Présentation par Bertrand Brauschweig, directeur du Centre Inria-Saclay Île-de-France ; Living Things du 18/10/2017 en parallèle des Rencontres Inria Industrie
4. 18/10/2017-4
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
2017: pas encore le troisième hiver!
5. Quelques développements récents (1)
• IBM
Watson
premier
ordinateur
à
gagner
à
Jeopardy
• 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
8. Quelques développements récents (2)
• Microsoft
Skype
Translator
traduit
la
parole
en
temps
réel
avec
des
réseaux
de
neurones
profonds
et
de
l’apprentissage
statistique
• Apple
Siri,
Microsoft
Cortana,
Amazon
Alexa
reconnaissance
de
la
parole
sous
IOS
et
Windows
10
• 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.
10. Quelques développements récents (3)
• Facebook
M
assistant
personnel
qui
utilise
l’IA
et
l’apprentissage
pour
accomplir
des
tâches
pour
l’utilisateur
et
décrire
des
images
• https://www.facebook.com/zuck/videos/10102456212502251/?pnref=story
• Libratus utilise
de
l’apprentissage
par
renforcement
et
d’autres
techniques
pour
gagner
au
poker
• Psibernetix gagne
les
simulations
de
combats
aériens
contre
les
meilleurs
pilotes
US
avec
de
la
logique
floue
et
un
algorithme
génétique
tournant
sur
Raspberry Pi!
• Véhicules
autonomes:
15%
des
véhicules
vendus
en
2030
seront
totalement
automatisés.
12. 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…
12
15. 18/10/2017
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
s15
Temps de calcul d’un réseau profond
Ordre de grandeur:
- Entre deux couches de taille N & M= N*M
- Plusieurs couches: somme des N*M
- Multiplier par le nombre d’exemples
- Doubler pour la backprop
- Pour un réseau 100.000/10.000/1000/100/1000/10.000/100.000 (imagettes)
- 4.000.000.000 opérations par exemple en feedforward, 10 milliards pour une
passe complète
- 1 million d’exemples, 1000 itérations: 10 milliards de milliards d’opérations
- 1 GPU@10K€: 1 Teraflops (1000 milliards d’opérations/s)
- 10.000.000 de secondes de GPU ...
- 1000 GPU, 3 heures de calcul.
22. Apprentissage: défis
Sources de données
Apprentissage
non supervisé ... sous contraintes ... continu, éternel
Représentations symboliques vs continues
L’humain dans la boucle
Explications
Architectures pour l’apprentissage
18/10/2017
23. 18/10/2017
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
s23
Dialogue post-crash avec le chatbot du
camion autonome
Peux-tu me dire pourquoi as-tu tourné à droite
(et écrasé le piéton)?
....
24. Analyse de signaux: défis
Passage à l’échelle
Des images aux vidéos
Modalités multiples
>Analyse guidée par les métadonnées sur le web
>Signaux sur plusieurs canaux: infrarouge, laser, magnétique etc.
>Combinaison audio et vidéo
Introduction de connaissances a priori
18/10/2017
25. Web sémantique, connaissances: défis
Utiliser des grands volumes d’information provenant de
sources hétérogènes réparties
Bâtir des ponts entre les masses de données stockées
dans les bases grâce à la sémantique
Développer des applications avec ces technologies.
18/10/2017
26. Robotique & véhicules autonomes: défis
Compréhension de situation à partir de signaux
multicanaux
Raisonnement dans l’incertain, résilience
Combiner plusieurs approches pour la prise de décision:
>Données de plusieurs capteurs
>Détermination de la situation, du contexte
>Mémoires de décisions passées
>Règles et lois implémentées dans la mémoire du robot
>Combiner données et faits dans des raisonnements hybrides.
18/10/2017
27. Défis génériques
AI située
>Les systèmes IA opérent dans le monde réel, en liaison avec leur
environnement
L’humain dans la boucle
Ouverture vers d’autres disciplines
>Un système d’IA est souvent intégré dans un système composé de
plusieurs parties.
Validation et certification
>Indispensables pour les systèmes critiques
18/10/2017
28. Défis génériques…. Encore plus difficiles
Donner des normes et des valeurs aux IA
>“mon robot”
Gestion de la vie privée
>Attention aux connaissances tirées à partir des données privées
Passage à l’échelle
Les V’s du bigdata: varieté, volume, velocité, vocabulaires
Multitâches
>Les IA sont bonnes pour une chose mais sont incompétentes pour
le reste (specific vs general AI).
18/10/2017