Des réseaux neuronaux artificiels

Comment fonctionne un réseau neuronal artificiel ?
Comment fonctionne  son processus d’apprentissage ?

Le rêve que portaient à proprement parler les concepteurs d’ ordinateurs à capacité élevée  n’était pas celui de la calculatrice surdouée que nous connaissons aujourd’hui, mais une réplique de l’intelligence humaine. Si les développeur de telle machines rêvaient de cette intelligence artificielle au cours de leur recherches, son développement effectif, ne fut que le fruit d’erreurs et de contrecoups successifs.  – La fabrication d’intelligence polyvalente s’est avérée bien plus difficile  que ce que prévoyaient des années durant les scientifiques. Dans des cas plus spécifiques il existe cependant entre-temps de bons résultats. En particulier dans le domaine  des réseaux neuronaux artificiels qui ont trouvé leur place dans l’activité d’exploitation de données.

Un ordinateur ordinaire nécessite des instructions bien précises – Lorsque vous utilisez un programme, l’ordinateur travaille de façon précise et à grande vitesse, étape par étape, mais surtout  sans tolérer d’erreur : il exploite les données de manière digitale, à l’aide des valeurs zéro et un, oui et non, sans possibilité supplémentaire.

Un réseau neuronal artificiel, lui, travaille différemment : il est conçu à l’image d’un cerveau, du système nerveux. A la place d’un programme, il dispose d’une structure de cellules (en biologie :Neurones) et de connexions entre celle-ci (en biologie : Synapses). Comme dans un cerveau humain, il existe un domaine qui « perçoit » : ce que les organes sensoriels livrent au cerveau chez l’Homme, les dénommées « neurones d’entrée »  occupent la même fonction dans un réseau neuronal artificiel. Dans  ce que l’on nomme des couches dissimulées, se trouvent des cellules nerveuses semblables de par leur fonction à celles   de notre matière grise où ont lieu l’apprentissage et l’exploitation par «  la perception des sens ». De l’autre côté, il existe dans un réseau neuronal artificiel un « neurone de sortie » – ce que l’on appèle la « bouche » du système, qui fournit le résultat.  Ainsi, au contraire de l’ordinateur classique, le réseau neuronal artificiel est tolérant quant aux erreurs et peut finalement prendre des décisions selon un choix tendant vers l’infini et non binaire. Ainsi les réseaux neuronaux artificiels sont aujourd’hui utilisés à différents niveaux pour la reconnaissance de structures, comme par exemple pour reconnaître les visages : submergé d’images, c’est à lui de décider si une image jusque là inconnue lui est familière – comme lorsque nous reconnaissons d’anciens amis dans la rue, même si nous les avons vus il y a plusieurs années pour la dernière fois avec une autre coiffure .

Evidemment le réseau neuronal est beaucoup plus petit que le cerveau – il ne peut donc travailler et n’exploiter qu’une seule tâche à la fois. C’est pourquoi nous avons recours au Distributed Computing, cela nous permet de répartir de nombreuses tâches entre   nos membres afin d’atteindre la diversité nécessaire aux estimations boursières.

Comment le RNA fonctionne – Exploitation d’informations

Chaque neurone (cellule nerveuse) des couches dissimulées et chaque connexion (Synapse) reçoit au départ une valeur nominale au hasard.  Dans le cadre de neurones, on parlera de valeurs seuil et  dans celui des synapses  on utilisera le terme de pondérations. Les neurones d’entrées reçoivent les cours d’entrée sous forme de valeurs. Les neurones reçoivent ensuite par le biais des connexions une information qui ne sera retransmise qu’à condition que la valeur soit plus élevée que la valeur seuil du neurone. On dira alors que le neurone « propage ».

Les réseaux neuronaux artificiels (RNA) de MoneyBee® sont appliqués aux cours boursiers. Aux neurones d’entrée (« organes de sens ») de nos réseaux  nous appliquons une centaine de données boursières différentes comme valeurs. Celles-ci sont fournies dans les couches dissimulées : à travers le poids des connexions et les valeurs seuil, elles influenceront le contenu d’information des neurones se trouvant entre elles et les neurones de sorties. Les informations circulent donc des neurones d’entrée vers les neurones de sortie à travers le réseau (« Forward Propagation »).

Les neurones d’entrée reçoivent jour  par jour une sorte de rapport de situation de la Bourse. Le réseau enregistre ses expériences sous forme de pondérations et de valeurs seuils  puis recommence la procédure – il s’agit d’une observation répétitive d’un millier de données boursières jusqu’à reconnaissance de structures précises parmi ces données enregistrées comme valeurs des neurones et des connexions.

Dans l’ensemble, le RNA travaille comme un être humain qui suit les cours boursiers : il observe les données boursières, les évalue et apprend du passé. Il essaye ensuite d’adapter ses expériences à l’avenir –  le réseau neuronal artificiel contrairement à l’Homme ne sait pas ce que signifient des données telles que Dollar, Dax, Nemax, Dow Jones – dans la mesure où il ne s’agit pour le réseau que de valeurs nominales. Ainsi il est incorruptible et sincère dans l’annonce de ses pronostics, puisqu’il ne peut exister d’arrière-pensée ou d’imagination susceptible de falsifier l’analyse. Mais pour cela le réseau neuronal artificiel a besoin d’une méthode d’apprentissage précise.

Comment le RNA travaille – Le processus d’apprentissage

Tant que le réseau neuronal n’apprend pas, les pronostics sont mauvais – en effet les valeurs seuils et les pondérations ont au départ été choisies par hasard. Désormais l’apprentissage du réseau neuronal a lieu et l’algorithme d’apprentissage modifiera les pondérations et les valeurs seuils en considérant la valeur effective du pronostic. Il s’agit donc d’une sorte d’apprentissage surveillé où le « professeur » (les programmateurs de MoneyBee®) connaît le résultat initial (cours historiques) et les présente après calculs pour comparaison à son « élève »(le réseau neuronal). Ces deux valeurs sont finalement censées être le plus proche possible l’une de l’autre – la différence doit être minimisée. C’est la base du processus d’apprentissage à proprement parler : la méthode dite de « Error Backpropagation » qui a été développée en 1984. Le message d’erreur se reproduit de manière opposée  à l’information, donc à reculons, en partant des neurones de sorties vers les neurones d’entrée et en améliorant les pondérations et les valeurs seuils.

Cette procédure se succèdera continuellement en utilisant une structure (composition de données) différente à chaque fois. Une structure complète se compose des informations d’entrée (cotations) et du résultat des cours déjà connu. Un cycle s’achève une fois que tous les échantillons ont été testés (cf. graphique alvéole du bas à gauche). La chronologie des structures à l’intérieur d’un cycle est choisie de façon aléatoire.

L’apprentissage est interrompu si un nombre déterminé de cycles est atteint ou si une durée déterminée de calcul n’apporte aucune amélioration du réseau, ce que l’on distingue lorsque plusieurs cycles successifs n’ont pas apporté d’amélioration (cf. courbe d’apprentissage, graphique alvéole du haut à gauche). L’apprentissage est alors achevé et le réseau est prêt pour les vrais pronostics, c’est-à-dire ceux se référant à l’avenir. Pour cela, il suffit de l’alimenter de nouvelles données telles que les cours boursiers qui s’étendent jusqu’à ce jour. La procédure de propagation avancée est alors employée et l’on obtient immédiatement les pronostics souhaités – les réseaux neuronaux artificiels nécessitent beaucoup de temps durant l’apprentissage mais le calcul lui-même est nettement plus rapide. C’est au professeur cette fois d’attendre le dépassement de la période de pronostic avant d’examiner son élève et de pouvoir seulement déterminer la qualité du pronostic. Ces données sont alors publiées sur www.moneybee.fr - une visite régulière sur nos pages peut donc être très intéressante .

Bien sûr  l’ordinateur individuel ne possède pas de neurones – ils sont stimulés par les programmes traditionnels. Il faut s’imaginer un tableau  où les valeurs s’influencent mutuellement selon un algorithme complexe – soit une matrice complexe en mesure d’apprendre.