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 (FR)

741 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

×