31 Oct Intelligence artificielle : mini cheat sheet
Intelligence artificielle
Définitions et …. pensées
| Source | Définition |
|---|---|
| Yann Lecun, professeur à l’Université de New York et Directeur de Facebook AI Research (FAIR) | On pourrait dire que l’Intelligence Artificielle (IA) est un ensemble de techniques permettant à des machines d’accomplir des tâches et de résoudre desproblèmes normalement réservés aux humains et à certains animaux. |
| Wikipédia | L'intelligence artificielle est l'intelligence démontrée par les machines. Le terme « intelligence artificielle» est utilisé lorsqu'une machine imite les fonctions «cognitives» que les humains associent à d'autres esprits humains, comme «apprendre» et «résoudre des problèmes». On y trouve donc le côté « artificiel » atteint par l'usage des ordinateurs ou de processus électroniques élaborés et le côté «intelligence » associé à son but d'imiter le comportement. |
| Jeff Leek, professeur agrégé de biostatistique et d'oncologie à l'école de santé publique Johns Hopkins Bloomberg | Eléments composants une intelligence artificielle : • un jeu de données, soit un ensemble d'exemples de données pouvant être utilisés pour former un modèle d'apprentissage statistique ou automatique à des prédictions. • un algorithme pouvant être entrainé sur un jeu de données afin de traiter de nouvelles données et exécuter une tâche de type humain. The world is moving fast. Every day new innovations appear and are likely to revolutionize the activity of our customers. We need to be on the lookout for these new developments and work with the right experts to help our customers navigate their way through this world of information. |
| MOOC Stanford | L'IA est la discipline qui gère l'incertitude et la gère dans la prise de décision. |
| MIT | La tâche que l'IA rend abondante et peu coûteuse est la prédiction - en d'autres termes, la capacité de prendre des informations que vous avez et de générer des informations que vous n'aviez pas auparavant. |
IA faible versus IA forte
| IA Faible (descendante ou Artificial Narrow Intelligence: ANI) |
Non évolutive. N’a pas conscience d’elle-même. Elle effectue ses tâches et uniquement ce pour quoi elle a été programmée. Elle est donc très performante dans son domaine mais reste confinée dans celui-ci sans possibilité d’évoluer. |
| IA Forte (ascendante ou Artificial General Intelligence: AGI => Artificial Super Intelligence: ASI) |
Intelligence qui a appris à apprendre, impliquerait une augmentation exponentielle de ses capacités, serait multitâches et surpasserait rapidement l’homme. Elle aurait conscience d’elle-même. N’existe pas encore mais ne saurait tarder selon certains experts. |
Machine learning
Machine learning versus deep learning
Cas de la reconnaissance automatique d’images de voiture
| Classic (supervised) machine learning | • On a un ensemble d’images de voitures étiquetées comme telles. • On fait des abstractions de chaque image en extrayant « manuellement » leurs caractéristiques essentielles. • L’IA est ensuite capable de dire si une nouvelle image est une voiture ou non. |
| Information retrieval | • On a un ensemble d’images de voitures étiquetées comme telles. • L’IA est capable d’extraire seule les caractéristiques essentielles qui font qu’une photo est une photo de voiture. • L’IA est ensuite capable de dire si une nouvelle image est une voiture ou non. |
| Content filtering | • On a un ensemble d’images de voitures sur des routes, non-étiquetées comme telles. • L’IA est capable d’extraire seule le fait qu’il apparaît 2 concepts et les a identifiés avec leurs caractéristiques essentielles. |
Comprendre rapidement le deep learning
Aller plus loin sur le deep learning avec Yann LeCun
[/vc_column_text][vc_empty_space][vc_video link= »https://www.youtube.com/watch?v=RgUcQceqC_Y » el_width= »50″][vc_empty_space][vc_column_text]
eep neural networks ou réseaux de neurones
- Construction de fonctions mathématiques complexe en s’inspirant du modèle neuronal biologique. La polyvalence du réseau de neurone permet les adapter à plein d’entrées ou de sorties différentes.
- Modèles génératifs (DCGAN): donner des nombres aléatoires en entrée et laisser le système générer une donnée qui ne faisait pas partie du lot d’exemples duquel il a appris.
Intelligence artificielle versus machine learning
Yann Lecun résume l’intelligence artificielle à un ensemble de techniques permettant à des machines d’accomplir des tâches et de résoudre des problèmes normalement réservés aux humains et à certains animaux.
L’Université de Stanford définit le machine learning comme « la science permettant aux ordinateurs d’agir d’eux-même sans être explicitement programmés pour ce faire (source : wired)
L’intelligence artificielle comprend le machine learning qui lui-même comprend le deep learning.
Principaux usages de l’intelligence artificielle
Extrait issu de la présentation de Yann LeCun.
| Domaine EN | Domaine FR | Description |
|---|---|---|
| Search | Recherche | Classement des résultats en fonction de la probabilité de clic de l’utilisateur. |
| Information retrieval | Récupération des informations | Est-ce que cette information répond à une requête donnée ? |
| Content filtering | Analyse de contenu | Détection de spam ou de contenu dangereux. |
| Newsfeed ranking | Classement des informations | Sélection du contenu sur un réseau social. |
| Ad ranking | Classement des publicités | Est-ce,qu’une personne est susceptible de cliquer sur cette annonce ? |
| Recommendation | Recommandation | Est-ce,que ce client va acheter ce produit ? |
| Collaborative filtering | Filtrage collaboratif | Les clients qui achètent çà achètent aussi çà … |
| Classification | Classification | Est-ce que ce texte parle de politique internationale ? |
| Sentiment analysis | Analyse de sentiment | Est-ce que cette information à propos de la société X est positive ? |
| Time-series prediction | Prédiction de série temporelle | Stock, matières premières, consommation d’énergie, … |
Athi L
English 
Français
Sorry, the comment form is closed at this time.