Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
L’intelligence artificielle
aujourd’hui
Machine learning et réseaux de neurones
THIERRY TRANCHINA
1. Petite histoire de l’IA
2. Pourquoi maintenant ?
3. Réseau de neurones artificiels
4. Machine learning
5. L’IA au quoti...
Petite histoire de l’IA
1956
conférence de Dartmouth
c’est l’acte fondateur du domaine de
l’intelligence artificielle
Marvin Lee MINSKY
Docteur en science cognitive
1927 - 2016
co-fondateur du MIT
fondateur de la discipline IA
conseiller su...
John Mc CARTHY
Informaticien
1927 - 2011
fondateur de la discipline IA
à l’origine du nom
développeur du langage LISP
“Every aspect of learning
or any other feature of intelligence can be so
precisely described that a machine can be
made to...
“Chaque aspect de l'apprentissage ou toute
autre caractéristique de l'intelligence peut
être si précisément décrit qu'une ...
C’est le moment-clé où l'IA a trouvé
son nom, sa mission,
ses premières réussites
et ses acteurs principaux.
SCIENCE FICTION
“Dans dix ans, un ordinateur sera le
champion du monde des échecs”
Henri A. Simon, informaticien
Allen Newell, chercheur
1...
Garry Kasparov perd contre Deep Blue (IBM)
1997
29 ans!
“Dans dix ans, un ordinateur découvrira et
prouvera un nouveau théorème
mathématique important”
Henri A. Simon, informatic...
“Dans trois à huit ans, nous aurons
une machine avec l'intelligence
générale d'un être humain moyen”
Marvin Minsky
1970
??
deux approches se confrontent
L’approche logiciste ou symbolique
création de la pensée
machine de Turing
Marvin Minsky * John McCarthy * Allen Newell * ...
Alan M. TURING
Mathématicien et cryptologue
1912 - 1954
Déchiffre le code Enigma
inventeur de la machine de Turing
et du t...
Computing machinery and
intelligence
Alan M. Turing - 1950
“un ordinateur digital peut-il tenir la
place d’un être humain ...
Blade Runner
Ridley Scott
1982
Test de Voight-Kampff
Philip K. Dick “Do Androids Dream of Electric Sheep ?”
CAPTCHA
Completely Automated Public Turing test to tell Computers
and Humans Apart
L’approche neuronale
imitation des processus biologiques cérébraux
biomimétisme
Frank Rosenblatt * Geoffrey Hinton * Paul ...
Frank Rosenblatt
Psychologue & informaticien
1928 - 1971
fondateur du “courant neuronal”
créateur du Perceptron
Le perceptron de Rosenblatt - 1957
Perceptrons
Marvin Minsky, Seymour Papert - 1969
Financement de l’ARPA
(Agence pour les projets de recherche avancée)
* M.I.T
Minsky & McCarthy
$ 3 millions / an
* Carnegi...
50 60 70 80 90 00 10
1974 - 1980 1987 - 1993
Investissements dans le domaine de l’IA
1956
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 - ...
50 60 70 80 90 00 10
1974 - 1980 1987 - 1993
Investissements dans le domaine de l’IA
*
1956
Les systèmes experts
Montrent ...
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 - 1...
50 60 70 80 90 00 10
1974 - 1980 1987 - 1993
Investissements dans le domaine de l’IA
*
1956
Internet!
50 60 70 80 90 00 10
1974 - 1980 1987 - 1993
Investissements dans le domaine de l’IA
*
1956
Révolution GPU
Les puces graph...
et depuis 2011 ?
140
sociétés travaillant dans le domaine de l’intelligence artificielle ont été
rachetées depuis 2011
40
pour l’année 2016 (28.5%)
$ 600 millions
Demis Hassabis
Pourquoi maintenant ?
3 facteurs sont réunis
1 - Les puces graphiques ont aujourd’hui l’architecture
et la puissance requise
x100
2 - Les technologies d’apprentissage sont matures
3 - Les entreprises ont les données pour entraîner les
algorithmes de machine learning
BIG DATA
Artificial Neural Network
Les réseaux de neurones artificiels
biomimétisme
Représentation d’un neurone
Représentation d’un neurone
Représentation d’un neurone
Représentation d’un neurone
Structure d’un neurone
Perceptron de Rosenblatt
fonction d’activation
OUTPUT (0/1)
p
p
p
p
p
i
i
i
i
i
>+
Mark 1 Perceptron
1957
IBM 704
classification binaire
c’est un chien ou un chat ?
TAILLE DOMESTIQUE
5
4
3
1
2
4
1
5
2
2
commençons l'entraînement
du perceptron
TAILLE
DOMESTIQUE CHIEN ?
Perceptron
TAILLE
DOMESTIQUE CHIEN ?
l'entraînement vise à déterminer ces données
TAILLE
DOMESTIQUE
5
4
?
CHIEN ? OUI
>10?
?
1
l'entraînement vise à déterminer ces données
TAILLE
DOMESTIQUE
5
4
1.2
CHIEN ? OUI
10.8 1>10
1.2
TAILLE
DOMESTIQUE
2
2
1.2
CHIEN ? NON
4.8 0>10
1.2
5
TAILLE
DOMESTIQUE
5
10
10
(2,2)
(5,4)
8,4
8,4
TAILLE
DOMESTIQUE
4
1 CHIEN ? OUI
1>10
1.2
1.2
5.4
TAILLE
DOMESTIQUE
4
1 CHIEN ? OUI
1>10
2.3
1.2
ajustement des poids : la taille est plus importante
10.4
5
TAILLE
DOMESTIQUE
5
10
10
8,4
4.4
(2,2)
(5,4)
5
TAILLE
DOMESTIQUE
5
10
10
8,4
4.4
(2,2)
(5,4)
TAILLE
DOMESTIQUE CHIEN ?
>10
2.3
1.2
Perceptron final
(entraîné à répondre à la question)
évolutions
Perceptron multicouches (MLP)
TAILLE
DOMESTIQUE CHIEN ?
Ces données peuvent être également le fruit du training
Fonction
d’activation
bias
Le réseau de neurones
INPUT
LAYER
OUTPUT
LAYER
HIDDEN
LAYER
INPUT
LAYER
OUTPUT
LAYER
HIDDEN
LAYER
7
1.5
1.8
0.2
0.5
2.1
0.1
Feedforward
INPUT
LAYER
OUTPUT
LAYER
HIDDEN
LAYERS
INPUT
LAYER
OUTPUT
LAYER
HIDDEN
LAYERS
Deep network
On considère qu’un réseau de neurone est
profond (deep) quand il possède plus de 3
couches de neurones cachés
Machine learning
l’apprentissage automatique
“Donner la possibilité à un ordinateur
d’apprendre une expertise sans qu’on est
explicitement programmé cette expertise”
A...
Les algorithmes utilisés permettent d'adapter
leurs analyses et leurs comportements en se
fondant sur l'apprentissage à pa...
il existe 3 types d’apprentissage
L’apprentissage supervisé
supervised learning
TAILLE DOMESTIQUE
5
4
3
1
2
4
1
5
2
2
données Réseau de neurones
apprentissage par backpropagation
Domaines
classification
reconnaissance d’image
imagerie médicale
analyse du langage naturel
reconnaissance vocale
reconnai...
How we teach computers to understand pictures
Fei Fei Li - Stanford AI14:00
L’apprentissage par renforcement
reinforcement learning
L’algorithmes va apprendre et évoluer par
tâtonnement en ayant comme unique but
l’amélioration des critères d’évaluation.
Deepmind again Atari games
Demis Hassabis - Google Deepmind 3:00
L’apprentissage non-supervisé
unsupervised learning
AlphaGo
Demis Hassabis - Google Deepmind 11:17
L’IA au quotidien
Assistants vocaux
Assistants vocaux
Assistants vocaux
reconnaissance vocale
analyse textuelle
text to speech
Les avancées technologiques
3 exemples
Identification de toute la numéro des
rues en France
données : Street View House Numbers (SVHN)
200 000 numéro de Google s...
Traduction automatique par lecture sur
les lèvres
Deepmind et l’Université d’Oxford
données : emissions TV BBC Breakfast, ...
Réduction de 40% de la facture
énergétique pour le refroidissement des
data centers
Identification des cancers du sein
à partir d’imagerie médicale
BIDMC
Moteur : GoggLeNet (27 layers)
réussite : 92%
IA + m...
Identification des cancers du sein à partir
d’imagerie médicale
Voitures autonomes
Voitures autonomes
Voitures autonomes
Comment une voiture autonome perçoit son environnement ?
Chris Urmson - Google
6:00
Comment mettre en oeuvre
cette technologie ?
Des services prêts à l’emploi
Machine learning service
Vision API
Speech API
Natural Language API
Translate API
Computer Vision API
Content Moderator
Emotion API
Face API
Video API
Bing Speech API
Custom Recognition Intelligent Servic...
AlchemyLanguage
Language Translator
Conversation
Dialog
Natural Language Classifier
Personality Insights
Retrieve and Rank...
Des librairies open source
Merci
Thierry Tranchina
L’Ecole Multimédia - 2016
https://twitter.com/rdad
ressources : https://goo.gl/uGdv7D
Arthur SAMUEL
Informaticien
1901 - 1990
pionnier du machine learning
programme du jeu de dame
projet TeX
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
L’intelligence artificielle aujourd’hui (FR)
Upcoming SlideShare
Loading in …5
×

L’intelligence artificielle aujourd’hui (FR)

614 views

Published on

Conférence à l'Ecole Multimédia du 9 décembre 2016 : "L’intelligence artificielle aujourd’hui - Machine learning et réseaux de neurones" dans le cadre des Labdays.

Published in: Technology
  • Be the first to comment

L’intelligence artificielle aujourd’hui (FR)

  1. 1. L’intelligence artificielle aujourd’hui Machine learning et réseaux de neurones THIERRY TRANCHINA
  2. 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. 3. Petite histoire de l’IA
  4. 4. 1956 conférence de Dartmouth
  5. 5. c’est l’acte fondateur du domaine de l’intelligence artificielle
  6. 6. 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
  7. 7. John Mc CARTHY Informaticien 1927 - 2011 fondateur de la discipline IA à l’origine du nom développeur du langage LISP
  8. 8. “Every aspect of learning or any other feature of intelligence can be so precisely described that a machine can be made to simulate it”
  9. 9. “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”
  10. 10. C’est le moment-clé où l'IA a trouvé son nom, sa mission, ses premières réussites et ses acteurs principaux.
  11. 11. SCIENCE FICTION
  12. 12. “Dans dix ans, un ordinateur sera le champion du monde des échecs” Henri A. Simon, informaticien Allen Newell, chercheur 1958
  13. 13. Garry Kasparov perd contre Deep Blue (IBM) 1997
  14. 14. 29 ans!
  15. 15. “Dans dix ans, un ordinateur découvrira et prouvera un nouveau théorème mathématique important” Henri A. Simon, informaticien Allen Newell, chercheur 1958
  16. 16. “Dans trois à huit ans, nous aurons une machine avec l'intelligence générale d'un être humain moyen” Marvin Minsky 1970
  17. 17. ??
  18. 18. deux approches se confrontent
  19. 19. L’approche logiciste ou symbolique création de la pensée machine de Turing Marvin Minsky * John McCarthy * Allen Newell * Herbert A. Simon
  20. 20. Alan M. TURING Mathématicien et cryptologue 1912 - 1954 Déchiffre le code Enigma inventeur de la machine de Turing et du test de Turing
  21. 21. 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 ?”
  22. 22. Blade Runner Ridley Scott 1982 Test de Voight-Kampff Philip K. Dick “Do Androids Dream of Electric Sheep ?”
  23. 23. CAPTCHA Completely Automated Public Turing test to tell Computers and Humans Apart
  24. 24. L’approche neuronale imitation des processus biologiques cérébraux biomimétisme Frank Rosenblatt * Geoffrey Hinton * Paul Werbos
  25. 25. Frank Rosenblatt Psychologue & informaticien 1928 - 1971 fondateur du “courant neuronal” créateur du Perceptron
  26. 26. Le perceptron de Rosenblatt - 1957
  27. 27. Perceptrons Marvin Minsky, Seymour Papert - 1969
  28. 28. 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
  29. 29. 50 60 70 80 90 00 10 1974 - 1980 1987 - 1993 Investissements dans le domaine de l’IA 1956
  30. 30. 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
  31. 31. 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
  32. 32. 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
  33. 33. 50 60 70 80 90 00 10 1974 - 1980 1987 - 1993 Investissements dans le domaine de l’IA * 1956 Internet!
  34. 34. 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
  35. 35. et depuis 2011 ?
  36. 36. 140 sociétés travaillant dans le domaine de l’intelligence artificielle ont été rachetées depuis 2011
  37. 37. 40 pour l’année 2016 (28.5%)
  38. 38. $ 600 millions Demis Hassabis
  39. 39. Pourquoi maintenant ?
  40. 40. 3 facteurs sont réunis
  41. 41. 1 - Les puces graphiques ont aujourd’hui l’architecture et la puissance requise
  42. 42. x100
  43. 43. 2 - Les technologies d’apprentissage sont matures
  44. 44. 3 - Les entreprises ont les données pour entraîner les algorithmes de machine learning BIG DATA
  45. 45. Artificial Neural Network Les réseaux de neurones artificiels
  46. 46. biomimétisme
  47. 47. Représentation d’un neurone
  48. 48. Représentation d’un neurone
  49. 49. Représentation d’un neurone
  50. 50. Représentation d’un neurone
  51. 51. Structure d’un neurone
  52. 52. Perceptron de Rosenblatt fonction d’activation OUTPUT (0/1) p p p p p i i i i i >+
  53. 53. Mark 1 Perceptron 1957 IBM 704
  54. 54. classification binaire
  55. 55. c’est un chien ou un chat ?
  56. 56. TAILLE DOMESTIQUE 5 4 3 1 2 4 1 5 2 2
  57. 57. commençons l'entraînement du perceptron
  58. 58. TAILLE DOMESTIQUE CHIEN ? Perceptron
  59. 59. TAILLE DOMESTIQUE CHIEN ? l'entraînement vise à déterminer ces données
  60. 60. TAILLE DOMESTIQUE 5 4 ? CHIEN ? OUI >10? ? 1 l'entraînement vise à déterminer ces données
  61. 61. TAILLE DOMESTIQUE 5 4 1.2 CHIEN ? OUI 10.8 1>10 1.2
  62. 62. TAILLE DOMESTIQUE 2 2 1.2 CHIEN ? NON 4.8 0>10 1.2
  63. 63. 5 TAILLE DOMESTIQUE 5 10 10 (2,2) (5,4) 8,4 8,4
  64. 64. TAILLE DOMESTIQUE 4 1 CHIEN ? OUI 1>10 1.2 1.2 5.4
  65. 65. TAILLE DOMESTIQUE 4 1 CHIEN ? OUI 1>10 2.3 1.2 ajustement des poids : la taille est plus importante 10.4
  66. 66. 5 TAILLE DOMESTIQUE 5 10 10 8,4 4.4 (2,2) (5,4)
  67. 67. 5 TAILLE DOMESTIQUE 5 10 10 8,4 4.4 (2,2) (5,4)
  68. 68. TAILLE DOMESTIQUE CHIEN ? >10 2.3 1.2 Perceptron final (entraîné à répondre à la question)
  69. 69. évolutions
  70. 70. Perceptron multicouches (MLP)
  71. 71. TAILLE DOMESTIQUE CHIEN ? Ces données peuvent être également le fruit du training Fonction d’activation bias
  72. 72. Le réseau de neurones
  73. 73. INPUT LAYER OUTPUT LAYER HIDDEN LAYER
  74. 74. INPUT LAYER OUTPUT LAYER HIDDEN LAYER 7 1.5 1.8 0.2 0.5 2.1 0.1 Feedforward
  75. 75. INPUT LAYER OUTPUT LAYER HIDDEN LAYERS
  76. 76. INPUT LAYER OUTPUT LAYER HIDDEN LAYERS
  77. 77. Deep network On considère qu’un réseau de neurone est profond (deep) quand il possède plus de 3 couches de neurones cachés
  78. 78. Machine learning l’apprentissage automatique
  79. 79. “Donner la possibilité à un ordinateur d’apprendre une expertise sans qu’on est explicitement programmé cette expertise” Arthur Samuel, informaticien 1959
  80. 80. 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
  81. 81. il existe 3 types d’apprentissage
  82. 82. L’apprentissage supervisé supervised learning
  83. 83. TAILLE DOMESTIQUE 5 4 3 1 2 4 1 5 2 2 données Réseau de neurones apprentissage par backpropagation
  84. 84. Domaines classification reconnaissance d’image imagerie médicale analyse du langage naturel reconnaissance vocale reconnaissance de caractères recommandation ...
  85. 85. How we teach computers to understand pictures Fei Fei Li - Stanford AI14:00
  86. 86. L’apprentissage par renforcement reinforcement learning
  87. 87. L’algorithmes va apprendre et évoluer par tâtonnement en ayant comme unique but l’amélioration des critères d’évaluation.
  88. 88. Deepmind again Atari games Demis Hassabis - Google Deepmind 3:00
  89. 89. L’apprentissage non-supervisé unsupervised learning
  90. 90. AlphaGo Demis Hassabis - Google Deepmind 11:17
  91. 91. L’IA au quotidien
  92. 92. Assistants vocaux
  93. 93. Assistants vocaux
  94. 94. Assistants vocaux
  95. 95. reconnaissance vocale analyse textuelle text to speech
  96. 96. Les avancées technologiques
  97. 97. 3 exemples
  98. 98. 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%
  99. 99. 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%
  100. 100. Réduction de 40% de la facture énergétique pour le refroidissement des data centers
  101. 101. Identification des cancers du sein à partir d’imagerie médicale BIDMC Moteur : GoggLeNet (27 layers) réussite : 92% IA + médecin : 99.5%
  102. 102. Identification des cancers du sein à partir d’imagerie médicale
  103. 103. Voitures autonomes
  104. 104. Voitures autonomes
  105. 105. Voitures autonomes
  106. 106. Comment une voiture autonome perçoit son environnement ? Chris Urmson - Google 6:00
  107. 107. Comment mettre en oeuvre cette technologie ?
  108. 108. Des services prêts à l’emploi
  109. 109. Machine learning service Vision API Speech API Natural Language API Translate API
  110. 110. 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
  111. 111. AlchemyLanguage Language Translator Conversation Dialog Natural Language Classifier Personality Insights Retrieve and Rank Visual Recognition Tone Analyzer Speech to Text Text to Speech
  112. 112. Des librairies open source
  113. 113. Merci Thierry Tranchina L’Ecole Multimédia - 2016 https://twitter.com/rdad ressources : https://goo.gl/uGdv7D
  114. 114. Arthur SAMUEL Informaticien 1901 - 1990 pionnier du machine learning programme du jeu de dame projet TeX

×