Perceptron
Le perceptron est le modèle le plus simple de réseau de neurones artificiels : un neurone unique qui classe une donnée dans une catégorie ou une autre. Il reçoit plusieurs valeurs en entrée, les multiplie chacune par un poids, additionne le tout, puis compare le résultat à un seuil — au-dessus, il renvoie 1 ; en dessous, 0. Inventé par Frank Rosenblatt en 1957, il constitue le premier système capable d’apprendre par expérience, et pose les fondations de l’apprentissage supervisé moderne.
Sa limite majeure, révélée en 1969 par Marvin Minsky et Seymour Papert : un perceptron simple ne résout que des problèmes linéairement séparables — il ne peut pas traiter des données organisées de façon plus complexe (le fameux problème XOR). Cette limite a freiné la recherche en IA pendant plusieurs années, avant que le perceptron multicouche, combiné à la backpropagation dans les années 1980, ne dépasse cette contrainte et n’ouvre la voie au deep learning actuel.
En RH, le perceptron reste purement historique et pédagogique — aucun outil RH moderne ne repose sur cette version primitive. Il reste utile pour comprendre le principe de base qui sous-tend tous les réseaux de neurones utilisés aujourd’hui dans les outils de scoring ou de prédiction RH.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.