Apprentissage automatique stat.ML

Un orchestre de mille musiciens joue en harmonie tant que le chef maintient le tempo. Mais qu'il change la partition, et les violons dans un coin se mettent à sonner plus fort, tandis que les cuivres dans un autre entrent en retard.

Affiner un réseau de neurones, c'est un peu comme essayer de modifier un trou noir sans toucher à son horizon des événements : on ne change qu'une petite partie des paramètres.

Le diagnostic génétique, c'est un peu comme comparer deux photos prises avec des appareils différents. Si l'un des appareils a légèrement décalé les couleurs, la photo révèle des « défauts » qui n'existent pas dans la réalité.

Les vieux bulletins météo réservent des surprises : la colonne du thermomètre bondit soudain d'un demi-degré, non pas à cause du temps, mais parce que la station a changé d'instrument. Ces sauts brusques dans les données sont appelés points de changement, et les distinguer des véritables signaux climatiques est un défi que les statisticiens peinent à relever.

On peut comparer un réseau de neurones à une résidence où chaque locataire dispose de sa propre chambre. En général, chaque signal dans les données occupe un neurone distinct, et l'apprentissage se fait séquentiellement : d'abord un signal, puis un autre. C'est lent et cela dépend des données rencontrées.

Des milliers de modèles mijotent dans un même chaudron, et la vapeur qui s'en élève est épaisse, opaque. Chacun murmure quelque chose à propos du futur El Niño, mais dans ce brouhaha, impossible de distinguer qui dit vrai et qui s'échauffe.

L'électrocardiogramme, c'est un peu comme l'enregistrement du bruit d'un moteur : un mécanicien expérimenté y entend quand quelque chose cloche. L'échographie cardiaque montre le moteur lui-même de l'intérieur, mais l'appareil est cher et les spécialistes sont rares.

Sept images du ciel après l'éruption du volcan Pinatubo. Pour chaque image, une carte des concentrations de dizaines de substances. La question est simple : quelle substance se transforme en quelle autre ? Mais comment déduire une chaîne de causes à partir de sept instantanés, quand les variables sont plus nombreuses que les instants ? M-CaStLe regarde la carte autrement.

La symphonie joue, mais une note fausse, à peine perceptible, s'est glissée dans la partition. C'est à peu près ainsi que les physiciens recherchent des écarts par rapport à la relativité générale dans les « sons » de l'Univers — les ondes gravitationnelles issues de la fusion de trous noirs.

Vous goûtez un plat au restaurant, mais vous n'avez pas vu le menu. Vous posez des questions au serveur — trop salé ? avec quelles épices ? — et à partir des réponses, vous essayez de deviner quel chef l'a préparé.

Un spectre, c'est un peu comme une photographie de la structure interne d'une substance, prise avec de la lumière. Lorsque le faisceau traverse l'échantillon ou s'y réfléchit, les molécules laissent sur ce cliché des bandes sombres caractéristiques : les pics. Mais si la photo est surexposée ou voilée de gris, distinguer les détails devient presque impossible.

Le robot de laboratoire compte les molécules — et se trompe. Dans un tube, 0 ; dans un autre, 12 ; dans un troisième, 3, alors qu'en réalité, il y en a à peu près autant partout. Ces chiffres « bruts » sont monnaie courante en biologie : séquençage de l'ADN, comptage des espèces dans un échantillon d'eau, activité des gènes.

Un millier de particules entament une danse de gradient. Chacune ressent une attraction vers les zones de haute probabilité et une répulsion de ses voisines — pour éviter de s'agglutiner.

60 souris, 1980 échantillons, 234 patients atteints d'un cancer du poumon. Derrière chaque chiffre se cachent des milliers de gènes. Leur activité est mesurée pour comprendre la maladie.

Prédire les propriétés d'une nouvelle molécule, c'est un peu comme deviner le goût d'un plat inconnu. Le programme agit comme un chef expérimenté : il « goûte » des molécules similaires dont les propriétés sont déjà connues et, en se basant sur leur « saveur », affine son estimation.

Les machines complexes — des drones aux robots chirurgiens — se comportent parfois comme un mustang sauvage : pleines de désordre et de caprices, où un léger contact déclenche une tempête. Plutôt que de mémoriser des formules, la nouvelle méthode observe le système, tel un dresseur.

Le son se décrit naturellement par un nombre complexe, où le volume représente la force de l'onde et la phase sa position dans le temps. Les réseaux de neurones classiques séparent ces deux aspects en coordonnées indépendantes, un peu comme si l'on donnait une adresse par quartiers : « deux à l'est, un au nord ».

Un radar ordinaire évoque un micro dans une foule bruyante : les sons individuels se fondent en une bouillie. PiVoT agit comme un chef d'orchestre qui, au milieu du chaos de l'accordage, reconnaît instantanément chaque instrument. Plutôt que d'énumérer des hypothèses, l'algorithme resserre une boucle autour des cibles les plus probables — voitures, cyclistes, piétons.

Le cerveau ne se contente pas de réagir au monde – il ne cesse de deviner ce qui va se passer l'instant d'après. Ce principe porte le nom de codage prédictif : les neurones comparent leurs attentes à la réalité et mettent à jour leur représentation interne lorsqu'une erreur survient. Mais comment un système aussi complexe peut-il être organisé dans le tissu vivant du cortex ?

Un réseau de neurones prédit l'avenir d'un système — par exemple, comment le plasma va tourbillonner dans un champ magnétique ou comment un visage va changer dans une vidéo. Les erreurs sont inévitables, et plus il regarde loin, plus elles s'accumulent.

Deux photographes prennent la même montagne. L'un prend une centaine de clichés depuis le sommet et seulement deux au pied, l'autre fait l'inverse. Si l'on tente de superposer leurs images, l'algorithme pourrait décider que le sommet sur une photo correspond au sommet sur l'autre simplement parce qu'il y a beaucoup de points similaires, et non parce qu'il s'agit du même endroit.