Réseaux neuronaux (réseaux de neurones artificiels)
Un réseau de neurones artificiels est un modèle mathématique organisé en couches de neurones interconnectés, dont l’architecture s’inspire à l’origine du fonctionnement du cerveau humain. Chaque neurone reçoit des valeurs en entrée, leur applique des poids différents, additionne le tout, puis transmet un résultat transformé aux neurones suivants — une opération individuellement simple qui, répétée sur des millions de neurones, permet de capturer des motifs complexes. Concept théorisé dès 1943 par Warren McCulloch et Walter Pitts, avec le perceptron de Frank Rosenblatt (1957) comme première implémentation fonctionnelle.
C’est l’architecture centrale du deep learning, qui empile de nombreuses couches de neurones — plus il y en a, plus le réseau est « profond ». Plusieurs familles se distinguent selon la structure de circulation de l’information : les réseaux à propagation avant (feedforward), les plus simples ; les réseaux récurrents, qui réinjectent leur propre sortie pour traiter des séquences (texte, son) ; les réseaux convolutifs (CNN), spécialisés en vision par ordinateur. L’apprentissage se fait via la backpropagation, qui ajuste les poids pour réduire l’erreur du modèle.
En RH, les réseaux de neurones constituent le socle technique de la quasi-totalité des outils IA avancés : LLM pour la génération de texte et les chatbots RH, modèles de matching CV/poste, ou analyse de sentiment dans les enquêtes collaborateurs. Un rappel utile : malgré le vocabulaire « neuronal », ces systèmes restent des formules mathématiques sans compréhension consciente — une IA faible, quelle que soit leur sophistication apparente.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : CNIL, Wikipédia FR (juin 2026).