Derrière Claude, Copilot ou ChatGPT : des réseaux de neurones. Pas de cerveau, pas de conscience — des couches de calculs qui s'ajustent à force d'exemples. On démonte le mécanisme, étape par étape.
Partons d'un cas concret que vous connaissez déjà — pas d'une définition abstraite.
Votre boîte mail trie automatiquement un email en « spam ». Personne n'a écrit une règle du type « si le mot GRATUIT apparaît, alors spam ». Le système a simplement observé des milliers d'emails déjà classés par des humains, et il a appris, tout seul, quelles combinaisons de signaux (mots, expéditeur, liens, mise en forme) sont associées au spam.
Un réseau de neurones ne « comprend » rien au sens humain. Il repère des régularités statistiques dans des exemples, et les réutilise sur de nouveaux cas. C'est de la reconnaissance de motifs à très grande échelle — pas de l'intelligence au sens où vous l'entendez chez un collaborateur.
Un neurone artificiel fait exactement trois choses : il pondère ses entrées (certaines comptent plus que d'autres), il les additionne, puis il décide si le signal est assez fort pour passer. Testez-le vous-même.
Les poids sont les seuls réglages du système. Au départ, ils sont au hasard. « Entraîner » un réseau, c'est ajuster ces poids jusqu'à ce que ses prédictions collent aux exemples réels.
Un seul neurone ne capture qu'un signal simple. On en assemble des milliers, organisés en couches : chaque couche affine ce que la précédente a détecté. C'est cet empilement que l'on appelle « profond » — le deep de deep learning.
Pour reconnaître un visage sur une photo : la 1re couche détecte des contours, la 2e combine ces contours en formes (un œil, un nez), la 3e assemble ces formes en visage. Plus il y a de couches, plus le système peut apprendre des concepts abstraits — au prix de plus de données et de calcul.
L'entraînement répète ce cycle des millions de fois, jusqu'à ce que les erreurs deviennent rares.
Le réseau propose une réponse avec ses poids actuels (souvent hasardeux au début).
On confronte la réponse à la bonne réponse connue (l'exemple étiqueté par un humain).
Un score chiffre l'erreur : plus l'écart est grand, plus la correction à venir sera forte.
Les poids sont légèrement réajustés pour réduire l'erreur. Puis on recommence.
C'est pour cela qu'un modèle a besoin de volume et de qualité de données. Peu d'exemples ou des exemples biaisés → un réseau qui apprend les mauvais réflexes, aussi vite qu'il apprend les bons.
Claude, Copilot, ChatGPT : des réseaux de neurones à des milliards de paramètres, entraînés sur d'immenses volumes de texte. Le principe reste celui que vous venez de voir — à une échelle vertigineuse.
Risque de retard fournisseur, détection de fraude, tri de CV — le réseau apprend des cas passés pour noter les cas nouveaux.
Claude ou Copilot « prédisent » le mot suivant le plus plausible, couche après couche — d'où des réponses parfois fausses avec assurance.
Lecture automatique de factures, tri d'images, transcription vocale : même logique de couches empilées appliquée à d'autres signaux.
Score final — relancez si besoin.
Cliquez sur chaque carte pour voir sa définition en une phrase.
Un outil qui « devine », « suggère », « détecte » ou « génère » sans règle explicite écrite par un humain fait probablement tourner un réseau de neurones. Notez un exemple issu de votre quotidien professionnel — on en reparle en session.