L’intelligence artificielle aujourd’hui (FR)
•
4 j'aime•2,275 vues
Conférence à l'Ecole Multimédia du 9 décembre 2016 : "L’intelligence artificielle aujourd’hui - Machine learning et réseaux de neurones" dans le cadre des Labdays.
Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à L’intelligence artificielle aujourd’hui (FR)
Similaire à L’intelligence artificielle aujourd’hui (FR) (20)
L’intelligence artificielle aujourd’hui (FR)
- 1. L’intelligence artificielle aujourd’hui Machine learning et réseaux de neurones THIERRY TRANCHINA
- 2. 1. Petite histoire de l’IA 2. Pourquoi maintenant ? 3. Réseau de neurones artificiels 4. Machine learning 5. L’IA au quotidien 6. Les avancées technologiques 7. Comment mettre en oeuvre cette technologie ?
- 3. Petite histoire de l’IA
- 5. c’est l’acte fondateur du domaine de l’intelligence artificielle
- 7. Marvin Lee MINSKY Docteur en science cognitive 1927 - 2016 co-fondateur du MIT fondateur de la discipline IA conseiller sur 2001: L’odyssée de l’espace
- 8. John Mc CARTHY Informaticien 1927 - 2011 fondateur de la discipline IA à l’origine du nom développeur du langage LISP
- 9. “Every aspect of learning or any other feature of intelligence can be so precisely described that a machine can be made to simulate it”
- 10. “Chaque aspect de l'apprentissage ou toute autre caractéristique de l'intelligence peut être si précisément décrit qu'une machine peut être conçue pour le simuler”
- 11. C’est le moment-clé où l'IA a trouvé son nom, sa mission, ses premières réussites et ses acteurs principaux.
- 12. SCIENCE FICTION
- 13. “Dans dix ans, un ordinateur sera le champion du monde des échecs” Henri A. Simon, informaticien Allen Newell, chercheur 1958
- 14. Garry Kasparov perd contre Deep Blue (IBM) 1997
- 15. 29 ans!
- 16. “Dans dix ans, un ordinateur découvrira et prouvera un nouveau théorème mathématique important” Henri A. Simon, informaticien Allen Newell, chercheur 1958
- 17. “Dans trois à huit ans, nous aurons une machine avec l'intelligence générale d'un être humain moyen” Marvin Minsky 1970
- 18. ??
- 19. deux approches se confrontent
- 20. L’approche logiciste ou symbolique création de la pensée machine de Turing Marvin Minsky * John McCarthy * Allen Newell * Herbert A. Simon
- 21. Alan M. TURING Mathématicien et cryptologue 1912 - 1954 Déchiffre le code Enigma inventeur de la machine de Turing et du test de Turing
- 22. Computing machinery and intelligence Alan M. Turing - 1950 “un ordinateur digital peut-il tenir la place d’un être humain dans le jeu de l’imitation ?”
- 23. Blade Runner Ridley Scott 1982 Test de Voight-Kampff Philip K. Dick “Do Androids Dream of Electric Sheep ?”
- 24. CAPTCHA Completely Automated Public Turing test to tell Computers and Humans Apart
- 25. L’approche neuronale imitation des processus biologiques cérébraux biomimétisme Frank Rosenblatt * Geoffrey Hinton * Paul Werbos
- 26. Frank Rosenblatt Psychologue & informaticien 1928 - 1971 fondateur du “courant neuronal” créateur du Perceptron
- 27. Le perceptron de Rosenblatt - 1957
- 28. Perceptrons Marvin Minsky, Seymour Papert - 1969
- 29. Financement de l’ARPA (Agence pour les projets de recherche avancée) * M.I.T Minsky & McCarthy $ 3 millions / an * Carnegie-Mellon Newel & Simon $ 3 millions / an * Stanford IA McCarthy $ 3 millions / an * Université d’Edimbourg Donald Michie
- 30. 50 60 70 80 90 00 10 1974 - 1980 1987 - 1993 Investissements dans le domaine de l’IA 1956
- 31. 50 60 70 80 90 00 10 1974 - 1980 1987 - 1993 Investissements dans le domaine de l’IA * 1956 Premier hiver de l’IA (1974 - 1980) Les immenses attentes suscitées ne débouchent que sur ces résultats très limités
- 32. 50 60 70 80 90 00 10 1974 - 1980 1987 - 1993 Investissements dans le domaine de l’IA * 1956 Les systèmes experts Montrent des résultats intéressants
- 33. 50 60 70 80 90 00 10 1974 - 1980 1987 - 1993 Investissements dans le domaine de l’IA * 1956 Second hiver de l’IA (1987 - 1993) La limitation du hardware limite les progressions possibles
- 34. 50 60 70 80 90 00 10 1974 - 1980 1987 - 1993 Investissements dans le domaine de l’IA * 1956 Internet!
- 35. 50 60 70 80 90 00 10 1974 - 1980 1987 - 1993 Investissements dans le domaine de l’IA * 1956 Révolution GPU Les puces graphiques combinées aux réseaux de neurones permettent une progression majeure
- 36. et depuis 2011 ?
- 38. 140 sociétés travaillant dans le domaine de l’intelligence artificielle ont été rachetées depuis 2011
- 39. 40 pour l’année 2016 (28.5%)
- 42. $ 600 millions Demis Hassabis
- 44. 3 facteurs sont réunis
- 45. 1 - Les puces graphiques ont aujourd’hui l’architecture et la puissance requise
- 46. x100
- 47. 2 - Les technologies d’apprentissage sont matures
- 48. 3 - Les entreprises ont les données pour entraîner les algorithmes de machine learning BIG DATA
- 49. Artificial Neural Network Les réseaux de neurones artificiels
- 50. biomimétisme
- 56. Perceptron de Rosenblatt fonction d’activation OUTPUT (0/1) p p p p p i i i i i >+
- 57. Mark 1 Perceptron 1957 IBM 704
- 59. c’est un chien ou un chat ?
- 63. TAILLE DOMESTIQUE CHIEN ? l'entraînement vise à déterminer ces données
- 64. TAILLE DOMESTIQUE 5 4 ? CHIEN ? OUI >10? ? 1 l'entraînement vise à déterminer ces données
- 65. TAILLE DOMESTIQUE 5 4 1.2 CHIEN ? OUI 10.8 1>10 1.2
- 66. TAILLE DOMESTIQUE 2 2 1.2 CHIEN ? NON 4.8 0>10 1.2
- 68. TAILLE DOMESTIQUE 4 1 CHIEN ? OUI 1>10 1.2 1.2 5.4
- 69. TAILLE DOMESTIQUE 4 1 CHIEN ? OUI 1>10 2.3 1.2 ajustement des poids : la taille est plus importante 10.4
- 72. TAILLE DOMESTIQUE CHIEN ? >10 2.3 1.2 Perceptron final (entraîné à répondre à la question)
- 73. évolutions
- 75. TAILLE DOMESTIQUE CHIEN ? Ces données peuvent être également le fruit du training Fonction d’activation bias
- 76. Le réseau de neurones
- 81. Deep network On considère qu’un réseau de neurone est profond (deep) quand il possède plus de 3 couches de neurones cachés
- 84. “Donner la possibilité à un ordinateur d’apprendre une expertise sans qu’on est explicitement programmé cette expertise” Arthur Samuel, informaticien 1959
- 85. Les algorithmes utilisés permettent d'adapter leurs analyses et leurs comportements en se fondant sur l'apprentissage à partir d’une grande quantité de données
- 86. il existe 3 types d’apprentissage
- 88. TAILLE DOMESTIQUE 5 4 3 1 2 4 1 5 2 2 données Réseau de neurones apprentissage par backpropagation
- 89. Domaines classification reconnaissance d’image imagerie médicale analyse du langage naturel reconnaissance vocale reconnaissance de caractères recommandation ...
- 91. How we teach computers to understand pictures Fei Fei Li - Stanford AI14:00
- 92. L’apprentissage par renforcement reinforcement learning
- 93. L’algorithmes va apprendre et évoluer par tâtonnement en ayant comme unique but l’amélioration des critères d’évaluation.
- 94. Deepmind again Atari games Demis Hassabis - Google Deepmind 3:00
- 97. AlphaGo Demis Hassabis - Google Deepmind 11:17
- 100. Assistants vocaux
- 101. Assistants vocaux
- 102. reconnaissance vocale analyse textuelle text to speech
- 106. 3 exemples
- 107. Identification de toute la numéro des rues en France données : Street View House Numbers (SVHN) 200 000 numéro de Google street view Stanford apprentissage : 6 jours transcription : 1 heure réussite : 98%
- 108. Traduction automatique par lecture sur les lèvres Deepmind et l’Université d’Oxford données : emissions TV BBC Breakfast, Question Time et Newsnight 5000 heures de vidéo 118 000 sentences apprentissage : 01.2010 - 12.2015 réussite : 46.8% humains : 12.4%
- 109. Réduction de 40% de la facture énergétique pour le refroidissement des data centers
- 111. Identification des cancers du sein à partir d’imagerie médicale BIDMC Moteur : GoggLeNet (27 layers) réussite : 92% IA + médecin : 99.5%
- 112. Identification des cancers du sein à partir d’imagerie médicale
- 113. Voitures autonomes
- 114. Voitures autonomes
- 115. Voitures autonomes
- 116. Comment une voiture autonome perçoit son environnement ? Chris Urmson - Google 6:00
- 119. Comment mettre en oeuvre cette technologie ?
- 120. Des services prêts à l’emploi
- 121. Machine learning service Vision API Speech API Natural Language API Translate API
- 122. Computer Vision API Content Moderator Emotion API Face API Video API Bing Speech API Custom Recognition Intelligent Service Speaker Recognition API Bing Spell Check API Linguistic Analysis API Cognitive Services Text Analytics API Translator API Web Language Model API Academic Knowledge API Entity Linking Intelligence Service Knowledge Exploration Service Recommendations API
- 123. AlchemyLanguage Language Translator Conversation Dialog Natural Language Classifier Personality Insights Retrieve and Rank Visual Recognition Tone Analyzer Speech to Text Text to Speech
- 125. Des librairies open source
- 127. Merci Thierry Tranchina L’Ecole Multimédia - 2016 https://twitter.com/rdad ressources : https://goo.gl/uGdv7D
- 133. Arthur SAMUEL Informaticien 1901 - 1990 pionnier du machine learning programme du jeu de dame projet TeX