• Georges Uzbelger
• Digital Transformation & Advanced Analytics Leader
• Development of Academic/Research Relations
• geo...
1900 1950 2011
Nous sommes entrés dans une nouvelle ère !
Cognitif - cognition (Wikipedia)
• Cognitif - Qui se rapporte à la connaissance
• Cognition - Ensemble des grandes fonctio...
Ere cognitive
• Convergence entre (NBIC)
• Nanotechnologie
• Biotechnologie
• Informatique
• Sciences cognitives
• Approch...
Test de Turing
• Alan Turing: mathématicien et informaticien
anglais
• Machine de Turing: modèle abstrait utilisé en
infor...
Conceptualisation - Modélisation - Généralisation
• Modélisation: Idéalisation, approximation, simplification de la réalité...
Ind5Ind1 Ind11Ind9Ind3 Ind14Ind2 Ind6 Ind8Ind7 Ind4 Ind12Ind13 Ind10
Coupe
SemiPartialR-
O.O
Classification hiérarchique - ...
Analyse prédictive
Sains 100
Malades 100
Température
> 37.8
Température
< 37.8
Sains 7
Malades 57
Sains 93
Malades 43
Diab...
Décisions
Actions
Résultats
Analyse Descriptive
Analyse Prédictive
Optimisation
Regles méitier
Analyse Prescriptive
Analys...
Entrée Sortie
Algorithmes avec adaptation
de la prise en compte des entrées
et des comportements en réponse
en fonction d’...
Entrée Sortie
Algorithmes avec adaptation
de la prise en compte des entrées
et des comportements en réponse
en fonction d’...
Attention au sur-apprentissage !
• En régression
• En classement
••
•
•
•
• •
•• ••
•
•
•
• •
•• ••
•
•
•
• •
••
• Pas ass...
Couche E
Entrée
Couche S
Sortie
Couche i
cachée
Couche j
cachée
Poids
connexion
Réseau de neurones
Réseau de neurones arti...
Machine learning
Exemples d’applications - Références IBM
Diagnostic
MédicalDétection
de fraudes
Serious
Games
Décrochage
...
WATSON
Watson gagne au jeu
Jeopardy en Février 2011
Qu’est-ce que Watson ?
• Watson créé une relation nouvelle avec les systèmes d’informations
• Watson accompagne les décide...
Comment Watson « raisonne » ?
Merci
IBM Paris Bluemix Meetup #12 - Ecole 42 - 9 décembre 2015
Prochain SlideShare
Chargement dans…5
×

IBM Paris Bluemix Meetup #12 - Ecole 42 - 9 décembre 2015

861 vues

Publié le

Le machine learning au coeur de l’intelligence artificielle

Publié dans : Technologie
  • Soyez le premier à commenter

IBM Paris Bluemix Meetup #12 - Ecole 42 - 9 décembre 2015

  1. 1. • Georges Uzbelger • Digital Transformation & Advanced Analytics Leader • Development of Academic/Research Relations • georges.uzbelger@fr.ibm.com • LinkedIn • Tel mobile 06 84 81 67 75 Intelligence Artificielle avec Bluemix @ 42 Le Machine Learning au coeur de l’intelligence artificielle
  2. 2. 1900 1950 2011 Nous sommes entrés dans une nouvelle ère !
  3. 3. Cognitif - cognition (Wikipedia) • Cognitif - Qui se rapporte à la connaissance • Cognition - Ensemble des grandes fonctions de l’esprit liées à la connaissance (perception, langage, mémoire, raisonnement, décision, …) • Sciences cognitives - Etude de la cognition de divers points de vue Données Information Connaissance Expertise Interprétation Réflexion basée sur l’expérience et le contexte Jugement et action
  4. 4. Ere cognitive • Convergence entre (NBIC) • Nanotechnologie • Biotechnologie • Informatique • Sciences cognitives • Approche bio-inspirée • Apprentissage: machine et deep learning • Méthode de « raisonnement » de type baysien (plausibilité d’événements futurs à partir des événements passés • Modèle d’architecture de type « neuronal » inspiré des réseaux de neurones biologiques Nanotechnologie Biotechnologie Informatique Sciences cognitives NBIC
  5. 5. Test de Turing • Alan Turing: mathématicien et informaticien anglais • Machine de Turing: modèle abstrait utilisé en informatique théorique • Test de Turing (1950) • Construire une machine avec une IA • Confrontation conversationnelle entre un humain et cette machine afin de déterminer si l’humain ne peut distinguer si sa conversation a lieu avec cette machine ou un autre humain • En 2014, on pensait avoir réussi le test de Turing mais … non
  6. 6. Conceptualisation - Modélisation - Généralisation • Modélisation: Idéalisation, approximation, simplification de la réalité, d’un phénomène • Le phénomène est différent de la représentation du phénomène • Généralisation à partir de la représentation • Exemple: modéliser un comportement de fraude, du vieillissement d’un système pour de maintenance prédictive, de l’attrition, du décrochage scolaire
  7. 7. Ind5Ind1 Ind11Ind9Ind3 Ind14Ind2 Ind6 Ind8Ind7 Ind4 Ind12Ind13 Ind10 Coupe SemiPartialR- O.O Classification hiérarchique - Dendrogramme O.6 O.3 Classe 1 Classe 2 Classe … Classe n Variable 1 Variable 2 Variable 3 Clustering 0 0, 1-1 Premier axe ou facteur explicatif (61%) Deuxièmeaxeoufacteurexplicatif(29%) V V V V V Analyse en composantes principales Analyse descriptive
  8. 8. Analyse prédictive Sains 100 Malades 100 Température > 37.8 Température < 37.8 Sains 7 Malades 57 Sains 93 Malades 43 DiabètePas de diabète Sains 87 Malades 3 Sains 6 Malades 40 Malade Malade Sain Arbres de décisionRégression
  9. 9. Décisions Actions Résultats Analyse Descriptive Analyse Prédictive Optimisation Regles méitier Analyse Prescriptive Analyse prescriptive
  10. 10. Entrée Sortie Algorithmes avec adaptation de la prise en compte des entrées et des comportements en réponse en fonction d’objectifs à atteindre Prise en compte des réponses pour amélioration future Qu’est-ce que le machine learning ? • Le machine learning est un ensemble d’outils mathématiques et d’algorithmes permettant, par un processus itératif, d’améliorer les performances de prédiction par rapport à un objectif à atteindre • Certaines implémentations de machine learning s’inspirent du fonctionnement et de l’architecture des neurones biologiques. Statistiques Optimisation Algorithmique Er Classification Regression
  11. 11. Entrée Sortie Algorithmes avec adaptation de la prise en compte des entrées et des comportements en réponse en fonction d’objectifs à atteindre Oracle Superviseur Ensemble de valeurs d’apprentissage et de test Sortie attendue Entrée Prise en compte des réponses pour amélioration future Apprentissage supervisé 3 phases: Apprentissage tests Production Statistiques Optimisation Algorithmique Er Classification Regression Minimisation risque empirique consistance Minimisation risque structurel
  12. 12. Attention au sur-apprentissage ! • En régression • En classement •• • • • • • •• •• • • • • • •• •• • • • • • •• • Pas assez • Bon • Trop • Pas assez • Bon • Trop • Rasoir d'Ockham - Principe de parcimonie • Ne pas utiliser de nouvelles hypothèses si celles utilisées suffisent.
  13. 13. Couche E Entrée Couche S Sortie Couche i cachée Couche j cachée Poids connexion Réseau de neurones Réseau de neurones artificiels: modèle très très simplifié de l’architecture de neurones biologiques !
  14. 14. Machine learning Exemples d’applications - Références IBM Diagnostic MédicalDétection de fraudes Serious Games Décrochage scolaire Optimisation transports Maintenance prédictive Détection d’attrition Interprétation imagerie Protection digitale en ligne Formations adaptées Marketing Vente Aide recrutements
  15. 15. WATSON
  16. 16. Watson gagne au jeu Jeopardy en Février 2011
  17. 17. Qu’est-ce que Watson ? • Watson créé une relation nouvelle avec les systèmes d’informations • Watson accompagne les décideurs et renforce la relations avec les clients Watson me comprend. Watson échange avec moi. Watson apprend et s’améliore avec le temps Watson m’aide à découvrir. Watson justifie ses arguments. Watson à des capacités encore inexploitées. Watson est rapide et pense en temps réel. Watson produit et évalue des hypothèses Watson comprend le langage naturel Watson s’adapte et apprend
  18. 18. Comment Watson « raisonne » ?
  19. 19. Merci

×