.
Évaluez-les sur des données que le modèle n’a jamais vues, de préférence récentes et issues de votre activité. Pour une tâche de classement, suivez la précision et le rappel plutôt que le seul taux de bonnes réponses, trompeur quand l’événement visé est rare.
Pour un score de probabilité, vérifiez la calibration : regroupez les clients par tranche de score et comparez la probabilité annoncée au taux réellement observé. Mesurez enfin l’effet métier contre un groupe témoin. Fixez les seuils de réussite avant le test.
Parce que son résultat dépend de milliers, voire de milliards de paramètres répartis entre les couches, sans règle lisible qui l’explique. Il est difficile de dire pourquoi un client a reçu tel score ou tel refus.
Le risque est double : ne pas pouvoir justifier une décision auprès d’un client, et ne pas détecter un biais hérité des données. Exigez du fournisseur des outils d’explication des facteurs qui pèsent sur un résultat. Réservez les décisions sensibles à une validation humaine, et conservez une trace des données et de la version du modèle utilisées.
Préférez un modèle plus simple, comme une régression ou un arbre de décision, lorsque les données tiennent dans un tableau de taille modeste, lorsque chaque décision doit être expliquée ou lorsque le budget de calcul est limité. Ces modèles donnent souvent des résultats comparables sur ce type de données.
Le réseau de neurones se justifie pour les images, les sons, les textes libres ou les très grands volumes. Comparez toujours deux approches sur les mêmes données de test, et retenez la plus simple si l’écart de performance est faible.
Par Thomas Bizot – Président du cabinet Advalians
L’Intelligence Artificielle (IA) générative est à l’avant-garde des innovations technologiques transformant radicalement les..
