L'intelligence artificielle : réalités et mythes 13/10/2018 - Systematic Paris-Region
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
L’intelligence artificielle : réalités et mythes 1 - 13/10/2018
1. Quelques faits marquants récents
2. Un tout petit peu de technologie
Sommaire 3. Réalités et perspectives (ex. Mythes)
5. Un petit peu de défis sociaux
2 - 13/10/2018
1 Faits marquants récents 3 - 13/10/2018
Histoire
Avant 1956: Alan Turing, neurone formel, robots ...
1956: congrès de Dartmouth, définition de l’IA
Années 60: résolution de problèmes, langage naturel, jeux
1968: 2001, l’Odyssée de l’Espace, HAL
1969: « Perceptrons », arrêt des réseaux neuronaux
1973: Lighthill Report, arrêt de l’IA au Royaume-Uni, premier hiver
Années 80: systèmes experts, et Chinook (dames)
Années 90: Deuxième hiver, mais Deep Blue (échecs) et premiers
réseaux convolutifs
2000: premières applications pour le web
2010: Apprentissage profond
2018: pas encore le troisième hiver!
4 - 13/10/2018
Quelques développements récents (1)
• IBM Watson premier ordinateur à gagner à Jeopardy en
2011
• Langage naturel + fouille du web + scoring & classement, en 3 secondes avec du HPC
• L’apprentissage profond bat les algorithmes de référence en
reconnaissance d’images en 2012
• Google Deepmind gagne aux jeux Atari avec de
l’apprentissage par renforcement
• Entrée: pixels; Sortie: action qui maximise le gain espéré
• Google Deepmind bat le champion du monde de Go avec de
l’apprentissage profond et par renforcement en 2016 et 2017
Classement d’images
évolution récente du taux d’erreur
Humains
6
Quelques développements récents (2)
• Microsoft Skype Translator traduit la parole en temps
réel, réseaux de neurones profonds et apprentissage
statistique ... Mais aussi Google Trad, Pilot, ...
• Apple Siri, Microsoft Cortana, Amazon Alexa assistants
personnels, reconnaissance de la parole
• DARPA Rescue Challenge pour les robots: conduire,
marcher dans des éboulis, disjoncter des circuits, tourner des
vannes, monter des marches.
• Google Knowledge Graph utilise la sémantique pour produire
des résultats structurés.
Google Knowledge Graph
P
at
ri
c
k
Al
b
er
t
--
I.
A.
A
s
p
e
ct
s
sc
ie
nt
ifi
q
u
e
s
et
st
ra
té
gi
q
u
e
8 s 13/10/2018
Waverly labs, google, microsoft ... 9 - 13/10/2018
2 Un
(tout petit)
peu de technologie
10 - 13/10/2018Académie des Technologies, 2018
La définition intentionnelle précise de l’Intelligence artificielle
n’est pas une chose simple et si l’on prend une approche large ,
elle couvre une très grande partie de l’informatique .
Il est plus facile de décrire l’Intelligence artificielle comme un
ensemble d’approches , ayant chacune des objectifs plus précis
que le « raisonnement intelligent » . La plupart des ouvrages
sur l’Intelligence artificielle la définissent comme un ensemble
de disciplines . Cette approche en extension est plus
pragmatique , et en fait assez stable dans le temps
11 - 13/10/2018Académie des Technologies, 2018 12 - 13/10/2018
Profusion de méthodes
Modèles « faits à la main », expliquables mais coûteux
lRègles, Arbres, réseaux, graphes
lModèles logiques
lModèles algébriques (convexité)
lOntologies, Web sémantique
lRaisonnement par cas
lAgents ‘proactifs’: organisation, coopération, confiance
Apprentissage automatique, mais boites noires
lRéseaux neuronaux - Deep Learning
lApprentissage par Renforcement plaisir/douleur
lAlgorithmes évolutionnistes
lSystèmes auto-immunes
lChaînes de Markov Cachées
lAgents : colonies de fourmis,, bancs de poissons, vols d’oiseaux…
13To
Raisonnement symbolique So ut H
è cra om
So te e me
cr st es
at u tm
e n
es H
t m om orte
or me l
te
l
Si l’âge est supérieur à 18 ans alors on est majeur
Si le client est dans la catégorie ‘gold’
son panier contient plus de trois articles
mais pas d’article en promotion
Alors lui faire une réduction de 5%
14Apprentissage supervisé 1/3
1 - Humain: création a priori d’un modèle du problème
2 - Machine: création progressive d’un modèle de la solution
Extraction
D des
O caractéristiques Comparaison
N
N
E
Modèle
E
S
Mise à jour
15Deep Learning – apprentissage profond 16
Apprentissage supervisé 2/3
Réseau Profond de neurones
(deep learning)
Apprend à représenter le problème
17Yolo – You Only Look Once, Uwash+FB+Allen AI
Makoto Koike, TensorFlow 19
Reconnaissance d’actions – Thoth - Inria 20 13/10/2018
21
Patrick Albert -- I.A.
Aspects scientifiques et
stratégiques 13/10/2018Temps de calcul d’un réseau profond
Ordre de grandeur:
- Entre deux couches de taille N & M= N*M
P
at - Plusieurs couches: somme des N*M
ri
c
k - Multiplier par le nombre d’exemples
Al
er
b
- Doubler pour la backprop
t
--
I.
A.
A - Pour un réseau 100.000/10.000/1000/100/1000/10.000/100.000 (imagettes)
s
p
e - 4.000.000.000 opérations par exemple en feedforward, 10 milliards pour une
ct
s
passe complète
sc
ie - 1 million d’exemples, 1000 itérations: 10 milliards de milliards d’opérations
nt
ifi
q - 1 GPU@10K€: 1 Teraflops (1000 milliards d’opérations/s)
u
e
s
- 10.000.000 de secondes de GPU ...
et
st
ra
- 1000 GPU, 3 heures de calcul.
té
gi
q
u
e
22 s 13/10/201823
Patrick Albert -- I.A.
Dimensions
Aspects scientifiques et
stratégiques 13/10/20183 Réalités & perspectives
(ex. Mythes)
24 - 13/10/2018Reconnaître des images 25 - 13/10/2018
Reconnaître des actions 26 - 13/10/2018
Annoter des images 27 - 13/10/2018
Comprendre les situations, en général 28 - 13/10/2018
Traduire automatiquement du
vocabulaire limité dans un
environnement calme
Traduire automatiquement du
vocabulaire ouvert dans un
environnement bruyant
29 - 13/10/2018Apprendre des corrélations 30 - 13/10/2018
Apprendre la causalité 31 - 13/10/2018
Apprendre à partir de millions d’exemples 32 - 13/10/2018
Apprendre avec peu d’exemples 33 - 13/10/2018
Jouer au go, échecs, jeux d’arcade ... 34 - 13/10/2018
Jouer à des jeux où la main de
l’adversaire est inconnue... Mais ...
35 - 13/10/2018Conduite autonome niveau 2 36 - 13/10/2018
Conduite autonome niveaux 4-5 37 - 13/10/2018
Raisonner comme des experts dans
des petits mondes
Si le client est dans la catégorie ‘gold’
son panier contient plus de trois articles
mais pas d’article en promotion
Alors lui faire une réduction de 5%
38 - 13/10/2018Raisonner avec du sens commun 39 - 13/10/2018
IA faible, spécialisée 40 - 13/10/2018
IA forte,
générale
Enregistre …220 M.C. !
Rattrape-le et détruis-le ! Va !
41 - 13/10/2018Proposer des décisions à partir des
données
Expliquer les décisions proposées
42 - 13/10/20184 Quelques défis pour la
société
43 - 13/10/2018l’IA est « partout »
• Internet: Web & IoT : self-service
• Infrastructure, Publicité, Support client, Conseil et Vente,
• Finance, banques & assurances
• Conseiller augmenté, credit scoring, conformité ...
• Santé
• Prédiction/prévention, individualisation
• Transport
• Voiture autonome, train autonome, navire autonome
• Loisirs
• Information, sociabilité, créativité, jeux , réalité virtuelle
• Guerre, maintien de l’ordre
• Soldats augmentés, Robots Autonomes Tueurs
• voir « slaughterbots » sur YouTube
44AI Challenge Paris Region 2018: les
10 start-up sélectionnées dévoilées
Amiral technology travaille sur des solutions de maintenance prédictive pour améliorer et réduire les
coûts de maintenance pour éviter les pannes de systèmes
P
Dataswati
at est spécialisée dans l'intelligence artificielle au service des processus de production
complexes
ri
c
k
Ellcie
Al met au point des lunettes intelligentes
b
Involi
er (Suisse) travaille sur des solutions de gestion de drones dans l’espace aérien
t
--
LightOn
I. développe des coprocesseurs optiques pour l'intelligence artificielle
A.
Panda
A met au point le premier casque audio de réalité augmentée pour les personnes
s
malvoyantes
p
e
AIPark
ct (Allemagne) cherche une solution au problème du dernier kilomètre pour le véhicule
s
connecté
sc grâce à l’IA et aux données de mobilité
ie
Smartify
nt (Grande-Bretagne) travaille sur une application qui propose de « scanner » des œuvres d’art
ifi
et qde les identifier
u
Therapanacea
e augmente l'efficacité et la sécurité de la radiothérapie, en utilisant l'intelligence artificielle
s
et
Unsupervised
st développe des robots collaboratifs, robustes et autonomes en milieu industriel
ra
té
gi
q
u
e
45 s 13/10/2018Dialogue post-crash avec le chatbot de la
banque
P
at
ri
c
k
Al
b
er
t Peux-tu me dire pourquoi je n’ai pas obtenu
--
I.
mon crédit?
A.
A
s
....
p
e
ct
s
sc
ie
nt
ifi
q
u
e
s
et
st
ra
té
gi
q
u
e
46 s 13/10/2018Défis génériques
Validation et certification
>Indispensables pour les systèmes critiques
Donner des normes et des valeurs aux IA
>“mon robot”
Gestion de la vie privée
>Attention aux connaissances tirées à partir des données
privées
13/10/2018• Placer l’humain au cœur de la machine
(l’IA au service de l’humain)
P
• Contrôler l’IA (contrôle vigilant des
at
ri
programmes, véracité des données)
c
k
• Démocratiser l’IA (accessible à tous)
Al
b
er
t
--
I.
A.
• 6 valeurs
A • Equité
s
p • Fiabilité
e
ct • Responsabilité
s
sc • Inclusion
ie
nt • Confidentialité et sécurité
ifi
q • Transparence
u
e
s
et
st
ra
té
gi
q
u
e
48 s 13/10/20185 Ceci n’est pas une
conclusion
49 - 13/10/2018Vision long terme
P
at
ri
c « If a machine can think, it might think more
k
Al
b
intelligently than we do, and then where should we
er
--
t be? Even if we could keep the machines in a
I.
A. subservient position, for instance by turning off the
A
s
p
power at strategic moments, we should, as a
e
ct
s
species, feel greatly humbled. »
sc
ie
nt
ifi
q
Alan Turing, 1951
u
e
s
et
st
ra
té
gi
q
u
e
50 s 13/10/2018L’intelligence artificielle : réalités et mythes 51 - 13/10/2018
Vous pouvez aussi lire
