Wiki

Reso-nance numérique | Arts et cultures libres

Outils pour utilisateurs

Outils du site

Vous êtes ici: Accueil » Ateliers » Intelligence artificielle
ateliers:intelligence-artificielle:accueil

Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Les deux révisions précédentes Révision précédente
Prochaine révision 		Révision précédente
ateliers:intelligence-artificielle:accueil [2020/04/29 12:16]
laurent [Plan de cours] 		ateliers:intelligence-artificielle:accueil [2020/04/29 13:06] (Version actuelle)
laurent [Plan de cours]
Ligne 51: Ligne 51:
 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. 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 :
 +  - l'apprentissage supervisé
 +  - 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 ([[https://fr.wikipedia.org/wiki/Traitement_automatique_du_langage_naturel | 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===  ===questions éthiques=== 
/home/resonancg/www/wiki/data/attic/ateliers/intelligence-artificielle/accueil.1588155397.txt.gz · Dernière modification: 2020/04/29 12:16 de laurent

Outils de la page

GNU Free Documentation License 1.3 Valid HTML5 Driven by DokuWiki