Le document présente une synthèse de l'intelligence artificielle, de son histoire depuis 1956 jusqu'à ses dernières avancées, notamment le machine learning et les réseaux de neurones. Il discute des motivations contemporaines pour son développement, telles que les avancées technologiques et l'accès aux grandes quantités de données. Enfin, il aborde les applications pratiques de l'IA dans la vie quotidienne ainsi que les méthodes de mise en œuvre disponibles.

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

4. 1956
conférence de Dartmouth

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

43. Pourquoi maintenant ?

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

51. Représentation d’un neurone

52. Représentation d’un neurone

53. Représentation d’un neurone

54. Représentation d’un neurone

55. Structure d’un neurone

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

58. classification binaire

59. c’est un chien ou un chat ?

60. TAILLE DOMESTIQUE
5
4
3
1
2
4
1
5
2
2

61. commençons l'entraînement
du perceptron

62. TAILLE
DOMESTIQUE CHIEN ?
Perceptron

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

67. 5
TAILLE
DOMESTIQUE
5
10
10
(2,2)
(5,4)
8,4
8,4

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

70. 5
TAILLE
DOMESTIQUE
5
10
10
8,4
4.4
(2,2)
(5,4)

71. 5
TAILLE
DOMESTIQUE
5
10
10
8,4
4.4
(2,2)
(5,4)

72. TAILLE
DOMESTIQUE CHIEN ?
>10
2.3
1.2
Perceptron final
(entraîné à répondre à la question)

73. évolutions

74. Perceptron multicouches (MLP)

75. TAILLE
DOMESTIQUE CHIEN ?
Ces données peuvent être également le fruit du training
Fonction
d’activation
bias

76. Le réseau de neurones

77. INPUT
LAYER
OUTPUT
LAYER
HIDDEN
LAYER

78. INPUT
LAYER
OUTPUT
LAYER
HIDDEN
LAYER
7
1.5
1.8
0.2
0.5
2.1
0.1
Feedforward

79. INPUT
LAYER
OUTPUT
LAYER
HIDDEN
LAYERS

80. INPUT
LAYER
OUTPUT
LAYER
HIDDEN
LAYERS

81. Deep network
On considère qu’un réseau de neurone est
profond (deep) quand il possède plus de 3
couches de neurones cachés

83. Machine learning
l’apprentissage automatique

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

87. L’apprentissage supervisé
supervised learning

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

95. L’apprentissage non-supervisé
unsupervised learning

97. AlphaGo
Demis Hassabis - Google Deepmind 11:17

98. L’IA au quotidien

99. Assistants vocaux

100. Assistants vocaux

101. Assistants vocaux

102. reconnaissance vocale
analyse textuelle
text to speech

105. Les avancées technologiques

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