Une introduction aux Réseaux bayésiens

Une introduction
aux Réseaux Bayésiens
Philippe Leray,
Université de Nantes, LS2N, Capacités
Sponsors GOLD édition 2020 :

Qui suis-je ?
Twitter : @salondata
#SalonData2020

1993 : Ingénieur ISEP, option Informatique

1993 : DEA Intelligence Artificielle, Reconnaissance des Formes et Applications, Univ. Paris 6

1998 : Thèse de Doctorat, Univ. Paris 6

apprentissage et diagnostic de systèmes complexes : réseaux de neurones et réseaux bayésiens

1999 : Maître de conférences, INSA Rouen

2006 : Habilitation à Diriger les Recherches, Univ. Rouen

réseaux bayésiens : apprentissage et modélisation de systèmes complexes

2007 : Professeur des Universités, Polytech'Nantes - Univ. Nantes

2017 : Responsable scientifique Capacités SAS, cellule KnowEdge
3/23

Intérêt pour l’Intelligence Artificielle
#SalonData2020

198x : Que peut-on faire d'intelligent avec un TRS 80 ou un Amstrad CPC 6128 ?

1994 : Découverte des réseaux de neurones :
construire un modèle intelligent à partir de données !

1997 : Découverte des réseaux bayésiens (RB) : et en plus on peut raisonner !!!

1999 : Apprentissage des RB sous toutes leurs formes
applications à la modélisation de systèmes complexes

2007 : PILGRIM, bibliothèque C++ dédiée aux modèles graphiques probabilistes

Plus de 20 thèses encadrées sur le sujet

Des projets R&D dans des domaines très larges : fiabilité, maintenance, sécurité,
bio-informatique, santé, recommandation, ...
4/23

Un peu d’histoire
#SalonData2020
1970-90 : L’ère des systèmes experts

des connaissances décrites sous forme de règle logique

des mécanismes de raisonnement à partir d’observation
Judea Pearl (1936-…) : et si on rajoutait de l’incertain ?

1982 : Reverent Bayes on inference engines: a distributed hierarchical approach

1988 : Probabilistic Reasoning in Intelligent Systems

2000 : Causality : Models, reasoning, inference

2012 : ACM A.M. Turing Award for contributions that transformed AI
5/23

Qu’est-ce qu’un réseau bayésien ?
#SalonData2020
Est-ce que je vais me casser la jambe aujourd’hui ?

pour cela, il faudrait que je glisse dans la rue

ce qui s’explique généralement par le fait que
le sol est mouillé, et/ou que je suis dans la lune

mais si je suis dans la lune, je risque aussi
d’oublier mes papiers
description graphique des connaissances
représentation intuitive, compréhensible
interprétation causale (parfois)
6/23

#SalonData2020
Et l’incertain dans tout cela ?

si je ne suis pas dans la lune, il est rare que
j’oublie mes papiers (une fois sur dix)

par contre si je suis dans la lune, il y a 3 chances sur 4
que j’oublie mes papiers !

je n’ai jamais eu la jambe cassée
sans avoir glissé avant

et en glissant, il y a généralement 9 chances sur 10
que je ne me casse pas la jambe
représentation probabiliste de l’incertain
7/23

#SalonData2020
Et à quoi cela peut bien servir ?

je me réveille ce matin,
sans rien connaître de ma journée

risque d’oublier mes papiers : 23 %

risque d’être dans la lune : 20 %

risque de glissade : 22 %

risque de jambe cassée : 2 %
un modèle qui n’a pas « d’entrées » ou de « sorties »
8/23

#SalonData2020

aujourd’hui est un bon jour :
pas de pluie
et je n’ai pas oublié mes papiers !

risque d’être dans la lune : 20 % → 6 %

risque de glissade : 22 % → 1 %

risque de jambe cassée : 2 % → presque 0 % !
raisonnement en présence de données incomplètes
9/23

#SalonData2020

aujourd’hui est un mauvais jour :
il pleut
et j’ai pas oublié mes papiers !


risque de glissade : 22 % → 81 %

risque de jambe cassée : 2 % → 8 % !
10/23

#SalonData2020

j’ai glissé,
mais il ne pleut pas aujourd’hui !


risque d’oublier mes papiers : 23 % → 73 %

risque de jambe cassée : 2 % → 10 % !
11/23

Et les data dans tout ça ?
#SalonData2020
Comment construire un réseau bayésien ?
Small data

construction du graphe par formalisation des
connaissances expertes

élicitation des probabilités : idem

validation du modèle en illustrant son
comportement dans des cas d’utilisations
connus, ou en utilisant les quelques données
disponibles
on peut construire un modèle réaliste même sans données !
12/23

#SalonData2020
Medium data

construction du graphe par formalisation
des connaissances expertes

apprentissage des probabilités par des approches
statistiques standards,

avec données complètes ou incomplètes
vers une IA plus soutenable
13/23

#SalonData2020
Big data

apprentissage du graphe à partir des données

combinaison possible avec des connaissances
expertes
découverte de connaissances à partir de données
et un modèle appris interprétable
14/23

La descendance
#SalonData2020
De nombreuses extensions pour traiter des problèmes de plus en plus complexes

données discrètes et continues : réseaux conditionnels gaussiens

prise en compte de décisions et de leur coût : diagramme d’influence

données séquentielles : réseaux bayésiens dynamiques

fichiers de logs : modèles graphiques d’événements

données relationnelles : modèles relationnels probabilistes

bases de données de graphe : modèles entité-association probabilistes
15/23

La descendance
#SalonData2020
Et des challenges en IA et en Machine Learning

vers un apprentissage

incrémental,

préservant la confidentialité,

multi-tâches,

par transfert,

fédéré,

...
16/23

pour une IA

plus soutenable,

plus acceptable,

plus ouverte,

plus éthique,

...

Nos compétences
De l’étude théorique, ou la preuve de concept, … jusqu’à la solution embarquée
#SalonData2020
PILGRIM
Projets R&D
collaboratifs
Prestations
Dévelop. spécifiques
Formation
LicencingLibrairie C++
17/23

Des exemples d’applications
Medical Companion – prévention de la récidive de tentative de suicide
#SalonData2020 18/23

Modèle de vieillissement des composants d’une maison et estimation des coûts associés

Hyperwind – hypervision d’une ferme d’éolienne

Modélisation probabiliste de la sécurité urbaine

En conclusion
#SalonData2020
un modèle graphique
probabiliste, représentation
compacte de connaissances
pouvant modéliser efficacement
des systèmes complexes
apprentissage possible,
de manière itérative,
du 100 % expert
au 100 % données
explicable, ouvert, interprétable moteur de raisonnement
à partir de données
incomplètes ou imprécises
small
data
medium
data
big
data
22/23
applicable dans de
nombreux contextes et
domaines d’application

REMERCIEMENTS
… et nos sponsors sans qui rien ne serait possible !

Une introduction aux Réseaux bayésiens

Recommandé

Recommandé

Contenu connexe

Similaire à Une introduction aux Réseaux bayésiens

Similaire à Une introduction aux Réseaux bayésiens (20)

Plus de University of Nantes

Plus de University of Nantes (11)

Une introduction aux Réseaux bayésiens