Depuis quelques années, l’intelligence artificielle (IA, ou AI en anglais), l’apprentissage machine, les réseaux de neurones artificiels et l’apprentissage profond sont de plus en plus présents dans notre quotidien. Ces termes font référence à des méthodes, des techniques et des processus qui permettent aux machines d’accomplir des tâches complexes telles que la reconnaissance d’images, la conduite de véhicules ou la conversation avec des humains. Au fil du temps, nous avons tendance à considérer certains de ces outils, en particulier les réseaux de neurones artificiels, comme des modèles de notre propre cerveau, et les capacités de l’apprentissage en profondeur comme des modèles de ses fonctions. Cependant, est-ce qu’une machine qui est capable d’accomplir des tâches similaires à celles de notre cerveau peut vraiment en être un modèle ?
Prenons l’exemple simple du tri des pièces de monnaie. Des machines purement mécaniques sont parfaitement capables de le faire. De notre côté, en tant qu’êtres humains, nous sommes également capables de trier des pièces. Est-ce que nous pouvons apprendre quelque chose sur notre capacité à trier des pièces en observant ces machines ? La question se pose de la même manière avec l’IA. Les réseaux de neurones artificiels sont inspirés des connaissances acquises en neurosciences et partagent certaines caractéristiques avec nos cellules nerveuses. Alors, jusqu’où peut-on pousser la comparaison ? Quelles sont les limites de ces modèles ? Peut-on les utiliser en neurologie ou en santé mentale ?
Le modèle de neurone utilisé dans l’apprentissage en profondeur n’a rien de physique. Il s’agit d’un ensemble d’étapes mathématiques effectuées dans un ordinateur. De manière similaire, dans notre cerveau, un neurone reçoit des données par ses synapses, qui sont les points de contact avec les neurones voisins. Selon le poids de chaque synapse, le neurone sera plus ou moins activé. Cette activation est similaire dans les réseaux de neurones artificiels. La sortie d’un neurone peut être utilisée comme entrée pour le neurone suivant. Au cours de l’apprentissage, certains neurones se spécialisent dans certains types d’entrées, tandis que d’autres sont plus sensibles à d’autres. Cette description permet de reproduire un aspect fonctionnel du traitement de l’information par un neurone. Ce modèle de neurone formel a été décrit pour la première fois en 1943. Une fois constitués en réseau pour une application spécifique, les règles d’apprentissage déterminent l’évolution des poids synaptiques. Différentes méthodes d’apprentissage peuvent être utilisées, telles que la rétropropagation de l’erreur ou le calcul évolutionnaire. Ces modèles sont capables d’apprendre, de résoudre des problèmes ou d’accomplir des tâches que nous sommes capables de faire, parfois même plus rapidement, que ce soit pour des tâches simples ou complexes.
Cependant, si ces modèles partagent certains mécanismes de fonctionnement avec notre cerveau, ils ne partagent pas tous les aspects, notamment ceux liés aux pathologies. Par exemple, l’épilepsie, un trouble cérébral très étudié, provoque une activité cérébrale excessive et synchronisée. On pourrait penser que les réseaux de neurones artificiels en apprentissage profond pourraient reproduire cette activité en saturant tous les nœuds à un niveau d’activation maximum en même temps. Cependant, il y a des spécificités entre les crises cérébrales et les “crises numériques”. Dans le cerveau, les crises sont un phénomène dynamique qui peut se propager et perturber la communication synaptique. Dans un réseau artificiel, un tel phénomène est impossible. De plus, un niveau d’activation élevé dans un réseau n’est qu’un état parmi d’autres et n’a pas d’aspect pathologique. Cette suractivation n’affecte pas le fonctionnement de l’ordinateur, il y a simplement un risque accru d’erreur pour une tâche donnée. Ainsi, ces deux différences empêchent toute comparaison entre un réseau de neurones et un cerveau biologique.
Les réseaux de neurones artificiels utilisés dans l’intelligence artificielle sont capables de reproduire les fonctions du cerveau, mais pas l’activité électrophysiologique sous-jacente à ces fonctions. Par conséquent, il n’est pas possible de transposer la distinction entre normal et pathologique dans les crises d’épilepsie humaines à la question du normal et du pathologique dans les réseaux de neurones artificiels utilisés dans ces algorithmes. Cependant, il existe d’autres modèles de la dynamique des crises basés sur des approches différentes, tels que les systèmes dynamiques, qui sont conçus pour étudier l’activité cérébrale associée à ces crises.
Il est donc important de distinguer les différents niveaux de description en fonction des types de modèles considérés. Certains modèles reproduisent une fonction ou une activité, tandis que d’autres permettent d’expliquer la dynamique des crises, mais ne sont pas adaptés pour accomplir des tâches spécifiques comme ceux utilisés dans l’IA. Selon nos objectifs, nous choisirons ou construirons un type de modèle adapté. Cependant, à ce jour, il n’existe pas de modèle capable de reproduire tous les aspects du cerveau, à part le cerveau lui-même.
#LIA #pourraitelle #avoir #descrisesdépilepsie
publish_date]
