Imaginez un portier numérique qui n'a qu'une seule décision à prendre : « oui » ou « non ». Il observe plusieurs indices, accorde à chacun une importance variable, fait la somme, et tranche. C'est exactement cela, le perceptron : le plus ancien et le plus élémentaire des neurones artificiels, inventé par Frank Rosenblatt en 1958. Il constitue la brique fondatrice de tout l'apprentissage profond moderne.
Comment ça fonctionne
Le perceptron reçoit des entrées $x_1, x_2, \dots, x_n$, attribue à chacune un poids $w_i$ (son importance), puis ajoute un biais $b$. Il calcule une somme pondérée, qu'il passe dans une fonction d'activation (historiquement une marche : seuil franchi 1, sinon 0) :
$$ y = f!\left( \sum_{i=1}^{n} w_i x_i + b \right) $$
L'apprentissage consiste à ajuster les poids tant que le perceptron se trompe : on le corrige exemple après exemple jusqu'à ce qu'il classe correctement.
Sa force et sa limite
Le perceptron ne sait séparer que des données linéairement séparables : il trace une seule ligne droite (un hyperplan) entre deux classes.
| Tâche | Perceptron seul |
|---|---|
| Fonction ET / OU | Résout |
| Fonction XOR | Échoue |
L'incapacité à résoudre le XOR (démontrée par Minsky et Papert en 1969) a freiné la recherche, jusqu'à la découverte que l'empilement de perceptrons en couches — le perceptron multicouche (MLP) — surmonte cette limite.
Une seule neurone trace une ligne ; des milliers, organisés en couches, dessinent l'intelligence artificielle d'aujourd'hui.