Réseaux récurrents (RNN)
Un réseau de neurones récurrent (RNN) est une architecture conçue pour traiter des données séquentielles, en intégrant les informations des entrées précédentes pour influencer la prédiction actuelle. Contrairement à un réseau à propagation avant, où l’information circule dans un seul sens, un RNN contient au moins un cycle : la sortie d’une étape est réinjectée en entrée de l’étape suivante, ce qui lui donne une forme de « mémoire » du passé récent de la séquence.
Cette architecture convient particulièrement au texte, à la parole ou aux séries temporelles — tout ce où l’ordre et le contexte comptent. Limite documentée : un RNN classique ne retient que le passé proche, et commence à « oublier » au bout d’une cinquantaine d’itérations environ — un défaut connu sous le nom de disparition du gradient. Le LSTM, variante développée en 1997, a corrigé cette limite en ajoutant un mécanisme de mémoire plus durable, avant d’être largement supplanté par l’architecture Transformer et son mécanisme d’attention, aujourd’hui standard pour les LLM.
En RH, les RNN ont constitué la brique technique des premières générations d’outils NLP : reconnaissance vocale pour la transcription d’entretiens, correction prédictive, premiers chatbots RH capables de suivre un fil de conversation. Techniquement dépassée pour le texte au profit des Transformers, cette architecture reste pertinente pour certaines prédictions séquentielles pures — évolution d’un indicateur RH dans le temps, par exemple.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : Wikipédia FR (24/02/2026), IBM (14/11/2025).