Intelligence Artificielle Intelligence Artificielle - Séminaire 3

Qu’est-ce que l’IA, histoire : comment en est-on arrivé là, la robotique, les grands noms. Les prérequis mathématiques. Les réseaux neuronaux et l’IA. Architectures : entrées, sorties et couches intermédiaires. Les fonctions d’activation, pondération des liens inter-neurones, le type « forward propagation », la propagation arrière, l’algorithme de « Gradient Descent », les fonctions d’erreur, etc. Les familles de réseaux neuronaux : RBN (Radial Basis Network), perceptron multi-niveaux, récurrents, LSTM, Hopfield, convolution, etc. Chacun d’eux est présenté avec ses avantages et inconvénients et nature des applications de destination.

Ce qu’est le Machine Learning. Ses usages. Les trois formes d’apprentissage : supervisé, non supervisé et par renforcement. L’importance de l’annotation, de la normalisation et du compartimentage des données. Les problèmes de sous et de sur-apprentissage. Les référentiels de datasets. Les métriques d’analyse d’erreurs. Les algorithmes supervisés : régression linéaire, SVM (Support Vector Machines), régression logistique, Naive Bayes, Analyse Discriminante Linéaire, arbres de décision, algorithme des plus proches voisins (K-Nearest Neighbor algorithm), etc. Nombreux exemples à l’appui.

Les algorithmes non supervisés : K-Means Clustering, Mean-Shift Clustering, GMM, DBSCAN, HAC, etc. Techniques d’association pour établir les relations entre variables. Algorithmes de Q-Learning, SARSA, DQN, DQPG, etc. La réduction dimensionnelle et simplification du modèle. Apprentissage par renforcement. Les API et langages : progression de Python et de ses API. Les langages alternatifs. Tour d’horizon des applications concernées. Exemples concrets.

Utilisation des réseaux neuronaux, pour définir une transformation non linéaire applicable aux valeurs d'entrée et créer un modèle de sortie : phase d'éducation ou d'entraînement, qui s'effectue sur des données labellisées, puis de de découverte, pour améliorer le modèle avec une méthode mathématique (dérivative) et "coller" au plus près à la réalité. Les principaux usages : reconnaissance d’objets, d’images, de sons, de phrases dans une communication téléphonique, etc. Extraction automatique des caractéristiques d'entrée. Le cas particulier des réseaux convolutifs : à l’aide d’exemples concrets, nous expliquons le cheminement depuis la décomposition d’une source (image), jusqu’à sa reconnaissance finale, en insistant sur les points clés : kernel, slide, padding, filtrage, la convolution proprement dite qui est une fonction mathématique, le pooling ou simplification des matrices et flattening, la mise à plat finale.

Les capsules de Hinton sont une évolution des réseaux de deep learning. 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. La finalité d’un réseau de capsules est de fabriquer un « arbre syntaxique », avec des couches organisées en capsules, qu’il faut relier les unes aux autres. Les API du deep learning : Tensor Flow de Google, Keras, PyTorch (Nvidia), DeepLearning4J (Java), CNTK (Microsoft Cognitive Toolkit), etc. Les applications possibles de « deep learning », réalisations concrètes et pratiques, avec des recommandations sur la manière de conduire les projets, sur la distinction qu’il faut faire entre la connaissance intime des algorithmes et leur mise en œuvre, via les API. Un discours à la fois métier et technique.

Dégager le vrai du faux : l’IA et les emplois, l’arme politique entre les mains des grandes puissances, les risques pour la démocratie, les algorithmes peuvent-ils devenir intelligents et dominer le genre humain. Ne pas être trop optimistes sur les capacités actuelles et réelles de l'IA, bien comprendre les principes sous-jacents et avoir une idée précise (et prudente) des applications envisageables, ne pas se lancer dans des projets insuffisamment matures. L'IA est plus qu'une technologie, c'est un métier, une spécialité, qui demande un long "apprentissage", préférer les solutions déjà entraînées, englober le management dans les cercles de réflexion, ne pas (trop) communiquer sur le futur, qui peut faire peur. Un QCM global commenté, conclura ce séminaire.