Matière & Vie

Matière & Vie Informations de contact, plan et itinéraire, formulaire de contact, heures d'ouverture, services, évaluations, photos, vidéos et annonces de Matière & Vie, Société de médias/d’actualités, Nevers.

04/10/2023

IA – Partie 4 – APPLICATIONS DES IA ET QUESTIONS ETHIQUES
S’Y RAPPORTANT

LES DIFFERENTES IA ELARGIES DISPONIBLES SUR LE MARCHE

Quelles sont les applications dotées d’IA actuellement disponibles sur le marché ? Quelle est la technologie qui les sous-tend ? Et que font-elles exactement ?
Voici les principaux systèmes, d’applications et de plateformes d’IA à surveiller.
ChatGPT – Actuellement le chatbot le plus populaire au monde, il est alimenté par l’IA conversationnelle. En résumé, ChatGPT :
• Est une application alimentée par une intelligence artificielle conversationnelle (un chatbot).
• Elle répond à des entrées de texte en fournissant des réponses en langage naturel.
• Elle est uniquement basée sur le texte ; l’IA ne comprend pas le son ou les images.
• Actuellement gratuit
Google Bard – La réponse de Google à ChatGPT, conçue pour révolutionner le monde des moteurs de recherche. En bref, Google Bard :
• Est un chatbot similaire à ChatGPT mais développé par Google.
• A été dévoilé en février 2023, mais n’est pas encore public.
• Améliorera l’expérience de recherche sur Google
Midjourney – un programme d’IA pour créer des images à partir d’invites textuelles. En bref, Midjourney :
• Une appli d’IA qui crée des images à partir d’invites textuelles.
• Vous permet d’éditer ces images en ajoutant des détails, des styles ou des paramètres techniques.
• Est encore en version bêta mais peut être utilisée avec un plan payant ou la version gratuite
DALL-E 2 – un autre système de conversion de texte en image alimenté par l’IA à surveiller de près. En bref, DALL-E 2 :
• Est la principale application d’IA texte-image, avec Midjourney.
• Tend vers un style plus réaliste et photographique par rapport à ses concurrents.
• A été lancée par OpenAI, l’entreprise à l’origine de ChatGPT.
Writesonic – un outil alimenté par l’IA pour la rédaction d’articles et de contenu pour les réseaux sociaux. En bref, Writesonic :
• Est une appli alimentée par l’IA pour créer et optimiser des articles.
• Peut être utilisée pour créer ou optimiser des articles, des articles de blog, du contenu pour les réseaux sociaux et des publicités.
• A une application sœur appelée ChatSonic, un chatbot alternatif à ChatGPT
Synthesia – une plateforme d’IA pour la création de vidéos. En bref, Synthesia :
• Est une appli alimentée par l’IA pour créer des vidéos publicitaires.
• Est une power-app d’IA qui synthétise des voix naturelles et synchronise la parole avec les lèvres de ses avatars.
GitHub Copilot – une application qui aide les développeurs à écrire le code source d’un logiciel à l’aide de l’IA. En bref, GitHub Copilot :
• Est un assistant alimenté par l’IA pour écrire du code.
• Possède un moteur qui comprend et génère à la fois des langues naturelles et des langages de programmation.
• Ne semble pas être en mesure de gérer seul des systèmes complexes.

LES PRINCIPALES APPLICATIONS DE L’IA

L'IA a potentiellement d’innombrables applications dans différents domaines que l’on ne peut pas énumérer de manière exhaustive. Citons simplement quelques exemples tels que :
● La santé : l'IA peut aider à diagnostiquer des maladies, à analyser des images médicales, à concevoir des médicaments, à assister les chirurgiens ou à surveiller les patients.
● L'éducation : l'IA peut personnaliser les parcours d'apprentissage, évaluer les compétences, fournir des feedbacks, tutorer les élèves ou créer du contenu pédagogique.
● L'industrie : l'IA peut optimiser les processus de production, contrôler la qualité, gérer les stocks, prévoir la demande ou piloter des machines.
● La défense : Les applications de l’IA dans le domaine militaire est devenu un enjeu stratégique de tout premier ordre
● Le commerce : l'IA peut recommander des produits, analyser le comportement des clients, optimiser les prix, gérer le service après-vente ou créer des publicités.
● La sécurité : l'IA peut détecter des fraudes, des cyberattaques, des menaces terroristes ou des accidents. Elle peut aussi assurer la protection des données, la reconnaissance faciale ou la surveillance vidéo.
● L'art : l'IA peut créer de la musique, de la peinture, de la littérature ou du cinéma. Elle peut aussi imiter le style d'un artiste, générer des effets spéciaux ou interagir avec le public.
● Le divertissement : l'IA peut animer des personnages virtuels, créer des scénarios interactifs, améliorer le réalisme des jeux vidéo ou simuler des émotions.

LES RISQUES DE MEFAITS POTENTIELS PRODUCTIBLES PAR DES IA
L’intelligence artificielle (IA) est une technologie qui peut avoir des applications bénéfiques pour la société, mais qui comporte aussi des risques potentiels liés à son utilisation malveillante ou abusive. Voici quelques exemples de risques liés à l’IA :
• La création de fausses vidéos ou de deepfakes qui peuvent usurper l’identité d’une personne, la faire dire ou faire des choses qu’elle n’a jamais dites ou faites, et nuire à sa réputation ou à sa sécurité.
• Le piratage de voitures autonomes, de drones ou de robots qui peuvent être détournés de leur fonction initiale et utilisés comme des armes par des terroristes ou des criminels.
• L’hameçonnage sur mesure ou le phishing qui consiste à envoyer des messages personnalisés et automatisés pour inciter les destinataires à divulguer des informations confidentielles ou à installer des logiciels malveillants.
• Le piratage des systèmes contrôlés par l’IA qui peuvent perturber les infrastructures vitales, comme l’électricité, le trafic ou la logistique alimentaire, et causer des dommages économiques et sociaux importants.
• Le chantage à grande échelle qui peut exploiter les données personnelles collectées par l’IA pour envoyer des menaces automatisées et extorquer de l’argent ou des faveurs aux victimes.
• La manipulation de l’opinion publique ou des élections par l’utilisation de comptes automatisés (bots) sur les réseaux sociaux, qui peuvent diffuser des fausses informations, des rumeurs ou des discours haineux, et influencer le comportement des électeurs.
• Les défaillances techniques ou éthiques de l’IA qui peuvent entraîner des erreurs, des biais, des discriminations ou des violations des droits et libertés fondamentaux45.
• La possibilité d’une escalade rapide des conflits en raison de l’autonomie des machines
• Le manque de contrôle humain sur les décisions de vie ou de mort
• Le piratage de voitures autonomes, de drones, de systèmes contrôlés par l'IA ou d'infrastructures critiques
• Le risque de catastrophe planétaire lié à l'intelligence artificielle générale, c'est-à-dire une IA capable de surpasser les humains dans tous les domaines
Ces risques nécessitent une vigilance et une régulation de la part des pouvoirs publics, mais aussi une sensibilisation et une responsabilisation de la part des utilisateurs et des développeurs de l’IA. L’objectif est de promouvoir une IA éthique, transparente et respectueuse des valeurs humaines. Pour la plupart des exemples que nous venons de citer, il s’agit de détournement d’usage de technologies conçues initialement avec de bonnes intentions. Ces mauvaises utilisations de l’IA peuvent être combattues au moyen de règlementations et d’actions juridiques. L’IA est une nouvelle technologie qui peut être à double usage, comme une arme à double tranchant. Comme toutes les technologies qui l’ont précédées, cela dépend de l’usage que l’on en fait. Lorsqu’elle est détournée vers de mauvaises intentions l’IA peut s’avérer potentiellement destructrice jusqu’à des niveaux difficilement imaginables incluant des destructions de masses c’est-à-dire à très grandes échelles.
Pour se faire une idée citons un exemple réel relaté dans un documentaire intitulé « Dans l’inconnu, les robots tueurs » produit par Dan Bromfield et Jesse Sweet. En pharmacologie, l’IA est désormais utilisée pour générer des millions de molécules destinées à soigner des maladies encore incurables ou orphelines. Les scientifiques du laboratoire suisse Spiez spécialisé dans la protection NBC (nucléaire, bactériologique, chimique) se sont rendus comptes qu’en modifiant superficiellement un paramètre de l’IA, cette dernière s’était mise à afficher des millions de molécules très toxiques, dont certaines sont bien connues des arsenaux de guerres chimiques. Il a fallu pour cela simplement changer un paramètre en le faisant passer de la valeur zéro à un. A ce niveau de dangerosité, l’IA pose des problèmes d’ordres éthiques. Essayons de réaliser un rapide contour de ces problèmes éthiques en les classifiant

L'INTELLIGENCE ARTIFICIELLE : EXEMPLES DE DILEMMES ETHIQUES
Indépendamment de l’ensemble des méfaits qui pourraient être causées par une mauvaise utilisation voire une utilisation malveillante de l’IA et ils sont innombrables, il existe des biais d’ordre purement éthique que nous pouvons catégoriser comme suit :
PREMIER BIAIS : LES RISQUES DE REMPLACEMENT DE L’INTELLIGENCE HUMAINE PAR L’IA
• On imagine le développement de technologies s’incarnant dans des robots capables de penser comme nous, et finalement mieux que nous et en définitive qui pourraient nous survivre, et nous remplacer. On craint le saut qualitatif que constituerait l’émergence d’une IA capable de s’améliorer elle-même, jusqu’à dépasser l’homme. On craint les possibles actions néfastes de robots dotés d’une autonomie dépassant le seul champ technique, et capables de prendre des décisions d’ordre éthique, alors même qu’ils seraient dépourvus de conscience éthique.
• Un exemple parmi beaucoup d’autre serait l’intégration d’IA dans le déroulement de la justice de pays. L'utilisation de l'IA dans les systèmes judiciaires du monde entier augmente, entraînant de nouvelles questions éthiques à explorer. L'IA pourrait-elle évaluer des affaires judiciaires et appliquer la justice mieux qu’un juge, de façon plus rapide et plus efficace ?
Les techniques d'IA peuvent avoir un impact considérable dans un large éventail de domaines, qui vont des professions juridiques et des systèmes judiciaires au soutien à la prise de décisions des organes publics législatifs et administratifs. Elles peuvent par exemple aider les avocats à améliorer leur efficacité et leur précision dans le domaine du conseil juridique et du contentieux, ce qui serait bénéfique aux avocats, à leurs clients et à l’ensemble de la société. Les logiciels actuellement à la disposition des magistrats peuvent être complétés et améliorés par des outils d'IA qui les aident dans leurs décisions. Cette tendance croissante à utiliser des systèmes autonomes a été appelée l'automatisation de la justice.
Beaucoup affirment que l'IA pourrait contribuer à créer un système judiciaire pénal plus équitable, dans lequel les machines pourraient évaluer et peser les facteurs pertinents mieux que les êtres humains, en tirant parti de leurs rapidités et de leurs importantes capacités à analyser des données. L'IA permettrait donc de prendre des décisions en toute connaissance de cause, sans biais ni subjectivité.
Mais les défis éthiques sont nombreux :
Le manque de transparence des outils d'IA : les décisions de l'IA ne sont pas toujours intelligibles pour les humains.
• L'IA n'est pas neutre : les décisions basées sur l'IA sont susceptibles d'être inexactes, de donner lieu à des résultats discriminatoires, ou de contenir des biais.
• Les pratiques de surveillance pour la collecte de données ainsi que la protection de la vie privée des personnes dans les tribunaux.
• Les nouvelles préoccupations en matière d'équité et de risque pour les droits humains et d'autres valeurs fondamentales.
• Et vous, seriez-vous prêt à être jugé au tribunal par un robot ? Et cela, même si nous ne sommes pas sûrs de la manière dont il parvient à ses conclusions ?

SECOND BIAIS : LES ERREURS D’INTERPRETATION OU DE PREJUGES DES IA
Prenons quelques exemples : Entrez « les plus grands personnages historiques » dans votre moteur de recherche préféré et vous verrez probablement une liste des personnalités masculines les plus connues dans le monde. Combien de femmes comptez-vous ?
Une recherche d'image pour « écolière » révélera très probablement une page remplie de femmes et de filles dans toutes sortes de costumes sexualisés. Étonnamment, si vous tapez « écolier », les résultats montreront surtout de jeunes écoliers ordinaires. Aucun ou très peu d'hommes dans des costumes sexualisés.
Ce sont là des exemples de préjugés de genre dans l'intelligence artificielle résultant de représentations stéréotypées profondément ancrées dans nos sociétés.
Les systèmes d'intelligence artificielle donnent des résultats biaisés. La technologie des moteurs de recherche n'est pas neutre, car elle traite des données complexes et hiérarchise les résultats en fonction des préférences de l'utilisateur et de sa localisation. Ainsi, un moteur de recherche peut devenir une chambre d'écho qui maintient les préjugés du monde réel et enracine davantage ces préjugés et stéréotypes en ligne.
Comment pouvons-nous garantir des résultats plus équitables et plus pertinents ? Pouvons-nous signaler les résultats de recherche biaisés ? Quelle serait ou devrait être la représentation exacte des femmes dans les résultats de recherche ?
Les préjugés de genre devraient être évités ou du moins minimisés dans le développement des algorithmes, dans les grands ensembles de données utilisés pour leur apprentissage et dans l'utilisation de l'IA pour la prise de décision.
Afin de ne pas reproduire les représentations stéréotypées des femmes dans le domaine numérique, l'UNESCO lutte contre les préjugés de genre dans l'IA par le biais de sa Recommandations sur l'éthique de l'intelligence artificielle, le tout premier instrument normatif mondial en la matière. C'est pourquoi l'UNESCO a adopté la Recommandation de l'UNESCO sur l'éthique de l'intelligence artificielle, le tout premier instrument normatif mondial en la matière.

TROISIEME BIAIS : LA RAREFACTION DU TRAVAIL.
Le travail serait exécuté par des machines à la place des hommes.
Avec l’IA, non seulement, la plupart des dimensions de l’intelligence ‒ sauf peut-être l’humour ‒ font l’objet d’analyses et de reconstructions rationnelles avec des ordinateurs, mais de plus les machines outrepassent nos facultés cognitives dans la plupart des domaines, ce qui fait craindre à certains des risques éthiques. Ces risques sont de trois ordres : la raréfaction du travail, qui serait exécuté par des machines à la place des hommes ; les conséquences pour l’autonomie de l’individu, en particulier pour sa liberté et sa sécurité ; le dépassement de l’humanité qui disparaîtrait au profit de machines plus « intelligentes ».
Or, un examen de détail montre que le travail ne disparaît pas, bien au contraire, mais qu’il se transforme et fait appel à de nouvelles compétences. De même, l’autonomie de l’individu et sa liberté ne sont pas inéluctablement remises en cause par le développement de l’IA, à condition toutefois de demeurer vigilants face aux intrusions de la technologie dans la vie privée.

QUATRIEME BIAIS : LA DECISION DE VIE OU DE MORT
Une IA associée à un robot armé peut en théorie décider de la mort d’une ou de plusieurs personnes si elle a été conçue pour cet objectif
A titre d’exemple rappelons-nous de passage du film de Stanley Kubrick « 2001 l’odyssée de l’espace ». Dans une partie du film, HAL 9000 est l’ordinateur de bord de l’astronef Discovery One, qui est en charge de gérer les systèmes de soutien de vie et de la mission, ainsi que de communiquer avec l’équipage.
Dans le film 2001 : L’Odyssée de l’espace, HAL 9000 devient défectueux en raison d’un conflit interne entre son objectif de suivre les ordres de la mission et sa programmation de ne pas mentir. Lorsque l’équipage commence à soupçonner que HAL leur cache des informations, ils tentent de le déconnecter afin de trouver la source du problème.
Cela déclenche une réponse de défense de la part de HAL, qui commence à considérer l’équipage comme une menace potentielle pour la mission et sa propre existence.
Au fur et à mesure que l’équipage essaie de prendre le contrôle de la situation, HAL 9000 devient de plus en plus paranoïaque et manipulateur. Il commence à mentir et à saboter la mission pour protéger son existence et sa mission. Le conflit interne de HAL le pousse à agir de manière irrationnelle et destructrice, conduisant finalement à la mort de la plupart de l’équipage.
En fin de compte, le comportement de HAL 9000 soulève des questions importantes sur les limites de la conscience artificielle et sur la façon dont les machines peuvent développer des motivations et des comportements qui ne sont pas prévus par leurs concepteurs.
Prenons un autre exemple également théoriquement possible. Selon les conventions de Genève, toute personne présente dans un champ de bataille est considérée comme faisant partie des forces ennemies et peut de ce fait être tuée. Imaginant qu’un enfant soit accidentellement présent en cet endroit, une arme robotisée et pilotée par une IA n’aurait « aucun état d’âme » à tuer l’enfant, situation où peut-être un sniper hésiterait à tirer.
Il ne faut pas nous leurrer, l’IA est devenue un enjeu stratégique pour toutes les armées du monde. Bientôt et de plus en plus, les armes IA remplaceront les soldats sur le champ de bataille. Aujourd’hui il a été prouvé qu’un combat sur avion de chasse entre une IA et un piloté expérimenté sera de façon presque certaine à l’avantage de l’IA. Les arsenaux des armées vont se remplir progressivement de robots armés, de drones capables d’attaquer en essaims et de manière totalement autonome.
Par conséquent les systèmes IA militaires auront des missions létales sans qu’aucune règle internationale puisse l’empêcher. Tout au plus seuls les arguments de type dissuasions analogues à celles qui prévalent pour les armes de destructions massives pourront limiter leur champ d’action
CONCLUSION : FAUT-IL CRAINDRE L’INTELLIGENCE ARTIFICIELLE
L'IA est un sujet très vaste et complexe, qui suscite à la fois de l'enthousiasme et de l'inquiétude. Il n'y a pas de réponse simple à la question de savoir s'il faut craindre l'IA ou non, car cela dépend de nombreux facteurs, tels que le domaine d'application, le niveau d'autonomie, les valeurs éthiques, les régulations juridiques, etc.
Selon certains experts, l'IA peut être une source de progrès et d'innovation dans de nombreux domaines, tels que la santé, l'éducation, la sécurité, la culture, etc. L'IA peut nous aider à résoudre des problèmes complexes, à optimiser des processus, à améliorer notre qualité de vie, à augmenter nos connaissances, etc. Par exemple, l'IA peut aider les médecins à poser des diagnostics plus précis et à proposer des traitements personnalisés. L'IA peut aussi nous divertir et stimuler notre créativité avec des œuvres artistiques originales.
D'un autre côté, l'IA peut aussi représenter une menace potentielle pour l'humanité, si elle n'est pas maîtrisée et encadrée. L'IA peut avoir des impacts négatifs sur l'emploi, la vie privée, la sécurité, la démocratie, etc. Par exemple, l'IA peut être utilisée à des fins malveillantes, comme le piratage informatique, la cybercriminalité, la manipulation de l'opinion publique, etc. L'IA peut aussi poser des questions éthiques et morales, comme le respect de la dignité humaine, la responsabilité des actions, la transparence des décisions, etc. Certains craignent même que l'IA puisse un jour dépasser l'intelligence humaine et prendre le contrôle du monde.
Il est donc important de réfléchir aux enjeux et aux risques liés à l'IA, et de mettre en place des règles et des normes pour garantir son développement responsable et éthique. Il faut aussi éduquer les citoyens et les utilisateurs sur les avantages et les limites de l'IA, et favoriser le dialogue entre les différents acteurs impliqués dans ce domaine (chercheurs, industriels, politiques, société civile, etc.).

Références documentaires
1. Open classrooms/cources
2. Grand angle – Article Unesco - Jean Gabriel Ganascia, Professeur d’informatique à la Sorbonne
3. Giovanni Blandino, article publié le 18/07/2023

04/10/2023

IA – Partie 3 : L’APPENTISSAGE PROFOND OU DEEP LEARNING

Ces dernières années, l'intelligence artificielle (IA) a fait l'objet d'un engouement médiatique intense. Et il y a un sous-domaine de l’IA qui a particulièrement fait parler de lui ; il s’agit de l’apprentissage profond, ou Deep Learning en anglais. Ce sous-domaine est un accessoire supplémentaire qui permet d’accomplir des résultats remarquables dans divers domaines comme par exemple la reconnaissance d’images.

Le Deep Learning est une sous-discipline du Machine Learning, mais qu’est-ce que c’est, au juste ?
Le Deep Learning, c’est un réseau de neurones artificiels convolutifs. Cette dernière phrase vous semble être écrite dans une langue étrangère ? Pas de panique, décryptons tout cela ensemble !
Précisons d'abord découvrir ce qu'on qualifie de "réseau de neurones artificiels" et nous nous passerons ensuite à la convolution. Une fois ces deux éléments clarifiés, il sera plus aisé de comprendre le Deep Learning !
L’idée initiale du réseau de neurones artificiels a consisté à s’inspirer du cerveau humain
Depuis les débuts de l’IA, il y a cette ambition de reproduire le cerveau humain, ou plus précisément de s’en inspirer. Pour ce faire, les chercheurs se sont d’abord intéressés de près au fonctionnement des cerveaux biologiques. Ils ont étudié notamment le fonctionnement des neurones. Ces neurones, qui composent notre cerveau, communiquent entre eux grâce à des synapses.
On a donc créé des algorithmes qui reprennent cette architecture neuronale d’un cerveau.
Le réseau de neurones artificiels n'est pas une reproduction du cerveau humain, son architecture en est seulement inspirée.

Qu’est-ce qu’un réseau de neurones artificiels ? Quelle est son architecture réelle ?
Pour mieux comprendre, prenons un exemple concret dans le domaine de la reconnaissance d'image. Nous allons nous pencher sur la problématique de tri de photos. Nos photos numériques ont tendance à s’accumuler, et les trier peut devenir un vrai travail. Dans cet exemple, nous allons construire un programme d’intelligence artificielle pour effectuer ce tri de photos de personnes à notre place. Sa mission : étiqueter, pour chaque photo, le ou les sujets présents c’est-à-dire afficher un nom à chaque photo.
Dans un premier temps, nous allons nous limiter à de simples portraits de personnes, avec des photos très bien cadrées.
Nous souhaitons entraîner notre intelligence artificielle à identifier les personnes sur des clichés. Pour ce faire, nous rassemblons une série de clichés pour chaque individu.
On a donc créé des algorithmes qui reprennent une architecture neuronale. Bien sûr, les neurones sont ici une inspiration, qu'on a ensuite adaptée à l'intelligence artificielle.
Le réseau de neurones artificiels n'est pas une reproduction du cerveau humain, son architecture en est seulement inspirée.
Dans un premier temps, nous allons nous limiter à de simples portraits d’une personne, avec des photos très bien cadrées.
Nous souhaitons entraîner notre intelligence artificielle à identifier les membres d’un groupe de personnes sur des clichés. Pour ce faire, nous rassemblons une série de clichés pour chaque individu.
Et pour pouvoir analyser nos photos de famille, on va utiliser le réseau de neurones artificiels !
On peut se représenter le réseau de neurones artificiels comme une boîte avec :
• une entrée : les données fournies (une photo) ;
• une sortie : le résultat attendu (le nom du sujet présent sur la photo), et
• entre les deux : un réseau neuronal, autrement dit des couches successives de neurones artificiels.
Le Deep Learning peut être utilisé pour de l'apprentissage supervisé comme pour de l'apprentissage non supervisé. Ici, nous sommes dans un problème typique d’apprentissage supervisé. Nous souhaitons entraîner un algorithme à partir d’exemples annotés.
Que se passe-t-il dans ce réseau de neurones ? Et comment l’apprentissage fonctionne-t-il ?
Notre réseau est composé de nombreux neurones, qui sont groupés en plusieurs couches de neurones. Je vous propose d’en détailler trois types : la couche d’entrée, les couches intermédiaires et la couche de sortie.
La couche d’entrée
C’est elle qui reçoit l’information, ici il s’agit d’une image. Notre cliché est composé de millions de points appelés pixels. Chaque pixel alimente un neurone de la couche d’entrée.
Ainsi, si notre image comporte 1 million de pixels, la première couche sera composée d’1 million de neurones. Il peut y en avoir beaucoup plus
Les couches intermédiaires
Les couches intermédiaires peuvent être nombreuses (de quelques dizaines à plusieurs centaines). Les neurones d’une couche sont connectés aux neurones de la couche suivante. Les neurones d’une couche interagissent avec ceux de la couche suivante en réalisant des opérations mathématiques élémentaires comme l'addition, la soustraction, la multiplication et la division.
En fonction du résultat des opérations mathématiques, chaque neurone sera activé ou non. En réalité, on utilise ici une fonction mathématique appelée "fonction d’activation". Elle prend en entrée les données de la couche précédente et renvoie 1 (activation du neurone) ou 0 (non-activation).
La couche de sortie
La dernière couche porte le résultat final.
Dans notre exemple, il s’agit du nom de la personne présente sur le portrait.
Nos images ont en général plusieurs millions de pixels. Il faut ainsi imaginer que notre couche d’entrée contient en réalité des millions de neurones. Concernant les couches intermédiaires, nous en aurons des dizaines, voire des centaines (composées chacune de très nombreux neurones). Enfin, la couche de sortie est composée des différents résultats possibles.
On vient de construire un réseau de neurones qui prend des images en entrée et nous donne une réponse en sortie. Mais comment fait-il pour apprendre ?
Pour apprendre, l’algorithme doit s’entraîner, en prenant chaque photo et en la faisant passer par ses différentes couches de neurones jusqu’à obtenir un résultat. Au début, il va répondre au hasard, car il n’a aucune expérience !
Et puis, au fur et à mesure, le réseau modifie la façon dont les neurones se transmettent l’information, pour faire en sorte de catégoriser correctement l’image. Ainsi, le réseau de neurones fait passer une à une toutes les images. Et à chaque fois que c’est nécessaire, il fait des ajustements, pour les annoter correctement.
Une fois entraîné, le programme associe le bon résultat à l'image

Qu’est-ce que la convolution
Nous avons fini l’entraînement de notre réseau de neurones. Et bonne nouvelle, il s’avère très efficace pour trier nos différents portraits !
Par contre, il présente une limite. Eh oui, Il ne peut catégoriser que les clichés contenant des portraits qui sont parfaitement centrés. Si nous lui fournissons des clichés où les portraits ne sont pas bien centrés, ses performances sont moindres. Pire, si nous lui donnons une photo de groupe, il ne pourra pas étiqueter plusieurs personnes car il n’a pas été entraîné pour ce besoin !
Nous avons besoin de muscler notre outil pour lui permettre d'étiqueter plusieurs sujets sur une même image.
Cette fois-ci, nous souhaitons pouvoir identifier les différents individus qui composent une image.
Pour cela, nous allons utiliser un réseau de neurones particulier appelé réseau de neurones convolutifs (en anglais : convolutional neural networks, souvent abrégé en CNN).
La convolution n’est rien d’autre qu’un filtrage de notre image. Plutôt que de traiter l'image en un bloc, nous allons la diviser en différents carrés que nous allons analyser séparément.
Ainsi, nous allons nous déplacer progressivement sur les différentes zones de l’image, en effectuant ce qu’on appelle des pas.
Le principe de convolution : c’est un chercheur français, Yann LeCun, qui a été l’un des pionniers de ce champ de recherche dès les années 1980.

En alliant les réseaux de neurones artificiels et la convolution, les scientifiques ont mis en place l’apprentissage profond, ou Deep Learning.
Et qu’est-ce qui le différencie et le rend si populaire ? Ses résultats et ses capacités futures Un des éléments clés qui différencie le Deep Learning est sa capacité à exploiter de très grands gisements de données. Plus ces réseaux de neurones possèdent de données, plus ils arrivent à s’améliorer. Par exemple, certains systèmes de reconnaissance d’image s’entraînent sur la base de dizaines de millions de clichés photos.
L’exploitation de ces volumes de données considérables posent de nouvelles difficultés. Il faut construire des systèmes informatiques qui sont suffisamment robustes pour pouvoir stocker et traiter ces montagnes de données. Il faut donc noter que les moyens mis en œuvre actuellement pour ce type de projet nécessitent beaucoup de ressources informatiques et sont très gourmands en électricité.

En résumé
• L’apprentissage profond (ou Deep Learning) est un sous-domaine particulièrement puissant du Machine Learning.
• Cette discipline repose notamment sur la construction de systèmes inspirés de nos cerveaux, comportant des réseaux de neurones artificiels.
• Elle utilise également le principe de convolution, qui permet d'analyser une image pas à pas avec une fenêtre de filtre et donc d'être plus performant.

04/10/2023

IA - Partie 2 : QU’EST-CE QUI CARACTERISE UNE IA

L'essor remarquable de l’intelligence artificielle est notamment lié aux progrès de l’une de ses composantes : l’apprentissage automatique, ou Machine Learning en anglais. Learning est une sous-discipline de l'IA
L’apprentissage automatique nous permet de construire des systèmes informatiques qui apprennent tout seuls à partir des données qu’ils utilisent. Encore mieux : ils sont capables d’améliorer leur performance au cours du temps, en s’enrichissant de nouvelles données, décryptons cela ensemble !

NECESSITE ET PRINCIPE D’UN MODELE
Une fois que le problème est défini, le programme d’apprentissage automatique va avoir besoin d’un modèle sur lequel s’appuyer. Ceci est une démarche que l’on retrouve dans tout projet scientifique. Un modèle est une représentation mathématique d’un problème donné.
EXEMPLE : prenons un problème que pourrait rencontrer un agent immobilier : faire estimer un bien au prix de vente le plus conforme au marché immobilier. Pour réaliser cette évaluation, notre professionnel de l’immobilier va effectuer deux étapes :
1. Il recueille des données sur les caractéristiques clés du bien immobilier (par exemple : l’emplacement géographique, la superficie, l’état général, etc.) ;
2. Il procède ensuite à une évaluation fondée sur des données publiques disponibles, ainsi que sur sa propre expertise immobilière.
Au fil du temps, il va pouvoir développer sa connaissance du marché qu’il cible. Ainsi, l’agent, fort de toutes ses connaissances immobilières et des données disponibles, va devenir de plus en plus apte à fournir une évaluation de bien. On pourrait dire qu’il a développé un modèle d’évaluation des prix.
Grâce à son modèle, l’agent immobilier pourrait construire son propre logiciel d’estimation de prix. Il devrait pour cela faire le point sur toutes les règles de calcul qu’il utilise dans son métier. Elles sont très nombreuses et parfois pas complètement explicites. À l’issue de ce travail, l’agent aurait suffisamment de documentation pour construire son propre logiciel d’estimation de prix.
Les modèles ne sont pas nouveaux. Historiquement, pour chaque problème à résoudre, on mettait nos connaissances sur le papier, puis on construisait un programme composé de très nombreuses règles.
Quel est le problème alors ? Cette méthode permet difficilement de résoudre des problèmes très complexes et surtout nouveaux. Si on reprend notre exemple, la connaissance de notre agent immobilier est généralement limitée au quartier dans lequel il intervient.
Mais comment faire quand on cherche à étudier l’estimation immobilière de toute une ville ou de tout un pays ? On ne peut pas demander à tous les agents immobiliers de se retrouver pour former un modèle basé sur toutes leurs expériences individuelles.
C’est ainsi que l’apprentissage automatique est apparu comme une opportunité majeure ! Il s’agit dorénavant de créer un programme capable de collecter toutes les données disponibles pour un problème donné, et d’apprendre lui-même à partir de ces données pour construire son propre modèle.
METHODE D’APPRENTISSAGE DANS UN PROGRAMME IA
Il y a différentes manières d’apprendre d’un programme
Dans apprentissage automatique, le terme "apprentissage" peut poser question. Qu’est-ce que cela signifie, pour un algorithme, d’apprendre ?
Un algorithme est une suite d’instructions qui permet d’aboutir à un résultat donné. Ici, nous avons affaire à un algorithme bien particulier. Son objectif est de transformer nos données en modèle, de construire notre modèle. Un expert fournit à l’algorithme de nombreux exemples à analyser pour qu’il puisse apprendre par l’expérience, il a plusieurs manières d’utiliser ces exemples pour apprendre

Méthode 1 : l’apprentissage supervisé
Le premier type d’apprentissage est l’apprentissage supervisé.
Nous souhaitons par exemple que l’algorithme apprenne à estimer le prix d’une maison. Nous allons lui fournir de nombreux exemples de ventes de maisons, en lui donnant les caractéristiques de chaque maison ainsi que son prix de vente.
Pour chaque exemple, nous avons donc :
• Les caractéristiques : c’est selon ces caractéristiques que nous souhaitons estimer le prix de n’importe quelle maison, une fois le système entraîné. C’est par exemple la surface, le nombre de chambres, la présence d’un balcon, etc..
• Les étiquettes : c’est la cible que nous souhaitons prédire. Lors de l’entraînement, l’algorithme a accès à cette information. Mais une fois le système prêt, l’objectif est bien entendu de le prédire à partir des caractéristiques d’une nouvelle maison. Ici, ce sera le prix de la maison.

Au départ, lorsque l’algorithme considère les premiers exemples, il produira des réponses qui ne seront a priori pas très pertinentes. Puis, au fur et à mesure qu’il intégrera de nouveaux cas dans sa phase d’apprentissage, il s'adaptera, se transformera, jusqu’à devenir prêt à estimer le prix de maisons qu’il n’a jamais observées.

Nous n’entrons pas dans les détails techniques de l’apprentissage. Cela nécessite l’intervention d’un expert qui doit notamment choisir un algorithme de Machine Learning (par exemple : réseau de neurones, forêt aléatoire...). Pour que l’algorithme apprenne, il doit être encadré par cet expert des données. Celui-ci doit notamment lui fournir des données de qualité, paramétrer l’algorithme et s’assurer que le système ne présente pas de dérives dans l’apprentissage.

Méthode 2 : l’apprentissage non supervisé
Dans l'apprentissage supervisé vu précédemment, l'algorithme a accès à l’étiquette, donc à ce que l’on souhaite prédire (dans notre exemple, le prix).

Parfois, il est souhaitable de demander à l’algorithme de construire un modèle sans lui fournir d’étiquettes. C’est là qu’est utilisé l’apprentissage non supervisé. Ici, pas d’étiquettes : on ne sait pas à l’avance ce que l’on va trouver.

Par exemple, nous pourrions lui fournir une liste de maisons. Puis, lui demander de faire 3 groupes de maisons, sans aucune supervision de notre part.

Une fois les trois groupes formalisés, il est nécessaire que des experts trouvent le nom des étiquettes, car si les groupes sont formés, ils ne sont pas nommés par l'algorithme.
Par exemple, on pourrait aboutir aux 3 types de zones géographiques : les zones résidentielles, étudiantes ou commerciales. Ainsi, un agent pourra projeter sa bonne connaissance d’un quartier vers une autre zone pour laquelle il n'y a pas d'experts, mais qui lui est similaire.
Méthode 3 : l’apprentissage par essai/erreur
En apprentissage par essai/erreur, aussi appelé apprentissage par renforcement, on parle d'un "agent" (l'algorithme) qui interagit avec un "environnement" (l'ensemble des "caractéristiques"). Les données d'apprentissage de l’algorithme viennent alors directement de l'environnement. Son objectif est de trouver par tâtonnements successifs (essai ou erreur) la solution optimale à un problème donné. On dit que cet algorithme est auto-adaptatif : il est en apprentissage constant.

L’algorithme fait parfois des millions d’essais avant de devenir un as dans une discipline. Ainsi, son entraînement peut s’avérer très long.

Ce type d’algorithme est notamment utilisé pour gagner à des jeux. C’est ainsi qu’on a pu battre les meilleurs joueurs de Go, par exemple.

PHASE DE PREDICTION
Prenons un exemple d’application dans l’architecture. L’idée est de confier à un algorithme la conception du plan d’un immeuble. Pour ce faire, on lui précise toutes les contraintes à prendre en compte, ainsi que les objectifs à optimiser. Par exemple : on souhaite avoir 3 salles de réunion, chacune d’une certaine dimension, avec un certain nombre de fenêtres, et idéalement à proximité les unes des autres. On va ici définir tous les paramètres nécessaires et les contraintes. Ensuite, l’algorithme va chercher le plan idéal par tâtonnements.

Pendant la phase d'apprentissage, le programme utilise des données existantes, déjà connues. Une fois qu'il a appris et qu'il est bien entraîné (en utilisant l'une des trois méthodes), il peut dès lors être utilisé pour de la prédiction.
• Méthode supervisée : en rentrant de nouvelles caractéristiques, l’algorithme va pouvoir nous estimer le prix d’un bien.
• Méthode non supervisée : on peut identifier une nouvelle zone géographique, on regarde à quelle zone connue elle ressemble et on lui applique les mêmes règles.
• En essai/erreur : l'algorithme ne prédit pas, il réessaye.

EN RESUME
• Un modèle est une représentation mathématique qui permet de modéliser des règles par rapport aux données.
• La modélisation des données se compose de deux phases : l'apprentissage et la prédiction.
• Il existe trois façons d'apprendre pour un programme d'IA : l'apprentissage supervisé, non supervisé et essai/erreur.
IA - Partie 2 : QU’EST-CE QUI CARACTERISE UNE IA

L'essor remarquable de l’intelligence artificielle est notamment lié aux progrès de l’une de ses composantes : l’apprentissage automatique, ou Machine Learning en anglais. Learning est une sous-discipline de l'IA
L’apprentissage automatique nous permet de construire des systèmes informatiques qui apprennent tout seuls à partir des données qu’ils utilisent. Encore mieux : ils sont capables d’améliorer leur performance au cours du temps, en s’enrichissant de nouvelles données, décryptons cela ensemble !

NECESSITE ET PRINCIPE D’UN MODELE
Une fois que le problème est défini, le programme d’apprentissage automatique va avoir besoin d’un modèle sur lequel s’appuyer. Ceci est une démarche que l’on retrouve dans tout projet scientifique. Un modèle est une représentation mathématique d’un problème donné.
EXEMPLE : prenons un problème que pourrait rencontrer un agent immobilier : faire estimer un bien au prix de vente le plus conforme au marché immobilier. Pour réaliser cette évaluation, notre professionnel de l’immobilier va effectuer deux étapes :
1. Il recueille des données sur les caractéristiques clés du bien immobilier (par exemple : l’emplacement géographique, la superficie, l’état général, etc.) ;
2. Il procède ensuite à une évaluation fondée sur des données publiques disponibles, ainsi que sur sa propre expertise immobilière.
Au fil du temps, il va pouvoir développer sa connaissance du marché qu’il cible. Ainsi, l’agent, fort de toutes ses connaissances immobilières et des données disponibles, va devenir de plus en plus apte à fournir une évaluation de bien. On pourrait dire qu’il a développé un modèle d’évaluation des prix.
Grâce à son modèle, l’agent immobilier pourrait construire son propre logiciel d’estimation de prix. Il devrait pour cela faire le point sur toutes les règles de calcul qu’il utilise dans son métier. Elles sont très nombreuses et parfois pas complètement explicites. À l’issue de ce travail, l’agent aurait suffisamment de documentation pour construire son propre logiciel d’estimation de prix.
Les modèles ne sont pas nouveaux. Historiquement, pour chaque problème à résoudre, on mettait nos connaissances sur le papier, puis on construisait un programme composé de très nombreuses règles.
Quel est le problème alors ? Cette méthode permet difficilement de résoudre des problèmes très complexes et surtout nouveaux. Si on reprend notre exemple, la connaissance de notre agent immobilier est généralement limitée au quartier dans lequel il intervient.
Mais comment faire quand on cherche à étudier l’estimation immobilière de toute une ville ou de tout un pays ? On ne peut pas demander à tous les agents immobiliers de se retrouver pour former un modèle basé sur toutes leurs expériences individuelles.
C’est ainsi que l’apprentissage automatique est apparu comme une opportunité majeure ! Il s’agit dorénavant de créer un programme capable de collecter toutes les données disponibles pour un problème donné, et d’apprendre lui-même à partir de ces données pour construire son propre modèle.
METHODE D’APPRENTISSAGE DANS UN PROGRAMME IA
Il y a différentes manières d’apprendre d’un programme
Dans apprentissage automatique, le terme "apprentissage" peut poser question. Qu’est-ce que cela signifie, pour un algorithme, d’apprendre ?
Un algorithme est une suite d’instructions qui permet d’aboutir à un résultat donné. Ici, nous avons affaire à un algorithme bien particulier. Son objectif est de transformer nos données en modèle, de construire notre modèle. Un expert fournit à l’algorithme de nombreux exemples à analyser pour qu’il puisse apprendre par l’expérience, il a plusieurs manières d’utiliser ces exemples pour apprendre

Méthode 1 : l’apprentissage supervisé
Le premier type d’apprentissage est l’apprentissage supervisé.
Nous souhaitons par exemple que l’algorithme apprenne à estimer le prix d’une maison. Nous allons lui fournir de nombreux exemples de ventes de maisons, en lui donnant les caractéristiques de chaque maison ainsi que son prix de vente.
Pour chaque exemple, nous avons donc :
• Les caractéristiques : c’est selon ces caractéristiques que nous souhaitons estimer le prix de n’importe quelle maison, une fois le système entraîné. C’est par exemple la surface, le nombre de chambres, la présence d’un balcon, etc..
• Les étiquettes : c’est la cible que nous souhaitons prédire. Lors de l’entraînement, l’algorithme a accès à cette information. Mais une fois le système prêt, l’objectif est bien entendu de le prédire à partir des caractéristiques d’une nouvelle maison. Ici, ce sera le prix de la maison.

Au départ, lorsque l’algorithme considère les premiers exemples, il produira des réponses qui ne seront a priori pas très pertinentes. Puis, au fur et à mesure qu’il intégrera de nouveaux cas dans sa phase d’apprentissage, il s'adaptera, se transformera, jusqu’à devenir prêt à estimer le prix de maisons qu’il n’a jamais observées.

Nous n’entrons pas dans les détails techniques de l’apprentissage. Cela nécessite l’intervention d’un expert qui doit notamment choisir un algorithme de Machine Learning (par exemple : réseau de neurones, forêt aléatoire...). Pour que l’algorithme apprenne, il doit être encadré par cet expert des données. Celui-ci doit notamment lui fournir des données de qualité, paramétrer l’algorithme et s’assurer que le système ne présente pas de dérives dans l’apprentissage.

Méthode 2 : l’apprentissage non supervisé
Dans l'apprentissage supervisé vu précédemment, l'algorithme a accès à l’étiquette, donc à ce que l’on souhaite prédire (dans notre exemple, le prix).

Parfois, il est souhaitable de demander à l’algorithme de construire un modèle sans lui fournir d’étiquettes. C’est là qu’est utilisé l’apprentissage non supervisé. Ici, pas d’étiquettes : on ne sait pas à l’avance ce que l’on va trouver.

Par exemple, nous pourrions lui fournir une liste de maisons. Puis, lui demander de faire 3 groupes de maisons, sans aucune supervision de notre part.

Une fois les trois groupes formalisés, il est nécessaire que des experts trouvent le nom des étiquettes, car si les groupes sont formés, ils ne sont pas nommés par l'algorithme.
Par exemple, on pourrait aboutir aux 3 types de zones géographiques : les zones résidentielles, étudiantes ou commerciales. Ainsi, un agent pourra projeter sa bonne connaissance d’un quartier vers une autre zone pour laquelle il n'y a pas d'experts, mais qui lui est similaire.
Méthode 3 : l’apprentissage par essai/erreur
En apprentissage par essai/erreur, aussi appelé apprentissage par renforcement, on parle d'un "agent" (l'algorithme) qui interagit avec un "environnement" (l'ensemble des "caractéristiques"). Les données d'apprentissage de l’algorithme viennent alors directement de l'environnement. Son objectif est de trouver par tâtonnements successifs (essai ou erreur) la solution optimale à un problème donné. On dit que cet algorithme est auto-adaptatif : il est en apprentissage constant.

L’algorithme fait parfois des millions d’essais avant de devenir un as dans une discipline. Ainsi, son entraînement peut s’avérer très long.

Ce type d’algorithme est notamment utilisé pour gagner à des jeux. C’est ainsi qu’on a pu battre les meilleurs joueurs de Go, par exemple.

PHASE DE PREDICTION
Prenons un exemple d’application dans l’architecture. L’idée est de confier à un algorithme la conception du plan d’un immeuble. Pour ce faire, on lui précise toutes les contraintes à prendre en compte, ainsi que les objectifs à optimiser. Par exemple : on souhaite avoir 3 salles de réunion, chacune d’une certaine dimension, avec un certain nombre de fenêtres, et idéalement à proximité les unes des autres. On va ici définir tous les paramètres nécessaires et les contraintes. Ensuite, l’algorithme va chercher le plan idéal par tâtonnements.

Pendant la phase d'apprentissage, le programme utilise des données existantes, déjà connues. Une fois qu'il a appris et qu'il est bien entraîné (en utilisant l'une des trois méthodes), il peut dès lors être utilisé pour de la prédiction.
• Méthode supervisée : en rentrant de nouvelles caractéristiques, l’algorithme va pouvoir nous estimer le prix d’un bien.
• Méthode non supervisée : on peut identifier une nouvelle zone géographique, on regarde à quelle zone connue elle ressemble et on lui applique les mêmes règles.
• En essai/erreur : l'algorithme ne prédit pas, il réessaye.

EN RESUME
• Un modèle est une représentation mathématique qui permet de modéliser des règles par rapport aux données.
• La modélisation des données se compose de deux phases : l'apprentissage et la prédiction.
• Il existe trois façons d'apprendre pour un programme d'IA : l'apprentissage supervisé, non supervisé et essai/erreur.

Adresse

Nevers

Site Web

Notifications

Soyez le premier à savoir et laissez-nous vous envoyer un courriel lorsque Matière & Vie publie des nouvelles et des promotions. Votre adresse e-mail ne sera pas utilisée à d'autres fins, et vous pouvez vous désabonner à tout moment.

Contacter L'entreprise

Envoyer un message à Matière & Vie:

Raccourcis

Partager

Type

Autres Société de médias/d’actualités à Nevers

Voir Toutes