Le contexte : un Français aux Bell Labs
Yann LeCun, ingénieur français formé à l’ESIEE et à Paris 6, fait sa thèse dans les années 80 sur les réseaux neuronaux — à une époque où le sujet est considéré comme has-been. Il redécouvre indépendamment la backpropagation avant la publication de Rumelhart-Hinton-Williams.
En 1988, il rejoint les mythiques Bell Labs dans le New Jersey. Sa mission : construire un système capable de lire automatiquement les codes postaux sur les enveloppes de la poste américaine.
L’événement : l’invention des convolutions
Les réseaux neuronaux classiques (dits fully connected) sont inefficaces pour traiter des images. Chaque pixel est relié à chaque neurone — trop de paramètres, pas assez de données pour les entraîner.
LeCun invente — ou plutôt synthétise à partir de travaux de Fukushima et des neurosciences visuelles de Hubel et Wiesel — le réseau neuronal convolutif (CNN). L’idée est géniale : au lieu de connecter tous les pixels, utiliser des filtres locaux qui glissent sur l’image et détectent des motifs (bords, courbes, textures). Ces filtres sont partagés dans toute l’image — ce qui réduit drastiquement le nombre de paramètres.
En 1989, il publie LeNet-1 — premier CNN entraîné par backpropagation — pour la reconnaissance de chiffres manuscrits. En 1998, la version LeNet-5 atteint un taux d’erreur de 0,95 % sur la base MNIST.
« Nous avons montré qu’un réseau convolutif peut apprendre des représentations visuelles hiérarchiques utiles pour la classification, sans aucune extraction de caractéristiques manuelle. »
— Yann LeCun et al., 1989
L’impact : la banque lit les chèques
Bell Labs et NCR déploient LeNet en production. À la fin des années 1990, 10 à 20 % des chèques bancaires américains sont lus automatiquement par des descendants de LeNet. Des millions d’enveloppes sont triées par reconnaissance automatique de codes postaux.
C’est la première application industrielle majeure d’un réseau neuronal. Mais le succès reste confidentiel : la communauté IA est focalisée sur les SVM de Vapnik, considérés comme plus « propres » mathématiquement. Pendant 15 ans, LeCun prêche dans le désert.
En 2003, il rejoint NYU. En 2013, il devient directeur de l’IA chez Meta (Facebook). En 2018, il reçoit le prix Turing avec Hinton et Bengio.
Résonance 2026 : les CNN sont partout
En 2012, AlexNet — un descendant direct de LeNet — remporte ImageNet avec une marge écrasante. C’est le Big Bang du deep learning. Depuis, les CNN équipent Tesla Autopilot, la reconnaissance faciale iPhone, le diagnostic médical par imagerie, la modération de contenu sur Meta, le contrôle qualité industriel.
En 2020, les Transformers commencent à concurrencer les CNN sur certaines tâches visuelles (Vision Transformer). Mais les CNN restent la solution par défaut pour la vision en production — plus efficaces, plus rapides, moins gourmands en données.
Chez CMEDIA, quand nous intégrons de la reconnaissance d’image dans un produit web — scan de document, analyse de photo, modération — nous utilisons des descendants directs de LeNet 1989. Un chercheur français aux Bell Labs a dessiné les yeux de l’IA moderne.