Intelligence Artificielle
Definition (en termes simples)
L'intelligence artificielle (IA) désigne des systèmes ou des machines qui imitent l'intelligence humaine.
L'intelligence artificielle a été constamment redéfinie.
Ce qui était considéré comme de l'IA il y a 50 ans ne l'est plus aujourd'hui.
Des mots trompeurs
➤ Apprentissage, compréhension et intelligence.
"Lorsque nous disons qu'un système de vision par ordinateur comprend des images parce qu'il est capable de segmenter une image en objets distincts tels que d'autres voitures, des piétons, des bâtiments, la route, etc., le mot "comprendre" suggère facilement que le système comprend également que même si une personne porte un t-shirt sur lequel est imprimée la photo d'une route, il n'est pas acceptable de conduire sur cette route (et sur la personne). Hors, ce n'est pas le cas."
Source: Elements of AI
L'IA travaille sur l'intelligence comme un ensemble de comportements cognitifs, et non sur la conscience !
IA générale vs IA étroite
- L'IA étroite fait référence au traitement d'une seule tâche (prédire la pluie, classifier des images).
- L'intelligence artificielle générale, désigne une machine capable de réaliser n'importe quelle tâche intellectuelle.
➤ Toutes les méthodes d'IA que nous utilisons aujourd'hui relèvent de l'IA étroite, l'IA générale étant du domaine de la science-fiction.
En effet, être capable de résoudre un problème ne dit rien sur la capacité à résoudre un problème différent.
En d'autres termes, non, votre filtre lapin préféré sur Snapshat ne va pas prendre le contrôle des armes nucléaires demain.
Apprentissage Automatique / Profond
- "L'apprentissage automatique (Machine Learning) est la science qui permet aux ordinateurs d'agir sans être explicitement programmés pour réaliser cette action."
- L'apprentissage profond (Deep Learning) est un sous-domaine de l'apprentissage automatique. La profondeur fait référence à la complexité d'un modèle mathématique, et à la puissance de calcul accrue des ordinateurs modernes qui a permis aux chercheurs d'augmenter cette complexité pour atteindre des niveaux qui semblent non seulement quantitativement mais aussi qualitativement différents des précédents.
- une grande quantité de données disponibles (avec une forte augmentation)
- la puissance de calcul croissante fournie par les GPU
La révolution actuelle autour de l'IA a été rendue possible par de multiples facteurs :
Apprentissage supervisé vs non supervisé
- Dans l'apprentissage supervisé, on met en entrée un ensemble de données et nous savons déjà à quoi devrait ressembler notre sortie correcte, en ayant l'idée qu'il existe une relation entre l'entrée et la sortie. Ex. : prédiction du prix des logements, prédiction de la pluie, classification des images...
- L'apprentissage non supervisé permet d'aborder des problèmes avec peu ou pas d'idée de ce à quoi nos résultats devraient ressembler. Ex. : Google Actualités - recherche des articles sur le Web et les classe en groupes (c'est-à-dire en thèmes qui ne sont pas connus à l'avance).
Applications
- Classification d'images
- Reconnaissance faciale (étiquetage automatique, contrôle des passeports)
- Reconnaissance d'objets (voitures, routes, piétons)
- Création ou modification de contenus (filtres photo and video, réplication de gestes humains)
- Recommandation de contenus (musique, vidéo, actualités)
Le plus souvent, un produit sera composé de plusieurs couches d'intelligence artificielle : voiture à conduite autonome
- Recherche et planification pour trouver l'itinéraire de A à B
- Vision par ordinateur pour identifier les obstacles
- Prise de décision en cas d'incertitude
L'IA est la nouvelle électricité
"L'électricité avait autrefois transformé d'innombrables industries : transports, fabrication, soins de santé, communications, etc.
L'IA va maintenant entraîner une transformation tout aussi importante."
Source: Pr. Andrew NG
Entreprises d'IA
La classification en tant qu'intelligence artificielle n'est pas une simple réponse oui/non : il existe des produits qui font appel à une petite dose d'IA.
Le même principe s'applique aux entreprises. Il n'est pas nécessaire de se transformer à 100% pour commencer avec l'IA. Un bon point de départ consiste à identifier les domaines dans lesquels l'IA pourrait apporter une valeur ajoutée.
En revanche, de la même manière qu'une entreprise disposant d'Internet n'est pas une entreprise numérique, l'intégration d'un peu d'IA ne transforme pas une entreprise en une entreprise d'intelligence artificielle.
Biais Humain
Lorsqu'il est entraîné sur des ensembles de données contenant des préjugés humains, l'algorithme "apprend" à reproduire ces préjugés. Il existe de nombreux exemples de systèmes d'IA malheureux : un algorithme de reconnaissance des visages dont les performances sont bonnes ou mauvaises en fonction des groupes ethniques, un outil de RH qui filtre les profils féminins ou des 'bulles de filtres' dans les systèmes de recommandation. L'ensemble de données de la vie réelle peut être déséquilibré, ce qui crée un biais dans la capacité du système à se comporter naturellement de manière neutre.
Source: Wikimedia / John MANOOGIAN III
Ethique & Régulation
Les considérations éthiques sont de plus en plus importantes à mesure que les domaines d'application de l'IA se développent. Si l'utilisation de la classification d'images pour détecter des pièces défectueuses dans une usine peut ne pas avoir de conséquences importantes en termes d'éthique, l'utilisation d'un système de reconnaissance faciale pour traquer des personnes dans des pays non démocratiques en a.
Il y a également des considérations relatives à la confidentialité des données. Comme l'IA a toujours besoin de plus de données, il y a beaucoup d'aspects éthiques à prendre en considération.:
- Comment avez-vous obtenu ces données,
- Quelles informations stockez-vous,
- Comment les stockez-vous,
- Pour quel usage,
- Avec quel consentement,
- Et quelles conséquences.
En avril 2021, la Commission européenne a par exemple publié une proposition de "loi sur l'intelligence artificielle" afin d'harmoniser la réglementation de l'IA au sein de l'Union Européenne.
Source: European Commission
Processus
- Définir le problème à résoudre
- Acquérir des données et les nettoyer !
- Composition des variables
- Entrainement du modèle
- Validation du modèle
➤ ITERER!
Ingénieur IA
- Conçoit des systèmes d'apprentissage automatique
- Expérimente et évalue différents modèles
- Analyse les défaillances
- Optimise les performances et l'efficacité du modèle
➤ Applique les principes décrit dans le Manifeste Agile
Outils
- TensorFlow / Keras
- Python
- Le café!
