NEURO-NIMES 88 : COUP D'ENVOI POUR LES RESEAUX NEURONAUX
par Jean-Michel TRUONG NGOC (*)

     Les journées internationales sur les réseaux neuromimétiques et leurs applications, qui se sont tenues à Nîmes du 15 au 17 novembre, sous l'égide de l'Ecole pour les études et la recherche en informatique de Nîmes et d'EC2, ont été l'occasion pour des chercheurs jusque là très discrets de présenter un panorama complet de leurs travaux. Pour les 300 personnes présentes, dont une bonne moitié d'industriels, une seule question : s'y mettre ou pas ?

NE DITES PAS A MA MERE QUE JE FAIS DES RESEAUX NEURONAUX, ELLE ME CROIT INFORMATICIEN !

     Que ces journées Neuro-Nîmes aient été la dixième grande manifestation tenue de par le monde en cette année 1988 sur les réseaux neuronaux témoigne avec éloquence du regain d'intérêt dont ce thème est depuis peu l'objet. Née dans les années quarante, du projet de reproduire les capacités de traitement d'information du cerveau à l'aide de processeurs simples mais fortement interconnectés (modèle de Mac Culloch et Pitts), l'école dite "connexionniste" connaissait, depuis la fin des années soixante, une longue éclipse, due autant à l'échec des premières tentatives de mise en œuvre qu'aux insuffisances théoriques des premiers modèles proposés (Adaline de Widrow, Perceptron de Rosenblatt…). "C'était l'époque où il valait mieux cacher la véritable nature de ses activités, se souvient Jeanny Hérault, de l'Institut national polytechnique de Grenoble, un des rares chercheurs français à pouvoir aligner vingt années de travaux dans le domaine. Pour ma hiérarchie, officiellement, je travaillais sur de nouveaux algorithmes de reconnaissance de formes: en réalité, je faisais des réseaux neuronaux". Les progrès des neurosciences, ceux des technologies — notamment l'électronique et l'optique —, la découverte de modèles mieux appropriés (modèle de Hopfield, Néocognitron de Fukushima, algorithme de rétropropagation du gradient de l'erreur, etc.) et la mise au point de quelques démonstrations spectaculaires ont contribué, à partir de 1982, à sortir ces chercheurs de la relative clandestinité où ils étaient confinés et à accréditer l'idée que des applications opérationnelles étaient désormais envisageables.      Aujourd'hui — selon Jean-Claude Rault, organisateur de Neuro-Nîmes —, près de deux cents organismes de recherche et sociétés industrielles s'activent dans ce domaine — surtout aux USA — et près de cinquante sociétés à vocation commerciale proposent d'ores et déjà produits ou services. Est-ce à dire que le marché des réseaux neuronaux connaîtra la croissance qu'a connu celui des systèmes-experts ces cinq dernières années ? Faut-il, comme certains participants, parmi les plus enthousiastes, annoncer la fin des systèmes-experts, définitivement supplantés par ces réseaux aux capacités d'apprentissage quasi diaboliques ? Les cogniticiens sont-ils condamnés avant même d'avoir existé ? Une bonne partie de l'attrait que représentent les réseaux neuronaux est dû, en effet, à leur capacité d'apprendre par l'exemple: plus n'est besoin d'expliciter l'expertise, ni de la formaliser. " Confiez-nous vos données, nous nous occupons du reste! ", tel pourrait être le slogan des neuromiméticiens.

UNE APPROCHE SEDUISANTE DU TRAITEMENT DE L'INFORMATION

     Selon Françoise Fogelman-Soulié, qui dirige à l'Ecole des hautes études en informatique (EHEI) une des plus importantes équipes françaises, les réseaux neuronaux ou réseaux neuromimétiques sont des réseaux d'automates reproduisant approximativement l'architecture des réseaux de neurones naturels. Un automate (ou neurone formel) est un processeur élémentaire défini par:

     - un état interne s
     - des connexions (avec d'autres automates ou avec l'environnement)
     - une fonction de transition f qui lui permet de calculer son état interne en fonction des signaux qu'il reçoit sur ses connexions.

     On utilise dans les modèles connexionnistes des automates quasi- linéaires pour lesquels l'automate applique une fonction f à la somme pondérée de ses entrées (les coefficients de pondération W sont appelés les poids des connexions).

     Un réseau neuronal est donc un ensemble d'automates du type précédent, massivement interconnectés. Il est entièrement spécifié par la donnée:

     - du nombre des automates qui le composent
     - de l'architecture de ses connexions
     - des poids des connexions
     - des fonctions de transition f des différents automates.

     Dans un tel réseau, l'information se trouve donc distribuée dans les états des différents neurones et dans les poids de leurs connexions. On voit par ailleurs que si ces poids sont paramétrables, on obtient un système dynamique "programmable" qui peut être utilisé pour traiter de l'information.

     Contrairement à un ordinateur conventionnel, un réseau de neurones ne se programme pas à l'aide d'instructions, mais par apprentissage, au moyen d'exemples. L'apprentissage consiste à présenter au réseau une série d'entrées, et à modifier ses connexions pour qu'à chacune de ces entrées corresponde la sortie attendue: c'est ici qu'intervient le fameux algorithme de rétropropagation du gradient de l'erreur évoqué plus haut. Au fur et à mesure de l'apprentissage, le réseau reconfigure donc le poids de ses connexions, et finit par converger vers une représentation interne structurée des connaissances implicites contenues dans l'ensemble d'exemples qui lui a été présenté en entrée. Dès lors, il devient capable d'effectuer le traitement pour lequel il a été "programmé" et d'associer, à une entrée donnée, la sortie la plus vraisemblable, compte tenu des connaissances accumulées dans ses connexions lors de la phase d'apprentissage. On voit là se dessiner un avantage considérable des réseaux neuronaux sur les systèmes-experts, pour toute une gamme de problèmes où les connaissances factuelles et procédurales nécessaires à leur résolution ne peuvent pas être explicitées par les experts, en raison d'une trop grande complexité.

     Outre cette aptitude à apprendre à partir d'exemples, les spécialistes reconnaissent aux réseaux neuronaux les propriétés suivantes:

     - la robustesse, ou possibilité de rappeler l'information stockée, même si une partie des neurones est détruite, conséquence directe de la distribution de l'information à travers les neurones et leurs connexions. En cas de lésion du réseau, ses performances se dégradent progressivement et non de manière catastrophique;
     - la capacité de généraliser, qui autorise la recherche du "plus proche voisin" s'il n'existe pas d'équivalent exact de l'information recherchée. Cette propriété est, par exemple, exploitée pour la reconnaissance de caractères manuscrits ou déformés;
     - la flexibilité, ou capacité de modifier l'information stockée en réponse à de nouvelles données, réduisant d'autant le recours à la reprogrammation;
     - la tolérance aux fautes, en raison de la distribution de l'information stockée;
     - la capacité de travailler dans un environnement d'information "bruité";
     - la faculté de rappel associatif, qui permet de retrouver une information à partir d'une autre, ou l'information originale à partir d'une version dégradée;
     - la capacité de mettre en évidence les relations complexes existant entre les données d'entrée;
     - la capacité de résoudre des problèmes à explosion combinatoire (type "voyageur de commerce");
     - et, bien entendu, la rapidité de traitement, certes, mais aussi de mise au point. A cet égard, Françoise Fogelman-Soulié, qui travaille sur plusieurs projets industriels et militaires en association avec Thomson-CSF, cite l'exemple d'une application de reconnaissance de signaux radar dont la mise au point, par des techniques classiques, avait demandé 6 années.homme et qui, reprise selon une approche connexionniste, n'a plus nécessité que 4 mois.homme. "Vous m'apportez votre base de données aujourd'hui, affirme-t-elle, et dans un mois vous avez la réponse!"

DES DOMAINES D'APPLICATION NOMBREUX MAIS ENCORE PEU EXPLORES

     Selon Bernard Angeniol, responsable d'une unité de recherche sur les réseaux neuronaux chez Thomson-CSF, les domaines d'application privilégiés de cette technologie concernent avant tout le traitement des données sensorielles. En effet, a-t-il expliqué, "contrairement aux systèmes- experts dont l'approche symbolique attaque les problèmes à un haut niveau, en copiant la partie consciente du raisonnement humain, les réseaux de neurones proposent de copier le comportement inconscient en partant du bas niveau, c'est-à-dire des données sensorielles." Effectivement, l'essentiel des applications en cours de développement concernent le traitement d'images (compression, segmentation, reconnaissance de formes, détection de mouvements, stéréovision, etc.), le traitement du signal (classification, localisation, séparation de sources, débruitage,etc.), la reconnaissance de la parole et la robotique (coordination moteurs-senseurs). "Le principal donneur d'ordres est l'armée, constate F. Fogelman-Soulié. Elle s'intéresse à des problèmes comme l'interprétation d'images satellite, la cartographie, etc. Pourtant, il pourrait y avoir de nombreuses applications civiles, en imagerie médicale par exemple. " De fait, une équipe du CRIN à Nancy, dirigée par Jean-Paul Haton, achève un système capable d'interpréter des clichés radiographiques. "On trouve aussi, ajoute B. Angéniol, quelques applications de plus haut niveau chaque fois que les données à traiter sont redondantes, incomplètes, floues ou partiellement inexactes", critère qui, à bien y regarder, devrait ouvrir de larges perspectives d'application. Parmi ces problèmes de haut-niveau, on peut citer les problèmes d'optimisation (CAO, allocation de ressources, planification,...), de contrôle de processus adaptatifs (contrôle de fabrication, inspection automatique,...) et bien entendu, d'apprentissage à partir de bases de données.

     Selon une des conférencières de Neuro-Nîmes, Donna Thompson, le domaine d'applications civiles le plus actif et le plus prometteur — celui aussi où les investissements sont les plus importants — est celui de la banque et de la finance: modélisation et prévision, choix d'investissements, courtage, credit scoring, vérification de signatures. D'après D. Thompson, dirigeante de Phase Linear Systems, Inc., une des premières sociétés de conseil spécialisées dans ce domaine aux USA, les caractéristiques d'un "bon problème" pour les réseaux neuronaux sont :

     - que sa solution implique une classification ou une organisation de données (comme en prévision ou en modélisation);
     - qu'il résiste aux solutions techniques traditionnelles;
     - que sa méthode de résolution soit inconnue, mais qu'on soit capable d'associer des données d'entrées à des résultats;
     - qu'on soupçonne l'existence d'une relation d'ordre mathématique ou statistique entre les données;
     - qu'on dispose d'un nombre suffisant de cas pour l'apprentissage;
     - que sa solution implique rapidité, fiabilité, tolérance au bruit et robustesse (dégradation progressive des performances).

     Si la tonalité du discours sur les possibilités d'application est généralement optimiste, il ne faut pas se cacher que la plupart des exemples évoqués à Neuro-Nîmes — de même que ceux présentés dans la littérature du domaine — sont tout au plus des maquettes de démonstration bien éloignées, leurs auteurs ne le dissimulent pas, d'applications opérationnelles: on est encore très loin de la maîtrise technique. Ces maquettes simulent des réseaux de petite taille ("toy size": quelques centaines de neurones) et on n'a pas d'exemples de mise en œuvre de grands réseaux (10000 neurones et plus: "natural size" ) sur des problèmes plus complexes. De plus, il s'agit bien souvent de "manips" montées sur des cas d'école pour vérifier la plus ou moins bonne adéquation de cette nouvelle technologie à une classe de problèmes déjà connue, en comparant les résultats d'un réseau neuronal avec ceux des algorithmes classiques (reconnaissance de formes, optimisation, analyse de données...). Le fait que les réseaux neuronaux soient souvent en compétition avec des techniques plus anciennes (et mieux "établies"...) risque de constituer un handicap pour leur acceptation par l'industrie: pourquoi engagerait-elle des fonds pour résoudre un problème déjà bien maîtrisé par ailleurs? Il est urgent que les chercheurs du domaine énoncent une définition plus spécifique de leur domaine d'excellence.

     Peu soucieuse sans doute de donner dans les travers triomphalistes des pionniers des systèmes-experts, et de s'exposer à leur tour aux mêmes déconvenues, les principaux ténors de la recherche en réseaux neuronaux se signalent par la grande prudence de leurs prédictions, dès lors qu'il s'agit de quantifier le marché ou d'en jalonner l'évolution. Tout au plus s'accorde-t-on à dire que quelques applications commerciales rudimentaires pourraient voir le jour d'ici à deux ans, notamment en reconnaissance de caractères. Quant à l'industrialisation, elle ne semble pas encore à l'ordre du jour. "Il faut souvent une dizaine d'années entre le moment où l'on pense maîtriser une technologie en laboratoire et celui où on est capable de l'intégrer de façon fiable dans un process ou dans un produit, constate B. Angéniol. L'industrialisation d'applications des réseaux neuronaux pose un certain nombre de questions auxquelles on ne sait pas encore répondre: devra-t-on utiliser un matériel spécialisé ou pas? Si oui, sera-t-il analogique ou digital, dédié à l'algorithme ou général, synchrone ou asynchrone? Et comment ce matériel coopérera-t-il avec les programmes classiques des ordinateurs conventionnels?" Hormis ces questions d'implémentation physique, se poseront aussi les problèmes classiques d'assurance-qualité (comment spécifier, valider, maintenir à niveau des systèmes réalisés par apprentissage sur des bases de données?) et d'intégration dans l'environnement d'exploitation (comment concilier la nécessité de poursuivre l'apprentissage avec les contraintes d'une exploitation continue sur le site?), problèmes, notons-le, auxquels sont toujours confrontées, des années après, les entreprises mettant en œuvre des systèmes-experts.


LA MISE EN OEUVRE DES RESEAUX NEURONAUX : DIVERSITE ET CREATIVITE

     La plupart des chercheurs expérimentent leurs modèles par simulation sur des ordinateurs, classiques ou spécialisés. Dans ce cas, les réseaux de neurones sont modélisés sous forme de matrices dont les éléments représentent le poids des connexions. L'apprentissage se fait en modifiant les éléments de la matrice suivant des règles déterminées.

     Des outils logiciels destinés à faciliter ce travail commencent à apparaître sur le marché. En France, l'EHEI a mis au point un simulateur de réseaux de neurones multicouches, SN 1.3, destiné à la construction de réseaux connexionnistes à plusieurs couches et à leur apprentissage par rétropropagation du gradient ou autres méthodes dérivées. Cet outil dispose d'un langage de haut niveau, dérivé de LISP, pour décrire les réseaux, piloter leur simulation et intervenir en cours d'apprentissage, et d'une bibliothèque contenant les principaux algorithmes d'apprentissage. SN 1.3 autorise un accès à l'ensemble des paramètres du réseau, propriété indispensable en phase de mise au point. Un interface graphique facilite le suivi de ces paramètres en cours d'apprentissage. SN 1.3 est écrit en C, et est disponible sur stations SUN et APOLLO. L'EHEI commercialise cet outil par l'intermédiaire de la société AXONE.

     Une autre société française, EUROPIXELS, de Montpellier, distribue depuis peu le système de développement NESTOR, produit vedette aux Etats-Unis. D'une conception très professionnelle, ce produit s'apparente par sa philosophie à GURU ou NEXPERT, ces fameux "shells" qui permirent voici peu à tant d'entreprises de faire leurs premières armes en systèmes-experts. Sans offrir la souplesse et la transparence de SN 1.3, NESTOR se présente comme un progiciel offrant, à travers une interface extrêmement conviviale, toutes les fonctionnalités utiles pour la réalisation, la mise au point et l'exploitation de réseaux de neurones (jusqu'à 36). L'architecture des réseaux ainsi constitués et la nature des algorithmes d'apprentissage utilisés sont secrètes: tout ce qu'on en sait est qu'elles sont l'œuvre du Dr Léon COOPER, prix Nobel de physique 1972, et gourou des réseaux neuronaux. Disponible sur SUN 3 et sur IBM-PC, NESTOR est commercialisé en deux versions: une version d'initiation, comportant les outils de développement (complets mais limités à un seul réseau), un logiciel d'EAO et la documentation (tous deux en ligne, mais en anglais); et une version de développement, sans les limitations de la première, avec deux semaines de formation. Dans sa version d'initiation, NESTOR est facturé 30000F HT, et 129000F dans sa version de développement sur IBM-PC.

     Si des simulations logicielles reposant sur de simples stations de travail de type UNIX ou PC peuvent à la rigueur suffire au stade de la mise au point d'une maquette de démonstration ou pour certains types d'applications ne mettant pas en jeu un nombre excessif de données, en revanche, des applications industrielles ou consommatrices de temps de calcul, comme en imagerie, requièrent l'emploi de moyens matériels plus appropriés. Pour Philip Treleaven, professeur à l'University College de Londres, et responsable du thème "Neurocomputers" à Neuro-Nîmes, de telles machines sont, pour l'essentiel, " des réseaux parallèles de processeurs élémentaires interconnectés et opérant conjointement. Chaque processeur élémentaire est de structure primitive, mais présente un degré élevé d'interconnexion avec les autres processeurs. Il possède en outre une certaine capacité de mémoire locale." Ces architectures ont en commun certaines propriétés:

     - modularité: chaque processeur élémentaire doit être aisément replicable. Il doit donc réunir en un composant autonome la totalité des fonctions de process, de communication et de mémoire;
     - primitivité: si l'on veut pouvoir construire de grands neurocomputers, mobilisant plusieurs millions de processeurs élémentaires, chacun d'entre eux doit être suffisamment primitif pour autoriser une intégration importante sur un seul VLSI.
     - connectivité: des structures de communication simples sont nécessaires pour rendre possible l'extension des neurocomputers, et pour surmonter les limitations naturelles imposées à la connectivité par les VLSI;
     - asynchronisme: pour reproduire la richesse du fonctionnement hétérogène du cerveau, les neurocomputers doivent être des systèmes à flux multi-instruction-multi-data (MIMD).
     - stabilité: tout système parallèle asynchrone requiert une stabilité absolue du process et des communications dans toutes les situations.
     - programmabilité: cette condition est indispensable pour autoriser la construction d'une grande variété de réseaux. Les processeurs élémentaires devront donc être programmables, tant du point de vue de leurs connexions que des fonctions qu'ils assument.

     Parmi les machines "general-purpose" bien adaptées aux réseaux neuronaux Philip Treleaven cite l'INTEL iPSC (hypercubes), la Connexion Machine et les Transputers. Par ailleurs, de nombreuses start-up américaines proposent des co-processeurs pour IBM-PC et DIGITAL VAX. Les principaux sont : ANZA de Hecht-Nielsen, Parallon de Human Devices, Sigma de SAI Corp., Odyssey de Texas Instruments et Mark III de TRW.

     Enfin, des arrays-processor parallèles sont actuellement en cours de développement aux USA, au Japon et en Europe. C'est notamment le cas chez IBM, qui a développé un environnement expérimental complet pour la programmation de réseaux neuronaux, appelé CONE (Computation Network Environment), comprenant des NEP (Network Emulation Processor), un Network Interactive Execution Program (IXP) et un langage de haut niveau nommé GNL (Generalized Network Language). 256 NEP peuvent être assemblés, chaque NEP simulant jusqu'à 4000 processeurs élémentaires et 16000 interconnexions. Le tout est interfacé à un PC.

     C'est aussi un PC que Texas Instruments (G-B) a choisi comme frontal de son système NETSIM, développé en association avec l'université de Cambridge. Il s'agit d'un ensemble de cartes émulatrices de réseaux neuronaux assemblées en un réseau tri-dimensionnel. Chaque carte NETSIM représente une unité autonome construite autour d'un microprocesseur standard 80188, capable de calculer un réseau de 256 neurones avec 256 connexions par neurone en moins de 20 ms. Au total, un système NETSIM complet est capable d'activer 450 millions de synapses par seconde en propagation avant, et 90 millions pour un cycle complet.

     Par opposition à ces architectures "general-purpose" dont la principale caractéristique est d'être programmables, une seconde voie s'offre, qui consiste à implémenter un réseau neuronal directement sur un support physique (VLSI). Les neurones y sont simulés à l'aide d'amplificateurs de gain variable et les poids des connexions du réseau sont modélisés par des résistances variables. Dans ce cas, le neurocomputer obtenu est dédié à un seul modèle de réseau. On espère bien entendu gagner en efficacité ce qu'on perd en souplesse de programmation: les réseaux VLSI opèrent en temps réel (106 fois plus vite qu'un calculateur classique), avec de faibles consommations. Autre avantage, les performances du réseau se dégradent progressivement en cas de défaillance d'un composant. Le représentant le plus avancé de cette option est la puce mise au point par AT&T. Il s'agit d'un réseau VLSI CMOS en technologie 2.5 microns (6.7 mm x mm et 75000 transistors) de 54 amplificateurs (neurones analogiques) avec des interconnexions programmables. Au moyen d'une RAM, la plus grande partie du silicium utile, pratiquement 90%, est utilisée pour les interconnexions. La puce comporte 2916 dispositifs de connexion. Aucun apprentissage n'est possible. Le circuit mémorise 32 vecteurs de 100 bits et trouve le vecteur approchant en moins de 100 ms. AT&T pense mettre prochainement sur le marché un système de reconnaissance de caractères manuscrits exploitant cette puce. En France, Thomson poursuit des buts identiques avec son projet IRENE et étudie la possibilité d'utiliser comme support des matrices d'interconnexion ferroélectriques.

     Le principal problème posé par l'intégration d'architectures de réseaux neuronaux sur des supports physiques est lié à l'abondance des connexions, qui entraîne une limitation d'ordre physique de la justesse et de la précision des résultats. Lever cette limitation impliquerait de mettre au point des architectures de réseaux à connectivité réduite. C'est le but que s'est fixé une équipe dirigée par Jean-Paul HATON (CRIN) et Yves BURNOD (INSERM-Institut Pasteur), qui propose une nouvelle approche, reposant non pas sur la simulation du neurone, mais sur celle de la colonne corticale, architecture modulaire du cortex intégrant le fonctionnement d'une centaine de neurones. Ces colonnes interagissent au moyen d'un nombre très restreint de connexions, ce qui devrait constituer un moyen de limiter l'explosion combinatoire qui menace les réseaux neuronaux classiques.

     En attendant les résultats de ces explorations prometteuses, le choix du mode d'implémentation (ordinateur conventionnel ou VLSI) d'un réseau neuronal dépendra, au total, des contraintes spécifiques de l'application. Selon G. Saucier, de lnstitut national polytechnique de Grenoble, "le domaine d'excellence du neuronique pourrait être le traitement rapide de données pour trouver une solution satisfaisante mais pas nécessairement optimale. Si une solution optimale ou certifiée est requise, il sera toujours fait appel aux calculateurs digitaux. Mais pour reconnaître une image ou un son dans un temps acceptable ou à faible coût, le calculateur neuronique peut être la voie d'avenir."

     Pour clore cette partie consacrée à la mise en œuvre des réseaux neuronaux, citons encore pour mémoire une voie de recherche importante: les processeurs optiques (ou optoélectroniques). Ces systèmes utilisent le photon comme support primaire de l'information. L'avantage des photons sur les électrons est évident : du fait de leur fréquence plus élevée dans le spectre électromagnétique, les photons ont une plus grande capacité de transport de l'information; ensuite, les photons sont dépourvus de charge, donc n'interfèrent pas entre eux; enfin, ils se propagent de façon omnidirectionnelle: ils se prêtent donc naturellement à la construction de dispositifs parallèles. Par ailleurs, l'optique dispose de toute une gamme de composants susceptibles d'être exploités pour modéliser des réseaux de neurones: portes, modulateurs, multiplieurs matrices-vecteurs, corrélateurs d'images. Les hologrammes, par exemple, peuvent être mis à contribution pour leur extraordinaire capacité de stockage. Plusieurs laboratoires aux Etats-Unis étudient des implémentations optiques de réseaux neuronaux: BMD Corp., CALTECH, Carnegie-Mellon University, Hughes Research Labs., et Naval Research Labs.



RESEAUX NEURONAUX: LA FIN DES COGNITICIENS ?

     Les réseaux neuronaux se présentent sur le devant de la scène technologique à un moment où l'on commence à prendre conscience de certaines limites de l'intelligence artificielle — et nommément de sa pointe la plus avancée, les systèmes-experts. Du fait de leur capacité d'apprentissage à partir de données non structurées, les réseaux neuronaux semblent en effet apporter une solution idéale au problème souvent rédhibitoire du coût de l'acquisition et de la maintenance de l'expertise. Un des papes des systèmes-experts, Minsky, reconnaît que " les réseaux parallèles distribués offrent des avantages de simplicité et de rapidité et surtout nous permettent d'apprendre de nouvelles compétences sans avoir à comprendre comment ". Le constat de cet avantage — dont on a souligné plus haut à quel point il était encore largement à vérifier — est-il une raison suffisante pour s'écrier, comme certains le font déjà aux Etats-Unis: " AI: forget it! "  ? Pour Françoise Fogelman-Soulié, cette attitude serait "ridicule et suicidaire". A l'idée d'une compétition entre les deux technologies, elle préfère celle d'une complémentarité et d'une coopération. Les réseaux neuronaux présentent sans doute des avantages, mais les payent de certains inconvénients. Ainsi, ne sont-ils pas capables d'expliquer leur comportement; d'autre part, ils ne sont pas utiles pour résoudre des problèmes n'impliquant pas une classification. La conception la plus raisonnable et la plus prometteuse semble donc être celle de systèmes hybrides. C'est aussi l'avis du Dr Hecht-Nielsen : " Les systèmes d'intelligence artificielle sont fondés sur la logique, appliquée à des règles exprimées par des experts humains, et opèrent donc à un niveau cognitif élevé. Quant aux réseaux neuronaux, ils opèrent au niveau du signal ou des données. Les deux réunis devraient pouvoir être appliqués avec succès à des problèmes comme l'analyse de scènes, le réseau neuronal identifiant les objets et le système-expert interprétant la scène." Peut-être parviendra-t-on de cette manière à résoudre ce paradoxe énoncé par Scott Fahlman: " L'IA peut reproduire les capacités de raisonnement des meilleurs experts humains dans certains cas particuliers, mais éprouve la plus grande difficulté à approcher le bon sens et les capacités sensorielles d'un enfant de cinq ans."

     De la même façon, il serait naïf de croire que les réseaux neuronaux permettront de se passer de ces deux ressources chères que sont l'expert et le cogniticien. Selon Tom States (TSA) "L'expert du domaine est indispensable pour sélectionner les données pertinentes", et les cogniticiens sont nécessaires pour déterminer la manière dont les données brutes devront être pré-traitées et la façon d'obtenir la meilleure performance possible.

     En définitive, c'est en se frottant à l'industrie que cette technologie naissante trouvera son identité et sa légitimité. Les systèmes-experts ont franchi un pas décisif lorsqu'ils ont été capables — très récemment seulement — de démontrer leur capacité à contribuer de manière déterminante à la production de richesses. Il faut souhaiter que ces journées de Nîmes auront réussi à persuader quelques-uns des industriels présents à donner une chance aux réseaux neuronaux.


(*) Ce texte fut publié la première fois en 1988 dans Le Monde Informatique (Retour au texte)

retour à la notice du livre