Téléchargé 88 fois
Téléchargé parRomain Willmann
IA, IoT, Big Data : révolutions ou évolution ?
Le document aborde les avancées technologiques en matière d'objets connectés, de big data et d'intelligence artificielle, en soulignant leur impact sur divers secteurs et la nécessité d'une infrastructure adaptée. Il explore également le changement de paradigme scientifique introduit par la data science et les défis liés à la gestion de ces données. Enfin, il examine les différentes formes d'intelligence artificielle et leurs implications sur la compréhension et le traitement de l'information.
IA, IoT, Big Data : révolutions ou évolution ?
- 2. IA, IoT, BigData : révolutions ou évolution? Présentation transverse, 7 février 2018
- 3. Moi moi moi RomainWillmann
- 4. Objets connectés Big Data Intelligenceartificielle
- 5. Objets connectés Big Data Intelligenceartificielle
- 6. Kevin Ashton, directeurexécutif du Auto-ID Center (MIT) I could be wrong, but I'm fairly sure the phrase Internet of Things started life as the title of a presentation I made at Procter & Gamble in 1999
- 7. Capteur Contrôleur Actionneur Source d’énergie Interfacede communication Approche physique
- 8.
- 9.
- 10. Prise de décision Diffusion AgrégateureAppliance Accumulation Capteur Canal de communication Approche fonctionnelle Environnement
- 14.
- 15. Une demande forte Tailledu marché (dollars) 591 milliards 13 000 milliards Appareils connectés 9,7 milliards 25 milliards 2014 2020
- 16. Secteur Nombre d’appareils connectés(2016 -2017) Industrie +84% Finance & assurance +61% Energie +41% Transport et distribution +40% Secteur public (smart city) +19% Médical +11% Une demande stable
- 17.
- 18. Objets connectés Big Data Intelligenceartificielle
- 19. Volume Variété Vélocité Variabilité Requiertune infrastructure de stockage, manipulation et analyse Guerre des V : véracité, valeur, volatilité, validité, etc… Qu’est-ce que le Big Data?
- 20. Métadonnées Données Donnée non-structurée Près de90% des données Sens difficilement compréhensible par une machine (image, son, texte…) Valeur énorme pour les entreprises Donnée structurée Sens immédiat pour une machine Produite par les machines ou mises en forme (bases de données) Base de l’informatique mais pauvre en sens Les formes de données
- 21. Année Coût moyende 1Go (en $ constants) 1980 437,500 1985 105,000 1990 11,200 1995 1,120 2000 11.00 2005 1.24 2010 0.09 2013 0.05 2014 0.03 2015 0.022 2016 0.019 Emergence du Cloud (AWS, 2006) dont le prix baisse constamment Progrès logiciels : NoSQL, compression… Une hausse continue des capacités de stockage
- 22. Démocratisation de la technologie Progrès économique Convergence des modesde vie Numérisation des sociétés En 2017, chaque minute sur : Il se passe Amazon 258K$ de produits achetés Google 3,6M recherches The Weather Channel 18M de requêtes traitées Skype 154K appels lancés Snapchat 527K photos partagés YouTube 4,1M de vidéos regardées Une production croissante de données A moyen terme, toute la population mondiale sera reliée à Internet (2012 : 2,5Mds de personnes reliées à Internet; 2017 : 3,7Mds)
- 23. Collecte Préparation Analyse Action Emergence d’un nouveauparadigme scientifique Data science is the extraction of actionable knowledge directly from data through a process of discovery, or hypothesis formulation and hypothesis testing Discipline hybride: mathématiques, statistiques, économétrie… Importance de la modélisation
- 24. Le cas GoogleFlu Trends (2008 -2015)
- 25. Doctrine assez présente dans l’industrie Paradigme technique,social et économique Solutionnisme technique Le Big Data comme fin en soi : le dataism An obsession with data has led to the idea that good data handling can provide infinite results without other types of planning - David Brooks
- 26. Objets connectés Big Data Intelligenceartificielle
- 27. Artificial Intelligence is thescience and engineering of making intelligent machines - John McCarthy, 1956 Perception Apprentissage Abstraction Raisonnement Définition
- 28. IA faible, IA forte Transposition dela loi de Moore à l’IA Amélioration récursive puis conscience It is an idea mostly believed by people not working in artificial intelligence. People like the philosopher Nick Bostrom, and the futurist and inventor Ray Kurzweil - Pr Toby Walsh La peur de la Singularité
- 29. Traitement procédural Apprentissage statistique Adaptation contextuelle Manière de programmer unecapacité de traitement de l’information Les trois formes d’intelligence artificielle
- 30. La machine exploredes cas spécifiques Le programme contient des règles qui représentent la connaissance dans un domaine spécifique L’expertise est créée par l’humain Capacité de raisonnement dans un cadre nettement délimité Pas d’apprentissage et mauvais traitement de l’incertitude Phase 1 : traitement procédural
- 31. Une application :la voiture sans pilote
- 32. Le modèle proposedes solutions statistiques qui s’affinent dans le temps Perception Apprentissage Le modèle est entraîné sur un gros volume de données L’homme crée un modèle statistique appliqué à un domaine Requiert une bonne compréhension du domaine (corpus) Capacités de classifications nuancées et de prédiction Aucune adaptation contextuelle et faible capacité de raisonnement Phase 2 : apprentissage statistique
- 33. Premier enjeu :fiabilité des modèles Garbage In, Garbage Out
- 34. Deuxième enjeu :statistiquement impressionnant, ponctuellement peu fiable Faux positif, faux négatif
- 35. Troisième enjeu :la responsabilité
- 36. Construction de modèle pour expliquerdes phénomènes Adaptation contextuelle Limites techniques fortes : chaos, hasard… Limite dans la compréhension humaine du monde Le futur : l’IA généraliste
Notes de l'éditeur
- #2 Photo : anna sondej
- #4 Romain Willmann, étudiant & intervenant à emlyon business school. Classes préparatoires puis Programme Grande Ecole, parcours Droit. Passion pour l’informatique depuis l’âge de 13 ans. Publication d’un ouvrage aux Editions Ellipses sur le développement Web : https://www.amazon.fr/Apprendre-Applications-Javascript-Node-Js-Mongodb/dp/2340016789/ Une formation complète à la cybersécurité est disponible en distanciel : https://www.unow.fr/formations/sensibilisation-cybersecurite/ Contact : Twitter : @rwillmann LinkedIn : https://www.linkedin.com/in/rwillmann/ YouTube : https://www.youtube.com/channel/UCtBXgnQ5Rmx87yNT1Os83mg/ Mail : romain-willmann@edu.em-lyon.com
- #5 Photo : Annie Spratt
- #6 Photo : Annie Spratt
- #7 Kevin Ashton est le co-fondateur et directeur exécutif du Auto-ID Center Citation: I could be wrong, but I'm fairly sure the phrase "Internet of Things" started life as the title of a presentation I made at Procter & Gamble (P&G) in 1999. Linking the new idea of RFID in P&G's supply chain to the then-red-hot topic of the Internet was more than just a good way to get executive attention. It summed up an important insight—one that 10 years later, after the Internet of Things has become the title of everything from an article in Scientific American to the name of a European Union conference, is still often misunderstood. Source : http://www.rfidjournal.com/articles/view?4986 Photo: YouTube, https://i.ytimg.com/vi/nWHV3fNnKZQ/maxresdefault.jpg
- #8 Tout objet connecté repose sur le principe ETS : entrée, traitement et sortie de l’information. L’IoT est plus ou moins inséparable de l’électronique et n’est pas une apparition récente. Premier appareil connecté stricto sensu: 1832, Samuel Morse et son télégraphe Trois composants fondamentaux : Les capteurs collectent de l’information d’un environnement. Parfois nommé générateurs de signaux, sondes ou transducteurs de mesure mais surtout pas senseur qui est une mauvaise transposition de l’anglais sensor. Le contrôleur agrège et structure l’information et agit ou non sur l’actionneur La sortie se fait par les actionneurs (ou actuateurs qui transforment l’information en action sur l’environnement Autres composants : source d’énergie (pile, batterie…) et interface de communication (réseau, radio…) Photo: Blocks par Mark Sze , https://www.flickr.com/photos/marksze/4189330457/
- #9 Un exemple de contrôleur « grand public »: l’Arduino Uno. Coûte une quinzaine d’euros et permet de contrôler plus ou moins n’importe quel composant électronique Photo: Arduino par Laura Barrio, https://www.flickr.com/photos/hachimaki123/27122209534/
- #10 Un exemple autre exemple de contrôleur « grand public »: Raspberry Pi. Coûte une quarantaine d’euros et est beaucoup plus complet que l’Arduino. Véritable système informatique (Linux) qui peut être utilisé comme un ordinateur. Photo: Raspberry Pi, https://www.flickr.com/photos/gijsbertpeijs/7988262046/
- #11 Modèle proposé par le NSIT, organisme américain de formalisation de la technologie, en juillet 2016. Ce modèle ne dépend d’aucune technologie et est transposable à tout objet connecté (SCADA avec un contrôle électromécanique par exemple) Source : NIST Special Publication 800-183 , Networks of ‘Things’. Disponible en ligne : http://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.800-183.pdf Citation : The model's five building blocks, called "primitives," are core components of distributed systems. They provide a vocabulary to compare different NoTs that can be used to aid understanding of IoTs. Let's use an example of a simple NoT in a home to understand the primitives. The NoT is programmed to turn off the overhead light if no one is in the living room. The first primitive is a sensor, in this case a motion detector, that measures physical properties. The second primitive, a communications channel, transmits the data from the motion sensor to an aggregator primitive. The aggregator is software that processes the sensor's raw data into information using an external utility primitive such as a laptop computer. The decision-trigger primitive determines whether or not the light should be turned off. Photo : Night view at Cargo Pier, Kennedy Town, Hong Kong par james j8246, https://www.flickr.com/photos/127437870@N08/15766933722/
- #15 Si le développement de l’IoT est une tendance longue, apparaissant finalement dès le début de l’électronique, le concept se développe très fortement depuis 2010. S’explique principalement par la disparition de tous les obstacles techniques à la généralisation de l’IoT. 3 principaux facteurs: Conjecture de Moore (env. 1971) : le nombre (et la puissance) d’un processeur double plus ou moins tous les 18 mois. Assure en tout cas de bénéficier de systèmes de plus en plus intelligents, petits, puissants et économiques Loi de Meltcafe (inventeur de l’Ethernet) : L’utilité d’un réseau est proportionnelle au carré du nombre de ses utilisateurs. Un réseau devient de plus en plus intéressant à exploiter lorsque son nombre de membres augmente. Marche aussi dans l’autre sens : condamne le Minitel et le fax lorsque leur nombre d’utilisateurs est fortement limité ou décroît IPv6 : permet de connecter un appareil sur Internet en lui donnant une adresse IP. La version précédente (IPv4) limitait le nombre total d’appareils connectés simultanément à 4 milliards. IPv6 en autorise 10^38 (500+ millions de milliards d’appareils connectés par cm² sur la Terre). Principal effet : plus de limite au nombre d’objets connectés Les deux lois relèvent plus de prophéties auto réalisatrices, qui ont eu pour effet de faciliter le financement de la R&D informatique et assurer son expansion. Sur la loi de Moore, lire notamment : http://www.wired.co.uk/article/wired-explains-moores-law Photo: RAF Reaper MQ-9 Remotely Piloted Air System, https://www.flickr.com/photos/defenceimages/5755016315/
- #16 Source : Verizon, State of the Market THE INTERNET OF THINGS 2015 Discover how IoT is transforming business results. A noter que Verizon est extrêmement conservateur sur le nombre d’appareils connectés en 2019. IDC mentionne ainsi 250 milliards d’appareils. L’hypothèse de Verizon est néanmoins maintenue en 2018. Photo : RFID Judith Klein https://www.flickr.com/photos/juditk/4698846693
- #17 Source : Verizon, State of the Market THE INTERNET OF THINGS 2017 Making way for the enterprise De manière amusante, les secteurs les plus médiatisés (smart city, médical) sont assez peu moteurs. Ceci s’explique en partie par le fait que l’IoT favorise les secteurs capitalistiques et qui disposent des capacités financières pour y investir. La finance est un secteur traditionnellement à la pointe de la technologie (carte de crédit, ATM, câble transatlantique en 1858, fibre optique, HTF, risques & fraudes, cryptomonnaies…). Le marché est ainsi tiré par les investissements du secteur inductriel. Le rapport estime que l’industrie mondiale a investi 183 milliards de dollars en IoT en 2017, le transport a investi 85 milliards et le secteur des utilities, 66 milliards Photo: Factory par Peter Miller, https://www.flickr.com/photos/pmillera4/9488100837
- #18 Sur la sécurité des objets connectés, voir mon intervention : https://youtu.be/tgA0jXKnxuw Sur la règlementation, lire : https://krebsonsecurity.com/2017/08/new-bill-seeks-basic-iot-security-standards/ Photo : Brandon Mowinkel
- #19 Photo : Annie Spratt
- #20 Référence : http://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.1500-1.pdf (septembre 2015) Citation : Big Data consists of extensive datasets primarily in the characteristics of volume, variety, velocity, and/or variability that require a scalable architecture for efficient storage, manipulation, and analysis La definition du NIST est une reprise du modèle proposé par Gartner (ajout de la variabilité). Les 4 V sont donc: Volume : taille du jeu de données Variété : types et provenance des données Vélocité : fréquence d’acquisition et de mise à jour des données Variabilité : possibilité de changer des éléments Si ces quatre éléments sont réunis, on peut légitimement parler de Big Data. A noter: aucun de ces quatre éléments n’est défini de manière quantitative ou qualitative. Guerre des V : de nombreux acteurs ont enrichi / prolongé cette definition en ajoutant un ou plusieurs V, notamment : véracité (exactitude de la donnée), valeur (rareté et utilité des données), validité (de la donnée dans un contexte donné) ou volatilité (changement de la donnée dans le temps). Photo : Florian van Duyn
- #21 Référence : Citations : One important concept to Big Data is metadata, which is often described as “data about data.” Metadata describes additional information about the data such as how and when data was collected and how it has been processed. Metadata should itself be viewed as data with all the requirements for tracking, change management, and security. Many standards are being developed for metadata, for general metadata coverage Semantic metadata, another type of metadata, refers to the description of a data element to assist with proper interpretation. An ontology can be conceptualized as a graphic model, representing a semantic relationship between entities. Taxonomies represent in some sense metadata about data element relationships. Taxonomy is a hierarchical relationship between entities, where a data element is broken down into smaller component parts. Sur les données non-structurées, voir : https://www.webopedia.com/TERM/U/unstructured_data.html Photo : Matthew Henry
- #22 Source du coût de stockage : https://www.statisticbrain.com/average-cost-of-hard-drive-storage/ (2 septembre 2016) Sur la baisse tendancielle des coûts du Cloud, lire : http://www.businessinsider.fr/us/cloud-computing-price-war-in-one-chart-2015-1/?op=1 Sur l’amelioration des outils de compression, lire : http://techmeup.net/history-data-compression-infographic/ Quelques dates : LZ77 (compression avec dictionnaire, 1977), LZW (utilisé dans les modems, 1980), ZIP et MP3 (1989), PNG (1996)… Voir la série Silicon Valley sur l’importance de la compression Référence : http://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.1500-1.pdf (septembre 2015) Citation : estimates show that the amount of data in the world doubles every two years. Should this trend continue, by 2020 there would be 500 times the amount of data as existed in 2011. The data volumes have stimulated new ways for scalable storage across a collection of horizontally coupled resources.
- #23 Sur les statistiques, voir notamment : https://www.socialmediatoday.com/technology-data/how-much-data-generated-every-minute-infographic Sur l’accumulation, la citation d’Eric Schmidt : http://www.kurzweilai.net/eric-schmidt-every-2-days-we-create-as-much-information-as-we-did-up-to-2003 Photo : Redd Angelo
- #24 Référence : Photo : Umari Bethan
- #25 Sur les faux-semblants du Big Data : https://www.newyorker.com/tech/elements/how-to-call-bullshit-on-big-data-a-practical-guide Sur le cas GFT : https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/ Citation : And then, GFT failed—and failed spectacularly—missing at the peak of the 2013 flu season by 140 percent. When Google quietly euthanized the program, called Google Flu Trends (GFT), it turned the poster child of big data into the poster child of the foibles of big data. Photo : Kelly Sikkema
- #26 Référence : https://www.ft.com/content/50bb4830-6a4c-11e6-ae5b-a7cc5dd5a28c Citation : if you experience something — record it. If you record something — upload it. If you upload something — share it. Sur le dataism, lire : https://www.techopedia.com/definition/14808/data-ism Photo : Tom Pumford
- #27 Photo : Annie Spratt
- #28 Alan Turing et le jeu de l’imitation. Son article "Computing Machinery and Intelligence" a été publié en 1950 dans le journal Mind. Source : Homage to John McCarthy, the father of Artificial Intelligence (AI), June 2, 2017/ Andy Peart / Citation : It was in the mid-1950s that McCarthy (September 4, 1927 – October 24, 2011) coined the term “Artificial Intelligence” which he would define as “the science and engineering of making intelligent machines”. McCarthy presented his definition at a conference on the campus of Dartmouth College in the summer of 1956 indicating the beginning of AI research, and the attendees, including John McCarthy, became the leaders of AI research for many decades. McCarthy était un professeur de l’université de Stanford et un pionnier de l’intelligence artificielle. Il a notamment créé le langage Lisp. Première IA qui a plus ou moins passé le test de Turing : ELIZA (1964-1966), créé par Joseph Weizenbaum au MIT Artificial Intelligence Laboratory. Le modèle de la DARPA divise l’intelligence en quatre facultés : Percevoir : une information riche, complexe et subtile Apprendre : dans un environnement Créer des abstractions et de nouvelles significations Raisonner pour planifier et agir Source : https://www.darpa.mil/about-us/darpa-perspective-on-ai Photo : Edgar
- #29 Sur les limites des theories de la singularité, IA forte et faible, voir notamment : https://www.slideshare.net/carologic/ai-and-machine-learning-demystified-by-carol-smith-at-midwest-ux-2017 Lire le point de vue d’un praticien de l’IA : https://www.wired.co.uk/article/elon-musk-artificial-intelligence-scaremongering Citation complète : Most people working in AI like myself have a healthy skepticism for the idea of the singularity. We know how hard it is to get even a little intelligence into a machine, let alone enough to achieve recursive self-improvement. There are many technical reasons why the singularity might never happen. We might simply run into some fundamental limits. Every other field of science has fundamental limits. You can’t, for example, accelerate past the speed of light. Perhaps there are some fundamental limits to how smart you can be? Or perhaps we run into some engineering limits. Did you know Moore’s Law is officially dead? Intel is no longer looking to double transistor count every 18 months. But even if we do get to the singularity, machines don’t have any consciousness, any sentience. They have no desires or goals other than the ones that we give them. Photo : Jehyun Sung
- #30 Trois vagues, qui ne sont pas mutuellement exclusives : Traitement procédural (handcrafted knowledge) : l’objectif de cette forme d’IA est de décrire. Manière historique de faire de l’informatique Apprentissage statistique (statistical learning) : cette forme d’IA vise à catégoriser. Apparu dans les années 80-90 puis a connu un regain d’intérêt dans la première moitié des années 2000. Paradigme actuellement exploré par la recherche et les entreprises Adaptation contextuelle (contextual adaptation) : cette IA serait capable de décrire et de catégoriser mais surtout d’expliquerdes phénomènes complexes et comment elle prend des decisions. La DARPA estime qu’on n’y est pas du tout. Source : https://www.darpa.mil/about-us/darpa-perspective-on-ai Photo : Taton Moïse
- #31 Forme historique d’intelligence artificielle, paradigme de l’informatique depuis Von Neumann. Forces : raisonnement, perception Faiblesses : apprentissage, abstraction Fait d’arme notable : Deep Blue vs Gary Kasparov, 10 février 1996 Source : https://www.darpa.mil/about-us/darpa-perspective-on-ai Source : https://en.wikipedia.org/wiki/Deep_Blue_(chess_computer) Citations : Deep Blue won its first game against a world champion on 10 February 1996, when it defeated Garry Kasparov in game one of a six-game match. However, Kasparov won three and drew two of the following five games, defeating Deep Blue by a score of 4–2. Deep Blue was then heavily upgraded, and played Kasparov again in May 1997. Deep Blue won game six, therefore winning the six-game rematch 3½–2½ and becoming the first computer system to defeat a reigning world champion in a match under standard chess tournament time controls. (…) Development for Deep Blue began in 1985 with the ChipTest project at Carnegie Mellon University. (…) Grandmaster Joel Benjamin was also part of the development team. Photo : Luiz Hanfilaque Deep Blue, with its capability of evaluating 200 million positions per second, was the fastest computer to face a world chess champion. Modern chess programs like Houdini, Rybka, Deep Fritz or Deep Junior are more efficient than the programs during Deep Blue's era. In a November 2006 match between Deep Fritz and world chess champion Vladimir Kramnik, the program ran on a computer system containing a dual-core Intel Xeon 5160 CPU, capable of evaluating only 8 million positions per second, but searching to an average depth of 17 to 18 plies in the middlegame thanks to heuristics; it won 4–2.
- #32 DARPA Autonomous Vehicle Grand Challenge (2000 – 2004) : parcourir 132 miles en moins de dix heures. En 2004 : 0 circuit complété, meilleur score : 7,5 miles En 2005 : 5 participants finissent le parcours (sur 195), meilleur temps pour Stanford (6h53) Sur le challenge, lire: https://www.darpa.mil/news-events/2014-03-13 Image : domaine public, https://en.wikipedia.org/wiki/File:ElementBlack2.jpg
- #33 Perception + apprentissage Forces : perception, apprentissage Faiblesses : abstraction, raisonnement Source : https://www.darpa.mil/about-us/darpa-perspective-on-ai Photo : Roman Mager
- #34 Références : https://www.theverge.com/2018/1/12/16882408/google-racist-gorillas-photo-recognition-algorithm-ai (2015) http://images.complex.com/complex/image/upload/t_in_content_image/tay-hitler_o4kq62.jpg (2016) http://www.complex.com/pop-culture/2013/01/superhuman-computer-watson-has-a-potty-mouth (2013) Photo : Mark Skeet
- #35 Référence du panda et du bébé : https://www.darpa.mil/about-us/darpa-perspective-on-ai Seconde photo : https://cvdazzle.com/ Il s’agit d’une résurgence du camouflage disruptif (razzle dazzle) de la première guerre mondiale : https://en.wikipedia.org/wiki/Dazzle_camouflage Photo : sven tillack
- #36 Références : https://www.autoblog.com/2018/01/23/tesla-autopilot-crash-fire-truck-ntsb/ (2018) https://motherboard.vice.com/en_us/article/bjye8a/reddit-fake-porn-app-daisy-ridley. Comptez à peu près 350 photos et six heures d’entraînement pour des résultats convaincants (2018) https://techcrunch.com/2015/08/22/artificial-intelligence-legal-responsibility-and-civil-rights/ (2015) https://www.wired.com/story/face-swap-porn-legal-limbo/
- #37 Référence : https://www.darpa.mil/about-us/darpa-perspective-on-ai Citation : systems construct contextual explanatory models for classes of real world phenomena Décision + explication : Training Data Learning Process Explainable Model Explanation Interface Photo : Sebastian Kanczok
- #38 Photo : anna sondej