O slideshow foi denunciado.
Utilizamos seu perfil e dados de atividades no LinkedIn para personalizar e exibir anúncios mais relevantes. Altere suas preferências de anúncios quando desejar.

Comprendre l’intelligence artificielle [webinaire]

Découvrez ce qu’est l’intelligence artificielle et ses algorithmes ainsi que le machine learning, le deep learning et ses applications.

  • Seja o primeiro a comentar

Comprendre l’intelligence artificielle [webinaire]

  1. 1. L’intelligence artificielle sur de bonnes bases Par Claude Marson Expert en tendances informatiques
  2. 2. ▪L'intelligence, c’est quoi exactement ? ▪« libre arbitre », capacité de décider d’une conduite à tenir, indépendamment de toute contrainte ou apprentissage ▪Un être humain a conscience de ce qu’il fait. Pour lui, la décision est distincte de la conscience qu’il en a. L’algorithme d’IA, n’a pas cette perception. ▪Personne ne sait ce qu’est la conscience, ni où elle se situe. L'Intelligence Artificielle est-elle intelligente?
  3. 3. L'IA sur le devant de la scène
  4. 4. Tout est imbriqué dans tout
  5. 5. Les réseaux neuronaux
  6. 6. Les réseaux neuronaux ▪C'est en 1958 qu'apparaît le premier réseau neuronal artificiel : le Perceptron de Franck Rosenblatt. ▪Il est constitué d'une couche de neurones en entrée, dite "perception" et d'une couche de sortie, dite "décision".
  7. 7. Positionnement vis-à-vis des réseaux neuronaux ▪Trois attitudes possibles par rapport à l'alchimie des réseaux neuronaux ▪Expert ▪Architecte ▪Développeur : perçoit les réseaux neuronaux et leur comportement à travers les API et la programmation. Sait comment lancer une fonction d'entraînement, dont on comprend le principe et la finalité, mais sans lui associer une formulation mathématique : 35 % des besoins. Expert Architecte Programmeur ▪L'utilisateur peut ne pas être concerné par la "mécanique" qui se trouve dans le produit qu'il achète.
  8. 8. ▪ Bonnes connaissances de base ▪ Logique mathématique, séquencement des opérations logiques, capacité de formalisation abstraite ▪ Calcul vectoriel ▪ Calcul matriciel ▪ Résolution de systèmes d’équations ▪ Dérivées et intégrales ▪ Modèles statistiques et compréhension des critères : médiane, écart type… ▪ Notions de probabilités ▪ Lois statistiques : Gauss, Poisson, etc. ▪ L'idéal serait d'avoir des idées sur les transformées de Fourier et les convolutions ▪ N'ayez pas peur… ▪ Il ne s’agit pas de se transformer en mathématicien de métier, mais l'IA ne peut pas s’envisager sans un minimum de connaissances maîtrisées… Les bases mathématiques Toute la question est de savoir jusqu’où il faut aller…
  9. 9. Les réseaux neuronaux
  10. 10. Les réseaux neuronaux Les réseaux neuronaux sont des plateformes, sur lesquelles sont implémentés des algorithmes, qui simulent le comportement d'un cerveau humain (neurones et synapses), par un système de couches de processeurs (neurones), reliées par des connexions réseaux (synapses).
  11. 11. Le principe d'un réseau neuronal
  12. 12. Concrètement…
  13. 13. Exemple d'un réseau convolutif
  14. 14. Les architectures de « Machine Learning »
  15. 15. « Machine Learning » (apprentissage automatique) ▪ Le « Machine Learning » (apprentissage automatique) est un algorithme qui apprend un concept de manière progressive : un objet, un visage, une langue, un comportement, un sentiment… ▪ Appliqué aux réseaux neuronaux, c'est l'opération qui consiste à ajuster tous les paramètres du réseau de façon à ce qu'il approche au plus près la relation fonctionnelle entre les entrées et les cibles. ▪ L'algorithme le plus simple est la régression linéaire, qui permet de séparer des familles de points entre elles.
  16. 16. Apprentissage supervisé ▪ S'applique aux deux formes d'apprentissage, automatique et profond. ▪ 2 phases : ▪ Découverte (entraînement), pendant laquelle le réseau apprend sur un « dataset » de données labellisées. ▪ Production dans laquelle le réseau propose des solutions, issues de son « expérience ». ▪ Les données sont labellisées par des informations qui vont ajouter un sens aux données brutes.
  17. 17. Apprentissage supervisé : les questions à se poser
  18. 18. Acquisition des « datasets »
  19. 19. Le problème délicat du « dataset »
  20. 20. ▪ Deux notions particulières du « machine learning », le sur-apprentissage (overfitting) et le sous-apprentissage (underfitting). ▪ Le sur-apprentissage correspond au fait que le modèle s’adapte bien, voire trop bien aux données d’apprentissage. ▪ Le sous-apprentissage s’applique à la situation où le modèle n’arrive pas à s’adapter aux données d’apprentissage. Il « patauge » et ne reconnaît pas la totalité des objets qu’on lui soumet. ▪ L’objectif d’un bon modèle est de se situer entre les deux extrêmes et qu’on ne puisse pas le « soupçonner » d’ « underfitting » ou d’ « overfitting ». Sous-apprentissage et sur-apprentissage
  21. 21. Apprentissage non supervisé ▪L'algorithme effectue un apprentissage sans se faire aider par un « dataset ». ▪Conception beaucoup plus complexe. ▪L'idée est souvent de regrouper les objets en familles (clusters), d'où la confusion qui est souvent faite entre mode supervisé et « clustering » : il faut déterminer des points communs entre les éléments d'une même famille.
  22. 22. Apprentissage par renforcement ▪Algorithme qui permet d’optimiser l’ensemble des conséquences (récompenses ou punitions) résultant d’une série d’actions portant sur un environnement, dont elles font varier l’état.
  23. 23. Les réseaux de capsules ▪Une autre conception des réseaux neuronaux (Geoffrey Hinton). ▪Une capsule embarque tous les éléments caractéristiques d’un objet, la « pose » : sa position, taille et orientation, luminosité et déformation par rapport à une représentation idéale.
  24. 24. « Deep Learning »
  25. 25. « Deep Learning » (apprentissage profond) ▪Le « deep learning » ou apprentissage en profondeur, est un ensemble de méthodes qui bénéficient des progrès des réseaux neuronaux, pour reconnaître des objets, images, images dans les images, sons, phrases dans une communication téléphonique, etc. ▪Toujours 2 phases : une phase d'éducation ou d'entraînement, qui s'effectue sur des données labellisées et une phase de découverte, sur des données non labellisées.
  26. 26. Les API de « Deep Learning » ▪Il existe désormais une importante panoplie d’API dédiées, exploitables sans avoir nécessairement une connaissance fine des mécanismes internes de la technologie.
  27. 27. Les applications du « Deep Learning »
  28. 28. On peut aussi raisonner à l'envers… Approche des développeurs : partir de l'application et choisir la meilleure technologie neuronale.
  29. 29. Les algorithmes vont-ils dominer le monde ? 2 écoles : ceux qui voient les machines et leurs algorithmes nous dépasser et nous ramener au rôle d’observateur « zombique » qui n’aura plus de prise sur les évènements et ceux qui, au contraire, pensent que les êtres humains vont trouver les ressources nécessaires pour se « transhumaniser », modifier leur comportement génétique et créer un genre nouveau, peut-être éloigné de ce qu’il est aujourd’hui.
  30. 30. ▪ L’idée que prônent certains scientifiques est que l’IA n’a pas besoin de nous être supérieure au sens intelligence du terme, pour nous remplacer et donc de disposer de sa propre conscience et libre-arbitre. ▪ La raison : nous ne sommes pas un modèle d’efficacité et il n’y a aucune raison de vouloir nous imiter. ▪ Au contraire, c’est en s’améliorant sur ses points forts, le traitement des données, que l’algorithme saura d’abord nous accompagner, puis nous supplanter. Les algorithmes ont-ils besoin d'être intelligents pour nous remplacer ?
  31. 31. Dataïsme : la religion des données ▪Le livre deYuval Noah Harari, « Homo Deus », est venu apporter un éclairage intéressant au débat. ▪Pour l’historien, l’Homo Sapiens que nous sommes perd le contrôle de sa destinée : « Les gens ne devraient pas se concentrer sur la question de savoir comment arrêter le progrès technologique, parce que c’est impossible ». ▪Une nouvelle philosophie s’installe, le dataïsme, qui possède ses « grands prêtres », les évangélistes technologiques. Pour ces nouveaux prophètes, le dataïsme est une foi universelle dans le pouvoir des algorithmes.
  32. 32. ▪ Initiation à l’intelligence artificielle (IA101) ▪ Introduction au Machine Learning et au Deep Learning (IA102) ▪ Mise en œuvre d’un projet IoT (Objets connectés) (TI142) Formations offertes
  33. 33. Merci et au plaisir de vous rencontrer en 2019!

    Seja o primeiro a comentar

    Entre para ver os comentários

  • patricklhermie

    Apr. 4, 2019
  • kkokreyol

    May. 18, 2019
  • HakimaAgni

    Jul. 13, 2020

Découvrez ce qu’est l’intelligence artificielle et ses algorithmes ainsi que le machine learning, le deep learning et ses applications.

Vistos

Vistos totais

1.758

No Slideshare

0

De incorporações

0

Número de incorporações

821

Ações

Baixados

69

Compartilhados

0

Comentários

0

Curtir

3

×