Intelligence artificielle

nolink600

Description

Le futur s'annonce technologique, les ordinateurs permettent la collecte de données en masse. L' analyse de ces données et le paramétrage du constructeur autorisent un certains nombres de décisions automatiques suite à la création d'algorithmes. A travers un dispositif ludique interactif, les enfants découvriront les spécificités de l'intelligence artificielle par la pratique. Ils entraîneront leur propre IA, en l'enrichissant chacun de leur expériences personnelles avant de lui soumettre des problèmes nouveaux. Ils pourront ainsi comparer les résultats obtenus, initiant une discussion sur l'utilisation de l'IA, les responsabilités qui lui sont confiées et les problèmes éthiques que cela peut engendrer. Des exemples positifs d'utilisation de l'intelligence artificielle seront évoqués autour d'applications écologiques et d'autres plus susceptibles de poser des problèmes éthiques comme la sécurité des voitures sans conducteur …

Plan de cours

Présentation Qu'est-ce qu'un ordinateur ? En quoi diffère-t'il de nous ? Que fait-il que nous ne sachons faire ? Quelles sont ses limites ?

qu'est-ce que le code ? Exercice pratique de dessin à deux pour comprendre la notion d'instruction.

entraînons une IA Apprenons le piano à une IA

utilisons une IA Joutes verbales et poétiques par IA interposée

comment l'IA nous voit Une représentation visuelle de ce que voit la reconnaissance faciale en chacun de nous : expériences autour du moteur deepdreams

l'IA qui nous entoure Quelles sont les IA qui font partie de notre vie ? Quel questionnement éthiques soulèvent-elles ?

Conclusion

qu'est-ce que l'IA

Pour résoudre tout types de problèmes et exécuter une tâche, les ordinateurs ont recours à des recettes pré-écrites qu'elles appliquent à la lettre, très rapidement et avec une grande précision. Ces recettes -ou code- doivent décrire exactement chaque situation que l'ordinateur peut rencontrer en exécutant sa tâche. S'il rencontre une situation inédite, même très similaire à une situation connue, il ne pourra accomplir son travail.

Cette liste de recettes est fixe et ne peut être modifiée que par un développeur. Un ordinateur peut ainsi exécuter la même tâche tous les jours pendant dix ans, il l'accomplira toujours de la même manière. Il est donc très difficile aux ordinateurs de s'adapter aux situations complexes comportant trop de situations pour qu'on puisse écrire une recette pour chacune : conduite autonome, analyse de nombreuses données, déchiffrage d'images ou de son, conversation…

Pour leur permettre d'adapter eux-même les recettes aux situations réelles rencontrées, différentes méthodes sont développées sous le terme d'apprentissage machine ou intelligence artificielle. Pour que la machine puisse apprendre, il lui faut s’entraîner en expérimentant un grand nombre de situations réelles dans laquelle elle sera à même de réaliser sa tâche. Par exemple, une machine apprenant à reconnaître un feu tricolore devra regarder un grand nombre d'images de feux de toutes tailles et de tout type, de jour comme de nuit, de près comme de loin et sous tous les angles. Mais elle devra également observer beaucoup d'images d'objets pouvant ressembler à des feux pour en apprendre la différence. La machine essaieras alors de déterminer pour chaque image s'il agit d'un feu ou non et on la corrigera si elle se trompe. Comme beaucoup d'entre nous, la machine apprendra de ses erreurs : elle se trompera de moins en moins au fur et à mesure de l'apprentissage.

différents types d'IA

Il existe de nombreuses méthodes pour permettre à une machine d'apprendre, chacune possédant ses avantages et ses inconvénient. On les choisira selon la tâche à accomplir et il n'est pas rare d'en utiliser plusieurs conjointement pour réaliser une tâche complexe. Ces méthodes sont souvent classées en deux catégories :

  1. l'apprentissage supervisé
  2. l'apprentissage non-supervisé

L'apprentissage supervisé est celui décrit dans l'exemple du feu tricolore : à chaque étape de l'apprentissage, on dit à la machine si elle s'est trompée ou non, et elle se corrige automatiquement. Très utilisé dans la reconnaissance faciale par exemple, ce type d'apprentissage nécessite un grand nombre d'exemples connus (photos dont on sait si elles contiennent un feu tricolore ou non par exemple), ce qui demande beaucoup de travail humain en amont. (ex : reCaptcha)

L'apprentissage non-supervisé ne comporte pas de validation systématique du résultat à chaque étape de l'apprentissage. Ces méthodes permettent de réaliser des tris de données en plusieurs catégories par exemple. Elles peuvent être moins précises que le supervisé mais sont souvent beaucoup plus faciles à implémenter et maintenir et parfois plus rapide d’exécution. Par exemple, l’algorithme PageRank qui à permis au moteur de recherche google d'atteindre une telle pertinence est basé sur les chaines de Markov, un apprentissage non-supervisé.

exemple d'apprentissage non-supervisé

Les chaines de Markov sont utilisées pour permettre à un piano d'apprendre pour chaque note jouée quelle relation cette note entretient avec les autres. Ces relations sont affichées à l'écran dans une interface web.

Le générateur de texte montre un usage radicalement différent de l'exacte même méthode. Des groupements de mots dans un corpus de départ sont découpés par des méthodes de NLP ( natural language processing) puis traités comme les notes du piano.

exemple d'apprentissage supervisé

Le deeplearning est un type d'apprentissage supervisé très utilisé dans la reconnaissance d'image. Si nous souhaitons reconnaître un visage parmi d'autres, nous pouvons entraîner notre machine en lui fournissant des centaines de photos de ce même visage ainsi que des centaines de photos de visages ressemblants et valider à chaque analyse son interprétation. Si l'on change de visage, il faudra tout recommencer.

Pour éviter de demander à chaque utilisateur de téléphone de se prendre en photo des centaines de fois dans le but de déverrouiller son téléphone, on ne va pas demander à la machine de reconnaître son visage mais un visage parmi d'autres. La machine va plutôt apprendre à détecter les traits significatifs d'un visage, n'importe lequel, qui permettront de le distinguer des autres. Tous les visages présentés lors de l'apprentissage partageront ainsi quelques traits qui permettront à la machine de le distinguer des autres (ex : écartement des sourcils, largeur du nez…) Chaque visage sera donc représenté par un profil contenant toujours le même nombre de traits, correspondant à ses spécificités.

Cet apprentissage en deeplearning permettra donc de reconnaître différents visages sans avoir à ré-entraîner l'ordinateur à chaque fois. Il détectera les traits de la photo à analyser et les comparera au profil du visage recherché. Toutefois, l'ordinateur choisit lui-même les traits qu'il jugera significatifs. Comme il ne partage ni nos yeux ni notre culture, ces traits sont souvent très abstraits pour nous : ne sachant pas ce qu'est un œil ni un nez, il ne mesurera pas forcément la longueur du nez ou la couleur de l’œil. Pour comprendre ces traits qu'un algorithme de reconnaissance faciale a appris par lui-même, des chercheurs de google ont eu l'idée de forcer la machine à les représenter sur des photos. Ils nous ont ainsi permis de visualiser ce que la machine percevait dans ce projet nommé DeepDreams.

questions éthiques

Liens externes