Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.
Intelligence Artificielle et
Data Science
Alexandre Termier
Intelligence Artificielle
C’est quoi, l’IA ?
Objectif de l’Intelligence artificielle:
Réaliser des systèmes pouvant résoudre des problèmes résolus u...
IA générale / IA « étroite »
• IA générale
• IA capable de résoudre une large variété de problèmes, de s’adapter, d’appren...
IA de jeu
L’espace de recherche du Go est gigantesque : > 10700 nœuds !
……
……
Coup J1 (1er joueur)
Coup J2 (2e joueur)
Éta...
Spécificité d’AlphaGo
Exploration très efficace de l’espace de recherche
• Statistiques sur des simulations de parties réa...
Limites
Image:BurlingtonGazette
• La vie réelle demande de faire beaucoup plus de choix que le Go
• Les objectifs sont sou...
Quelques challenges en IA
• Meilleure utilisation de connaissances pour répondre à des questions
• Ex: Watson d’IBM – Jeop...
Data Science,
Data Mining, Machine Learning
Science des données, fouille de données et apprentissage automatique
Définitions informelles
• Data Science (science des données)
• Ensemble de méthodes permettant de découvrir des connaissan...
Data Mining (fouille de données)
• Objectif: Découvrir de nouvelles connaissances dans les données
• Méthodes:
• Découvert...
Machine Learning (apprentissage automatique)
• Objectif : Apprendre une tâche de prédiction en fonction d’exemples
• Le sy...
Challenges du Machine Learning
• Deep Learning (la technique de Machine Learning qui marche le mieux actuellement)
• Besoi...
Challenges en Data Science
• Plus d’automatisation
• Actuellement :
• tâche très manuelle, demande beaucoup d’expertise
• ...
Conclusion
• Essor extraordinaire des techniques d’Intelligence Artificielle (étroites!)
• Gros effort pour mieux exploite...
Prochain SlideShare
Chargement dans…5
×

sur

Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 1 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 2 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 3 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 4 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 5 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 6 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 7 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 8 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 9 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 10 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 11 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 12 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 13 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 14 Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"  Slide 15
Prochain SlideShare
What to Upload to SlideShare
Suivant

6 j’aime

Partager

Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"

Intervention 1/2 de la Matinale Rennes Atalante "L'intelligence artificielle pour créer de la valeur avec le Big Data" du 22 février 2018 :
Alexandre Termier, professeur à l'Université de Rennes 1 et responsable de l'équipe commune Inria-Irisa "LACODAM" - Intelligence Artificielle et Data Science.

Intelligence Artificielle et Data Science | Alexandre Termier de l'Inria-Irisa "LACODAM"

  1. 1. Intelligence Artificielle et Data Science Alexandre Termier
  2. 2. Intelligence Artificielle
  3. 3. C’est quoi, l’IA ? Objectif de l’Intelligence artificielle: Réaliser des systèmes pouvant résoudre des problèmes résolus uniquement par êtres vivants/homme [Livre « Panorama de l’Intelligence Artificielle », Cepaduès 2014] « L’IA commence là où l’informatique classique s’arrête : tout problème pour lequel il n’existe pas d’algorithme connu ou raisonnable permettant de le résoudre relève a priori de l’IA. » Laurière
  4. 4. IA générale / IA « étroite » • IA générale • IA capable de résoudre une large variété de problèmes, de s’adapter, d’apprendre • « Exemples »: HAL-9000, Skynet, C3-PO…seulement à Hollywood ! • En réalité : on en est très loin... • Cf intervention Pr. Wooldrigde au Parlement anglais (Oxford University) • IA étroite (Anglais: Narrow AI) • IA spécialisée pour une classe de problèmes précis • Performante pour ce problème, pas/peu d’adaptabilité pour le reste • Enorme effort de recherche actuel • Exemples: DeepBlue, AlphaGo, reconnaissance faciale, Siri/Cortana/…, Google translate, véhicules autonomes,… • Mais aussi: votre GPS, votre filtre anti-spam, votre robot-aspirateur…
  5. 5. IA de jeu L’espace de recherche du Go est gigantesque : > 10700 nœuds ! …… …… Coup J1 (1er joueur) Coup J2 (2e joueur) État initial IA de jeu (go, échecs, morpion…) = explorer un espace de recherche
  6. 6. Spécificité d’AlphaGo Exploration très efficace de l’espace de recherche • Statistiques sur des simulations de parties réalisées à la volée • Réseaux de neurones ont « appris » à reconnaitre les bons coups à jouer et les situations favorables / défavorables • Bases de parties humaines • Parties du système contre lui-même AlphaGo Zero • Idem mais a appris de zéro en jouant contre lui-même
  7. 7. Limites Image:BurlingtonGazette • La vie réelle demande de faire beaucoup plus de choix que le Go • Les objectifs sont souvent vagues, et l’évaluation difficile • On ne peut pas faire des milliers de « parties » pour apprendre…
  8. 8. Quelques challenges en IA • Meilleure utilisation de connaissances pour répondre à des questions • Ex: Watson d’IBM – Jeopardy • Nouveaux challenges : répondre à des questions d’examens scolaires / universitaires • US : ARISTO : questions de science niveau collège • JP : Todai Robot Project : questions d’entrée à l’université de Tokyo ( concours prépa en FR) • Sens commun • Très difficile à introduire car pas vraiment formalisé • Indispensable pour une meilleure collaboration machine/humain (ex: chatbot)
  9. 9. Data Science, Data Mining, Machine Learning Science des données, fouille de données et apprentissage automatique
  10. 10. Définitions informelles • Data Science (science des données) • Ensemble de méthodes permettant de découvrir des connaissances dans les données • Humain dans la boucle • Très large : va du stockage des données à la visualisation des résultats • Data Mining (fouille de données) • Méthodes algorithmiques pour découvrir des connaissances dans les données • Machine Learning (apprentissage automatique) • Méthodes mathématiques et informatiques pour faire des prédictions sur les données
  11. 11. Data Mining (fouille de données) • Objectif: Découvrir de nouvelles connaissances dans les données • Méthodes: • Découvertes de regroupements (clustering) • Découverte de motifs (pattern mining) • Découverte d’anomalies Données Séquence fréquente Séq. fréquente + période Séq. freq. « flexible » Exemple de pattern mining
  12. 12. Machine Learning (apprentissage automatique) • Objectif : Apprendre une tâche de prédiction en fonction d’exemples • Le système apprend un modèle en fonction des exemples • On peut évaluer précisément la capacité prédictive du modèle Viagra ? 1000000$? = normal = spam = spam oui ouinon non Titre mail Spam ? Viagra pas cher Oui Demande de réunion Non Gagner 1000000$ facilement Oui Vente Viagra en ligne Oui Tu es où ? Non Relecture article Non Affaire discrète – 1000000$ Oui Exemple d’arbre de décision
  13. 13. Challenges du Machine Learning • Deep Learning (la technique de Machine Learning qui marche le mieux actuellement) • Besoin de grandes quantités d’exemples • Aller vers des méthodes semi-supervisées / non-supervisées (peu / pas d’exemples) • Besoin de modèles plus interprétables • Algorithmes prennent des décisions nous concernant (ex: credit scoring) • Loi européenne: General Data Protection Regulation (GDPR) • Besoin de pouvoir expliquer une décision algorithmique • Majorité des approches: paramétrages complexes • Trouver automatiquement les bons paramètres • Ex: auto-sklearn
  14. 14. Challenges en Data Science • Plus d’automatisation • Actuellement : • tâche très manuelle, demande beaucoup d’expertise • beaucoup de travail ingrat (« plomberie » entre algorithmes) • Travaux de recherche pour automatisation partielle tâches de Data Science • Cambridge (Royaume Uni): The Automatic Statistician • MIT (USA): Data Science Machine • Les deux : bonne direction, encore beaucoup de travail à faire pour atteindre le but! • Sécurité • Faire des analyses pertinentes sur données fortement anonymisées • Eviter que certains résultats ne compromettent l’anonymat • Eviter que des utilisateurs malicieux ne détournent des systèmes de Data Science
  15. 15. Conclusion • Essor extraordinaire des techniques d’Intelligence Artificielle (étroites!) • Gros effort pour mieux exploiter de grosses quantités de données => Conséquences « logiques » de la numérisation croissante de nos vies Dans ce qui va suivre : • Grand challenge actuel : data science, intelligence artificielle et la création de valeur • Impact de ces techniques dans le monde du travail et la société
  • AhmedDraoui

    Jan. 11, 2021
  • QuentinFresnel

    Sep. 2, 2020
  • ghofraneferchichi

    Jul. 3, 2020
  • kkokreyol

    May. 18, 2019
  • FranckBrazzi

    Feb. 5, 2019
  • YahyaAbouarrouche

    May. 21, 2018

Intervention 1/2 de la Matinale Rennes Atalante "L'intelligence artificielle pour créer de la valeur avec le Big Data" du 22 février 2018 : Alexandre Termier, professeur à l'Université de Rennes 1 et responsable de l'équipe commune Inria-Irisa "LACODAM" - Intelligence Artificielle et Data Science.

Vues

Nombre de vues

587

Sur Slideshare

0

À partir des intégrations

0

Nombre d'intégrations

0

Actions

Téléchargements

0

Partages

0

Commentaires

0

Mentions J'aime

6

×