Le document traite des bases de l'intelligence artificielle, notamment des réseaux neuronaux et de diverses méthodes d'apprentissage telles que supervisé, non supervisé et par renforcement. Il souligne l'importance des connaissances mathématiques pour comprendre le fonctionnement des algorithmes d'IA et aborde les implications éthiques et philosophiques du progrès technologique, y compris le concept de 'dataïsme'. Enfin, il mentionne des formations proposées sur l'introduction à l'IA et au machine learning.

1. L’intelligence artificielle sur de bonnes bases
Par Claude Marson
Expert en tendances informatiques

2. ▪L'intelligence, c’est quoi exactement ?
▪« libre arbitre », capacité de décider d’une conduite à tenir,
indépendamment de toute contrainte ou apprentissage
▪Un être humain a conscience de ce qu’il fait. Pour lui, la décision est
distincte de la conscience qu’il en a. L’algorithme d’IA, n’a pas cette
perception.
▪Personne ne sait ce qu’est la conscience, ni où elle se situe.
L'Intelligence Artificielle est-elle intelligente?

3. L'IA sur le devant de la scène

4. Tout est imbriqué dans tout

5. Les réseaux neuronaux

6. Les réseaux neuronaux
▪C'est en 1958 qu'apparaît le
premier réseau neuronal
artificiel : le Perceptron de
Franck Rosenblatt.
▪Il est constitué d'une couche de
neurones en entrée, dite
"perception" et d'une couche de
sortie, dite "décision".

7. Positionnement vis-à-vis des réseaux neuronaux
▪Trois attitudes possibles par rapport à l'alchimie des réseaux neuronaux
▪Expert
▪Architecte
▪Développeur : perçoit les réseaux neuronaux et leur comportement à
travers les API et la programmation. Sait comment lancer une fonction
d'entraînement, dont on comprend le principe et la finalité, mais sans lui
associer une formulation mathématique : 35 % des besoins.
Expert Architecte Programmeur
▪L'utilisateur peut ne pas être concerné par la "mécanique" qui se trouve dans
le produit qu'il achète.

8. ▪ Bonnes connaissances de base
▪ Logique mathématique, séquencement des
opérations logiques, capacité de formalisation
abstraite
▪ Calcul vectoriel
▪ Calcul matriciel
▪ Résolution de systèmes d’équations
▪ Dérivées et intégrales
▪ Modèles statistiques et compréhension des
critères :
médiane, écart type…
▪ Notions de probabilités
▪ Lois statistiques : Gauss, Poisson, etc.
▪ L'idéal serait d'avoir des idées sur les
transformées de Fourier et les convolutions
▪ N'ayez pas peur…
▪ Il ne s’agit pas de se transformer en mathématicien de métier, mais l'IA ne peut pas
s’envisager sans un minimum de connaissances maîtrisées…
Les bases mathématiques
Toute la question est de savoir jusqu’où il faut aller…

9. Les réseaux neuronaux

10. Les réseaux neuronaux
Les réseaux neuronaux sont des plateformes, sur
lesquelles sont implémentés des algorithmes, qui
simulent le comportement d'un cerveau humain
(neurones et synapses), par un système de couches de
processeurs (neurones), reliées par des connexions
réseaux (synapses).

11. Le principe d'un réseau neuronal

12. Concrètement…

13. Exemple d'un réseau convolutif

15. Les architectures de « Machine Learning »

16. « Machine Learning » (apprentissage automatique)
▪ Le « Machine Learning » (apprentissage automatique) est un algorithme qui apprend
un concept de manière progressive : un objet, un visage, une langue, un
comportement, un sentiment…
▪ Appliqué aux réseaux neuronaux, c'est l'opération qui consiste à ajuster tous les
paramètres du réseau de façon à ce qu'il approche au plus près la relation fonctionnelle
entre les entrées et les cibles.
▪ L'algorithme le plus simple est la régression linéaire, qui permet de séparer des
familles de points entre elles.

17. Apprentissage supervisé
▪ S'applique aux deux formes d'apprentissage, automatique et profond.
▪ 2 phases :
▪ Découverte (entraînement), pendant laquelle le réseau apprend sur un « dataset » de
données labellisées.
▪ Production dans laquelle le réseau propose des solutions, issues de son « expérience ».
▪ Les données sont labellisées par des informations qui vont ajouter un sens aux données
brutes.

18. Apprentissage supervisé : les questions
à se poser

19. Acquisition des « datasets »

20. Le problème délicat du « dataset »

21. ▪ Deux notions particulières du « machine learning », le sur-apprentissage (overfitting) et le
sous-apprentissage (underfitting).
▪ Le sur-apprentissage correspond au fait que le modèle s’adapte bien, voire trop bien aux
données d’apprentissage.
▪ Le sous-apprentissage s’applique à la situation où le modèle n’arrive pas à s’adapter aux
données d’apprentissage. Il « patauge » et ne reconnaît pas la totalité des objets qu’on lui
soumet.
▪ L’objectif d’un bon modèle est de se situer entre les deux extrêmes et qu’on ne puisse pas le
« soupçonner » d’ « underfitting » ou d’ « overfitting ».
Sous-apprentissage et sur-apprentissage

22. Apprentissage non supervisé
▪L'algorithme effectue un apprentissage sans se faire aider
par un « dataset ».
▪Conception beaucoup plus complexe.
▪L'idée est souvent de regrouper les objets en familles
(clusters), d'où la confusion qui est souvent faite entre
mode supervisé et « clustering » : il faut déterminer des
points communs entre les éléments d'une même famille.

23. Apprentissage par renforcement
▪Algorithme qui permet d’optimiser l’ensemble des conséquences
(récompenses ou punitions) résultant d’une série d’actions portant sur
un environnement, dont elles font varier l’état.

24. Les réseaux de capsules
▪Une autre conception des réseaux neuronaux (Geoffrey Hinton).
▪Une capsule embarque tous les éléments caractéristiques d’un objet, la
« pose » : sa position, taille et orientation, luminosité et déformation par
rapport à une représentation idéale.

25. « Deep Learning »

26. « Deep Learning » (apprentissage profond)
▪Le « deep learning » ou apprentissage en
profondeur, est un ensemble de méthodes
qui bénéficient des progrès des réseaux
neuronaux, pour reconnaître des objets,
images, images dans les images, sons,
phrases dans une communication
téléphonique, etc.
▪Toujours 2 phases : une phase d'éducation ou
d'entraînement, qui s'effectue sur des
données labellisées et une phase de
découverte, sur des données non labellisées.

27. Les API de « Deep Learning »
▪Il existe désormais une importante panoplie d’API
dédiées, exploitables sans avoir nécessairement une
connaissance fine des mécanismes internes de la
technologie.

28. Les applications du « Deep Learning »

29. On peut aussi raisonner à l'envers…
Approche des développeurs : partir de l'application et choisir la
meilleure technologie neuronale.

30. Les algorithmes vont-ils dominer le
monde ?
2 écoles : ceux qui voient les machines et leurs algorithmes nous dépasser et
nous ramener au rôle d’observateur « zombique » qui n’aura plus de prise sur les
évènements et ceux qui, au contraire, pensent que les êtres humains vont
trouver les ressources nécessaires pour se « transhumaniser », modifier leur
comportement génétique et créer un genre nouveau, peut-être éloigné de ce
qu’il est aujourd’hui.

31. ▪ L’idée que prônent certains scientifiques est que l’IA n’a pas besoin de nous
être supérieure au sens intelligence du terme, pour nous remplacer et donc de
disposer de sa propre conscience et libre-arbitre.
▪ La raison : nous ne sommes pas un modèle d’efficacité et il n’y a aucune
raison de vouloir nous imiter.
▪ Au contraire, c’est en s’améliorant sur ses points forts, le traitement des
données, que l’algorithme saura d’abord nous accompagner, puis nous
supplanter.
Les algorithmes ont-ils besoin d'être
intelligents pour nous remplacer ?

32. Dataïsme : la religion des données
▪Le livre deYuval Noah Harari, « Homo Deus », est venu
apporter un éclairage intéressant au débat.
▪Pour l’historien, l’Homo Sapiens que nous sommes
perd le contrôle de sa destinée : « Les gens ne devraient
pas se concentrer sur la question de savoir comment
arrêter le progrès technologique, parce que c’est
impossible ».
▪Une nouvelle philosophie s’installe, le dataïsme, qui
possède ses « grands prêtres », les évangélistes
technologiques. Pour ces nouveaux prophètes, le
dataïsme est une foi universelle dans le pouvoir des
algorithmes.

33. ▪ Initiation à l’intelligence artificielle (IA101)
▪ Introduction au Machine Learning et au Deep
Learning (IA102)
▪ Mise en œuvre d’un projet IoT (Objets connectés) (TI142)
Formations offertes

34. Merci et au plaisir
de vous rencontrer en 2019!