Le Deep Learning est la nouvelle révolution dans le monde de l’Intelligence Artificielle. Les systèmes de reconnaissance vocale et d’image fleurissent de toutes parts. Le Deep Learning est-il aussi utile pour votre entreprise ?
Si vous ne traitez pas que des images, quels Use Cases vous reste-t-il ? Quelles sont les solutions à votre disposition si vous ne possédez pas une grande quantité de données ? En quoi cette approche est-elle différente du Machine Learning classique ? Peut-on facilement interpréter les résultats fournis par ces “black-boxes” ? Est-il d’ores et déjà possible d’aller au-delà du POC ? Est-ce que votre SI va être impacté ? Comment confronter vos résultats à la réalité ?
Au cours de cette présentation, nous passerons en revue ces différentes questions et apporterons des solutions exploitables afin de mettre en application le Deep Learning en entreprise. Même si tout le monde ne s’appelle pas Google ou Facebook ou que vous n’avez pas des To de données à analyser, nous verrons qu’il est possible d’exploiter au mieux la puissance de ces algorithmes et d’en tirer bénéfice rapidement.
L'IA au service des Laboratoire - Conference donnée a Paris le 6 Février 2024YvonGervaise
En Partage Version française de ma Conférence faite à Paris le 6 Fevrier 2024 au 1st Green Analytical Chemistry Workshop avec pour Thème l'intelligence Artificielle au service des laboratoires
L'Intelligence Artificielle I.A. au service des LaboratoiresYvon Gervaise
En partage la version française de ma Conférence faite à Paris le 6 février 2024 au 1st Green Analytical Chemistry Workshop avec pour Thème : "L'Intelligence Artificielle au service des Laboratoires "
Le Deep Learning est la nouvelle révolution dans le monde de l’Intelligence Artificielle. Les systèmes de reconnaissance vocale et d’image fleurissent de toutes parts. Le Deep Learning est-il aussi utile pour votre entreprise ?
Si vous ne traitez pas que des images, quels Use Cases vous reste-t-il ? Quelles sont les solutions à votre disposition si vous ne possédez pas une grande quantité de données ? En quoi cette approche est-elle différente du Machine Learning classique ? Peut-on facilement interpréter les résultats fournis par ces “black-boxes” ? Est-il d’ores et déjà possible d’aller au-delà du POC ? Est-ce que votre SI va être impacté ? Comment confronter vos résultats à la réalité ?
Au cours de cette présentation, nous passerons en revue ces différentes questions et apporterons des solutions exploitables afin de mettre en application le Deep Learning en entreprise. Même si tout le monde ne s’appelle pas Google ou Facebook ou que vous n’avez pas des To de données à analyser, nous verrons qu’il est possible d’exploiter au mieux la puissance de ces algorithmes et d’en tirer bénéfice rapidement.
L'IA au service des Laboratoire - Conference donnée a Paris le 6 Février 2024YvonGervaise
En Partage Version française de ma Conférence faite à Paris le 6 Fevrier 2024 au 1st Green Analytical Chemistry Workshop avec pour Thème l'intelligence Artificielle au service des laboratoires
L'Intelligence Artificielle I.A. au service des LaboratoiresYvon Gervaise
En partage la version française de ma Conférence faite à Paris le 6 février 2024 au 1st Green Analytical Chemistry Workshop avec pour Thème : "L'Intelligence Artificielle au service des Laboratoires "
Forum Labo Version DEF par Yvon Gervaise.pdfYvon Gervaise
Conférence de Yvon Gervaise
Forum Labo 2023 Paris 30/3/23
L'Intelligence Artificielle une opportunité pour les Laboratoires
" la puissance des algorithmes de Machine Learning ouvre une nouvelle ère pour le Laboratoire du Futur "
BIPEA 2023 Yvon Gervaise : L'IA Matrice du Laboratoire du Futur ..YvonGervaise
L’INTELLIGENCE ARTIFICIELLE CHALLENGE POUR LES LABORATOIRES DANS LES PROCHAINES ANNEES ?
L’I.A : Matrice du Laboratoire du Futur …
Voici le support de ma #Conference faite lors des Rencontres Techniques #BIPEA 2023
Il y est aussi question de nouveautés #PhenoMatrix , #IAGenerative #BingGPT4 …
#LaboratoireduFutur #Laboratoires
Via #ExpertScience ( E.S.C. ExpertScience - Consulting
Parlez-vous le langage IA ? 30 notions pour comprendre l'IABigBrain Evolution
Parlez-vous le langage IA ?
Bonjour à tous !
Pour les personnes qui débutent (mais pas que ! 😉) et souhaiteraient comprendre un peu mieux l'écosystème actuel de l'IA, voici quelques images qui vous permettront de prendre connaissance du lexique indispensable à connaitre pour aborder ce domaine.
Ce lexique vous permettra de comprendre des articles, des reportages ou n'importe quel contenu abordant ce domaine car il contient des éléments clés constituant une bonne part de sa colonne vertébrale. Bien-sûr, ce domaine est ancien (+ 70 ans) et assez technique, il ne se limite donc pas exclusivement à ces termes mais c'est un bon début général pour le grand public qui permet d'amorcer une compréhension plus approfondie par la suite en effectuant ses propres recherches.
Voilà, bonne lecture ! 😁
Visitez-nous à www.bigbrainevolution.com !
Comment le Data et Deep Learning révolutionnent la sciencehabib200
Conférence sur le thème : Intelligence artificielle et Internet des objets. Organisée par : le laboratoire de technologie de l'information et modélisation (TIM) , Faculté des sciences Ben M'Sik, univérsité Hassan II Casablanca
Fr & En
Fr
L'apprentissage automatique (en anglais machine learning, littéralement « apprentissage machine ») ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d' « apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
En
Machine learning is a subfield of artificial intelligence (AI). The goal of machine learning generally is to understand the structure of data and fit that data into models that can be understood and utilized by people.
Although machine learning is a field within computer science, it differs from traditional computational approaches. In traditional computing, algorithms are sets of explicitly programmed instructions used by computers to calculate or problem solve. Machine learning algorithms instead allow for computers to train on data inputs and use statistical analysis in order to output values that fall within a specific range. Because of this, machine learning facilitates computers in building models from sample data in order to automate decision-making processes based on data inputs.
Softshake 2015 - Des small data aux big data - Méthodes et TechnologiesOCTO Technology Suisse
L'importance de la donnée et les informations que nous pouvons en tirer sont en train de révolutionner notre monde. De plus en plus massives et hétérogènes, l'exploitation de ces données induit de faire appel à de nouvelles méthodes et technologies. Ces évolutions récentes en termes de moyens de stockage, de capacités de calcul et de méthodes d'analyse donnent une nouvelle place aux données dans notre quotidien.
Cette présentation offre une découverte du monde du big data en introduisant les différentes méthodes et technologies utilisées et en les illustrant de plusieurs cas pratiques.
Vous êtes responsable MOA ou MOE et vous vous interrogez sur les possibilités du Machine Learning ?
Vous avez déjà rapidement entendu parler de classification supervisée, de prédiction, de recommandation … mais vous n’en comprenez pas réellement les tenants et les aboutissants ?
Cette présentation est faite pour vous!
Vous trouverez :
- une définition concise
- les grands principes du ML
- les problématiques auxquelles répond le ML
- les étapes à suivre
- les prémices d’un projet
- les indicateurs à prendre en compte lors du choix de l’algorithme à utiliser
Aujourd’hui, tous les métiers sont concernés par le Machine Learning, alors n’ayez pas peur de vous lancer! C’est à vous!
Si vous avez des questions, les commentaires sont les bienvenus.
Ces dernières décennies nous assistons de plus en plus à l'utilisation de l'expression des systèmes Intelligents dans les domaines qui s'appuient sur la technologie informatique. Elle devient courante au fur et à mesure que les techniques informatiques s'intéressent aux activités humaines. Les systèmes intelligents font maintenant partis de notre quotidien comme en témoigne l'existence de nombreuses applications qui s'adossent sur les paradigmes de l'intelligence artificielle.
BIPEA 2023 L'IA Matrice du Laboratoire du Futur par Yvon GervaiseYvon Gervaise
L’INTELLIGENCE ARTIFICIELLE CHALLENGE POUR LES LABORATOIRES DANS LES PROCHAINES ANNEES ?
L’I.A : Matrice du Laboratoire du Futur …
Voici le support de ma #Conference faite lors des Rencontres Techniques #BIPEA 2023
Il y est aussi question de nouveautés #PhenoMatrix , #IAGenerative #BingGPT4 …
#LaboratoireduFutur #Laboratoires
Via #ExpertScience ( E.S.C. ExpertScience - Consulting
Le Machine Learning pour lutter contre les menaces en termes de Cybersécurité...Philippe Beraud
Avec l'agilité et l'échelle du Cloud, la capacité des machines à analyser rapidement et à répondre des quantités sans précédent de données devient indispensable comme la fréquence, l'échelle et la sophistication des cyberattaques ne cessent d'augmenter. Extraire les signaux d'un attaquant de milliards d'événements de log en quasi réel temps depuis un stockage à l'échelle du Pétaoctet est une tâche ardue.
L'application des algorithmes de Machine Learning aux vastes quantités de données issues des logs et de la télémétrie recueillies par les différents services donne une connaissance et une capacité de détection d'anomalies sans précédent pour identifier les comportements malveillants ou les entités malveillantes ; appelez-les hackers, attaquants, logiciel malveillant, comportement indésirable, etc. Ces techniques contribuent à identifier les menaces plus efficacement que d'autres approches pilotées par logiciel pour défendre les services Cloud de Microsoft, son infrastructure et ses clients.
Cette session s’intéressera à la façon dont le Machine Learning et désormais le Transfer Learning peuvent être appliqués à la Cybersécurité à chaque niveau de défense (prévention, détection et remédiation) et illustrera comment cela se traduit dans les services proposés à nos clients.
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...Juba Ait idir
L’objectif lors de ce mémoire, est de pouvoir classifier des image IRM de tumeurs cérébrales. Cela en s’appuyant sur la puissance des paramètres de modèles du Deep Learning et quelques mesures de performances résultantes du traitement de l’apprentissage automatique.
Classifier des tumeurs cérébrales, en développant deux modèles de réseaux de neurones convolutifs (classique et transfert learning).
La problématique posée: Quels sont les paramètres sensibles pour augmenter les performances de ces modèles ?
OCTO TALKS : 4 Tech Trends du Software Engineering.pdfOCTO Technology
En cette année 2024 qui s’annonce sous le signe de la complexité, avec :
- L’explosion de la Gen AI
-Un contexte socio-économique sous tensions
- De forts enjeux sur le Sustainable et la régulation IT
- Une archipélisation des lieux de travail post-Covid
Découvrez les Tech trends incontournables pour délivrer vos produits stratégiques.
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...OCTO Technology
Par Nicolas Bordier (Consultant numérique responsable @OCTO Technology) et Alaric Rougnon-Glasson (Sustainable Tech Consultant @OCTO Technology)
Sur un exemple très concret d’audit d’éco-conception de l’outil de bilan carbone C’Bilan développé par ICDC (Caisse des dépôts et consignations) nous allons expliquer en quoi l’ACV (analyse de cycle de vie) a été déterminante pour identifier les pistes d’actions pour réduire jusqu'à 82% de l’empreinte environnementale du service.
Vidéo Youtube : https://www.youtube.com/watch?v=7R8oL2P_DkU
Compte-rendu :
Contenu connexe
Similaire à Principes généraux de l'intelligence artificielle en imagerie médicale
Forum Labo Version DEF par Yvon Gervaise.pdfYvon Gervaise
Conférence de Yvon Gervaise
Forum Labo 2023 Paris 30/3/23
L'Intelligence Artificielle une opportunité pour les Laboratoires
" la puissance des algorithmes de Machine Learning ouvre une nouvelle ère pour le Laboratoire du Futur "
BIPEA 2023 Yvon Gervaise : L'IA Matrice du Laboratoire du Futur ..YvonGervaise
L’INTELLIGENCE ARTIFICIELLE CHALLENGE POUR LES LABORATOIRES DANS LES PROCHAINES ANNEES ?
L’I.A : Matrice du Laboratoire du Futur …
Voici le support de ma #Conference faite lors des Rencontres Techniques #BIPEA 2023
Il y est aussi question de nouveautés #PhenoMatrix , #IAGenerative #BingGPT4 …
#LaboratoireduFutur #Laboratoires
Via #ExpertScience ( E.S.C. ExpertScience - Consulting
Parlez-vous le langage IA ? 30 notions pour comprendre l'IABigBrain Evolution
Parlez-vous le langage IA ?
Bonjour à tous !
Pour les personnes qui débutent (mais pas que ! 😉) et souhaiteraient comprendre un peu mieux l'écosystème actuel de l'IA, voici quelques images qui vous permettront de prendre connaissance du lexique indispensable à connaitre pour aborder ce domaine.
Ce lexique vous permettra de comprendre des articles, des reportages ou n'importe quel contenu abordant ce domaine car il contient des éléments clés constituant une bonne part de sa colonne vertébrale. Bien-sûr, ce domaine est ancien (+ 70 ans) et assez technique, il ne se limite donc pas exclusivement à ces termes mais c'est un bon début général pour le grand public qui permet d'amorcer une compréhension plus approfondie par la suite en effectuant ses propres recherches.
Voilà, bonne lecture ! 😁
Visitez-nous à www.bigbrainevolution.com !
Comment le Data et Deep Learning révolutionnent la sciencehabib200
Conférence sur le thème : Intelligence artificielle et Internet des objets. Organisée par : le laboratoire de technologie de l'information et modélisation (TIM) , Faculté des sciences Ben M'Sik, univérsité Hassan II Casablanca
Fr & En
Fr
L'apprentissage automatique (en anglais machine learning, littéralement « apprentissage machine ») ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d' « apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
En
Machine learning is a subfield of artificial intelligence (AI). The goal of machine learning generally is to understand the structure of data and fit that data into models that can be understood and utilized by people.
Although machine learning is a field within computer science, it differs from traditional computational approaches. In traditional computing, algorithms are sets of explicitly programmed instructions used by computers to calculate or problem solve. Machine learning algorithms instead allow for computers to train on data inputs and use statistical analysis in order to output values that fall within a specific range. Because of this, machine learning facilitates computers in building models from sample data in order to automate decision-making processes based on data inputs.
Softshake 2015 - Des small data aux big data - Méthodes et TechnologiesOCTO Technology Suisse
L'importance de la donnée et les informations que nous pouvons en tirer sont en train de révolutionner notre monde. De plus en plus massives et hétérogènes, l'exploitation de ces données induit de faire appel à de nouvelles méthodes et technologies. Ces évolutions récentes en termes de moyens de stockage, de capacités de calcul et de méthodes d'analyse donnent une nouvelle place aux données dans notre quotidien.
Cette présentation offre une découverte du monde du big data en introduisant les différentes méthodes et technologies utilisées et en les illustrant de plusieurs cas pratiques.
Vous êtes responsable MOA ou MOE et vous vous interrogez sur les possibilités du Machine Learning ?
Vous avez déjà rapidement entendu parler de classification supervisée, de prédiction, de recommandation … mais vous n’en comprenez pas réellement les tenants et les aboutissants ?
Cette présentation est faite pour vous!
Vous trouverez :
- une définition concise
- les grands principes du ML
- les problématiques auxquelles répond le ML
- les étapes à suivre
- les prémices d’un projet
- les indicateurs à prendre en compte lors du choix de l’algorithme à utiliser
Aujourd’hui, tous les métiers sont concernés par le Machine Learning, alors n’ayez pas peur de vous lancer! C’est à vous!
Si vous avez des questions, les commentaires sont les bienvenus.
Ces dernières décennies nous assistons de plus en plus à l'utilisation de l'expression des systèmes Intelligents dans les domaines qui s'appuient sur la technologie informatique. Elle devient courante au fur et à mesure que les techniques informatiques s'intéressent aux activités humaines. Les systèmes intelligents font maintenant partis de notre quotidien comme en témoigne l'existence de nombreuses applications qui s'adossent sur les paradigmes de l'intelligence artificielle.
BIPEA 2023 L'IA Matrice du Laboratoire du Futur par Yvon GervaiseYvon Gervaise
L’INTELLIGENCE ARTIFICIELLE CHALLENGE POUR LES LABORATOIRES DANS LES PROCHAINES ANNEES ?
L’I.A : Matrice du Laboratoire du Futur …
Voici le support de ma #Conference faite lors des Rencontres Techniques #BIPEA 2023
Il y est aussi question de nouveautés #PhenoMatrix , #IAGenerative #BingGPT4 …
#LaboratoireduFutur #Laboratoires
Via #ExpertScience ( E.S.C. ExpertScience - Consulting
Le Machine Learning pour lutter contre les menaces en termes de Cybersécurité...Philippe Beraud
Avec l'agilité et l'échelle du Cloud, la capacité des machines à analyser rapidement et à répondre des quantités sans précédent de données devient indispensable comme la fréquence, l'échelle et la sophistication des cyberattaques ne cessent d'augmenter. Extraire les signaux d'un attaquant de milliards d'événements de log en quasi réel temps depuis un stockage à l'échelle du Pétaoctet est une tâche ardue.
L'application des algorithmes de Machine Learning aux vastes quantités de données issues des logs et de la télémétrie recueillies par les différents services donne une connaissance et une capacité de détection d'anomalies sans précédent pour identifier les comportements malveillants ou les entités malveillantes ; appelez-les hackers, attaquants, logiciel malveillant, comportement indésirable, etc. Ces techniques contribuent à identifier les menaces plus efficacement que d'autres approches pilotées par logiciel pour défendre les services Cloud de Microsoft, son infrastructure et ses clients.
Cette session s’intéressera à la façon dont le Machine Learning et désormais le Transfer Learning peuvent être appliqués à la Cybersécurité à chaque niveau de défense (prévention, détection et remédiation) et illustrera comment cela se traduit dans les services proposés à nos clients.
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...Juba Ait idir
L’objectif lors de ce mémoire, est de pouvoir classifier des image IRM de tumeurs cérébrales. Cela en s’appuyant sur la puissance des paramètres de modèles du Deep Learning et quelques mesures de performances résultantes du traitement de l’apprentissage automatique.
Classifier des tumeurs cérébrales, en développant deux modèles de réseaux de neurones convolutifs (classique et transfert learning).
La problématique posée: Quels sont les paramètres sensibles pour augmenter les performances de ces modèles ?
Similaire à Principes généraux de l'intelligence artificielle en imagerie médicale (20)
OCTO TALKS : 4 Tech Trends du Software Engineering.pdfOCTO Technology
En cette année 2024 qui s’annonce sous le signe de la complexité, avec :
- L’explosion de la Gen AI
-Un contexte socio-économique sous tensions
- De forts enjeux sur le Sustainable et la régulation IT
- Une archipélisation des lieux de travail post-Covid
Découvrez les Tech trends incontournables pour délivrer vos produits stratégiques.
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...OCTO Technology
Par Nicolas Bordier (Consultant numérique responsable @OCTO Technology) et Alaric Rougnon-Glasson (Sustainable Tech Consultant @OCTO Technology)
Sur un exemple très concret d’audit d’éco-conception de l’outil de bilan carbone C’Bilan développé par ICDC (Caisse des dépôts et consignations) nous allons expliquer en quoi l’ACV (analyse de cycle de vie) a été déterminante pour identifier les pistes d’actions pour réduire jusqu'à 82% de l’empreinte environnementale du service.
Vidéo Youtube : https://www.youtube.com/watch?v=7R8oL2P_DkU
Compte-rendu :
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...OCTO Technology
par Claude Camus (Coach agile d'organisation @OCTO Technology) et Gilles Masy (Organizational Coach @OCTO Technology)
Les équipes infrastructure, sécurité, production, ou cloud, doivent consacrer du temps à la modernisation de leurs outils (automatisation, cloud, etc) et de leurs pratiques (DevOps, SRE, etc). Dans le même temps, elles doivent répondre à une avalanche croissante de demandes, tout en maintenant un niveau de qualité de service optimal.
Habitué des environnements développeurs, les transformations agiles négligent les particularités des équipes OPS. Lors de ce comptoir, nous vous partagerons notre proposition de valeur de l'agilité@OPS, qui embarquera vos équipes OPS en Classe Business (Agility), et leur fera dire : "nous ne reviendrons pas en arrière".
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)Laurent Speyser
(Conférence dessinée)
Vous êtes certainement à l’origine, ou impliqué, dans un changement au sein de votre organisation. Et peut être que cela ne se passe pas aussi bien qu’attendu…
Depuis plusieurs années, je fais régulièrement le constat de l’échec de l’adoption de l’Agilité, et plus globalement de grands changements, dans les organisations. Je vais tenter de vous expliquer pourquoi ils suscitent peu d'adhésion, peu d’engagement, et ils ne tiennent pas dans le temps.
Heureusement, il existe un autre chemin. Pour l'emprunter il s'agira de cultiver l'invitation, l'intelligence collective , la mécanique des jeux, les rites de passages, .... afin que l'agilité prenne racine.
Vous repartirez de cette conférence en ayant pris du recul sur le changement tel qu‘il est généralement opéré aujourd’hui, et en ayant découvert (ou redécouvert) le seul guide valable à suivre, à mon sens, pour un changement authentique, durable, et respectueux des individus! Et en bonus, 2 ou 3 trucs pratiques!
L'IA connaît une croissance rapide et son intégration dans le domaine éducatif soulève de nombreuses questions. Aujourd'hui, nous explorerons comment les étudiants utilisent l'IA, les perceptions des enseignants à ce sujet, et les mesures possibles pour encadrer ces usages.
Constat Actuel
L'IA est de plus en plus présente dans notre quotidien, y compris dans l'éducation. Certaines universités, comme Science Po en janvier 2023, ont interdit l'utilisation de l'IA, tandis que d'autres, comme l'Université de Prague, la considèrent comme du plagiat. Cette diversité de positions souligne la nécessité urgente d'une réponse institutionnelle pour encadrer ces usages et prévenir les risques de triche et de plagiat.
Enquête Nationale
Pour mieux comprendre ces dynamiques, une enquête nationale intitulée "L'IA dans l'enseignement" a été réalisée. Les auteurs de cette enquête sont Le Sphynx (sondage) et Compilatio (fraude académique). Elle a été diffusée dans les universités de Lyon et d'Aix-Marseille entre le 21 juin et le 15 août 2023, touchant 1242 enseignants et 4443 étudiants. Les questionnaires, conçus pour étudier les usages de l'IA et les représentations de ces usages, abordaient des thèmes comme les craintes, les opportunités et l'acceptabilité.
Résultats de l'Enquête
Les résultats montrent que 55 % des étudiants utilisent l'IA de manière occasionnelle ou fréquente, contre 34 % des enseignants. Cependant, 88 % des enseignants pensent que leurs étudiants utilisent l'IA, ce qui pourrait indiquer une surestimation des usages. Les usages identifiés incluent la recherche d'informations et la rédaction de textes, bien que ces réponses ne puissent pas être cumulées dans les choix proposés.
Analyse Critique
Une analyse plus approfondie révèle que les enseignants peinent à percevoir les bénéfices de l'IA pour l'apprentissage, contrairement aux étudiants. La question de savoir si l'IA améliore les notes sans développer les compétences reste débattue. Est-ce un dopage académique ou une opportunité pour un apprentissage plus efficace ?
Acceptabilité et Éthique
L'enquête révèle que beaucoup d'étudiants jugent acceptable d'utiliser l'IA pour rédiger leurs devoirs, et même un quart des enseignants partagent cet avis. Cela pose des questions éthiques cruciales : copier-coller est-il tricher ? Utiliser l'IA sous supervision ou pour des traductions est-il acceptable ? La réponse n'est pas simple et nécessite un débat ouvert.
Propositions et Solutions
Pour encadrer ces usages, plusieurs solutions sont proposées. Plutôt que d'interdire l'IA, il est suggéré de fixer des règles pour une utilisation responsable. Des innovations pédagogiques peuvent également être explorées, comme la création de situations de concurrence professionnelle ou l'utilisation de détecteurs d'IA.
Conclusion
En conclusion, bien que l'étude présente des limites, elle souligne un besoin urgent de régulation. Une charte institutionnelle pourrait fournir un cadre pour une utilisation éthique.
3. Historique
§ 1952 : Le premier programme capable
d’apprendre est créé par Arthur Lee
Samuel
§ 1959 : Arthur Lee Samuel introduit le
terme de « Machine Learning »
IBM Journal of Research and Development
4. Historique
§ Années 80 : introduction du Deep Learning et
des réseaux neuronaux convolutifs
§ 1996 : Première application du Deep Learning
(réseaux convolutifs) pour la reconnaissance
de caractères
5. Historique
§ 2012 : Généralisation du deep learning grâce à
l’augmentation de la capacité de calcul des
cartes graphiques (GPU)
6. Historique
§ 2015 : IBM achète le PACS Merge pour 1 Md$
afin de fournir un PACS à Watson
7.
8. Un peu de terminologie
§ Machine learning : « Champ d’étude donnant aux ordinateurs la capacité
d’apprendre sans avoir été programmés explicitement » Arthur Lee Samuel, 1959
à Au lieu de suivre une suite d’instruction, le système a la capacité de créer
un modèle capable de prédire la réponse
Base d’apprentissage
Nouvelles données
Algorithme
d’apprentissage
Modèle Prédiction
9. Un peu de terminologie
§ Deep learning: forme particulière de réseau neuronal où les neurones sont
organisés en couches multiples. Cette augmentation du nombre de couches
permet d’obtenir un plus haut niveau d’abstraction
à Etat de l’art en machine learning.
Lee JG et al, KJR 2017
10. Un peu de terminologie
§ CAD (computer aided diagnosis) : outil informatique qui peut avoir été développé
en utilisant des méthodes d’intelligence artificielle
§ CADe = CAD de détection
§ CADx = CAD de caractérisation
Probabilité de
malignité = 80%
11. Un peu de terminologie
Machine Learning
Intelligence artificielle
Réseaux neuronaux
Deep Learning
CNN
CAD
16. Différents types d’apprentissage
Méthodes classiques de machine learning ne sont appliquées sur l’image mais
sur des caractéristiques numériques extraites des images
18. Différents types d’apprentissage
§ Exemples de méthodes classiques de machine learning :
§ Machine à vecteur de support (SVM)
§ Random forest
§ Partitionnement en k-moyennes (clustering)
§ Deep learning
19. Deep learning
§ Réseaux de neurones artificiels:
§ Inspiré du fonctionnement des neurones biologiques
§ Chaque neurone formel somme les informations
afférentes (entrées) qui ont chacune leur pondération
Fonction
de
combinaison
Sortie
Fonction
d’activation
Entrée 1
Entrée 2
Entrée 3
Poids 1
Poids 2
Poids 3
20. Deep learning
§ Réseaux de neurones artificiels:
§ Inspiré du fonctionnement des neurones biologiques
§ Chaque neurone formel somme les informations
afférentes (entrées) qui ont chacune leur pondération
§ Réseaux peuvent avoir :
§ Une couche cachée
§ Ou plusieurs couches cachées (réseaux neuronaux
profonds = deep learning)
21. Deep learning – CNN
§ Réseaux neuronaux convolutifs :
§ Ne nécessitent pas de phase d’extraction des caractéristiques de l’image.
§ Extraction réalisée directement par le réseau neuronal qui applique pour cela
de multiples convolutions à l’image.
24. Deep learning vs méthodes classiques
§ Deep learning représente l’état de l’art actuel
§ Avantages :
§ Meilleurs résultats
§ Ne nécessite pas d’extraction préalable des caractéristiques d’images
§ Inconvénients :
§ Nécessite plus de données
§ Nécessite plus de puissance de calcul lors de l’apprentissage
§ Boite noire :
§ N’utilise pas les mêmes critères que les humains
§ Des variations imperceptibles ou à peine perceptible pour l’humain
peuvent mettre en défaut les algorithmes
25. Shen S, 2017 IEEE Third International Conference on Multimedia Data
Database = ImageNet (> 14 millions d’images)
26. Base de données SCUT-FBP (500 visages asiatiques dont la
beauté est cotée de 1 à 5 par 20 observateurs)
Shen S, 2017 IEEE Third International Conference on Multimedia Data
27. Applications pour le dépistage
§ Aide à la détection (CADe)
§ Amélioration des solutions existantes et développement
de nouveaux logiciels utilisant du Deep Learning
§ Aide à la caractérisation (CADx)
§ Comment vérifier ?
§ Qui endosse la responsabilité en cas d’erreur ?
28. Applications pour le dépistage
Ardila D et al. Nat
Med. 2019
AUC de 0.944 ( IC95% : 0.911-0.973)
29. Conclusion
§ Les développements récents de de l’IA sont liés à l’utilisation du Deep Learning
et laissent entrevoir de nombreuses applications potentielles
§ Développement de CAD 2.0
§ Attention, la vision numérique ne fonctionne pas comme la vision humaine et
elle peut être prise en défaut
§ Importance de comprendre les termes et concepts utilisés pour devenir des
médecins augmentés et non des médecins dépassés.