Aller au contenu principal

Intelligence artificielle

Objectifs​

Comment simuler l'intelligence ?

  • Définir l'intelligence artificielle
  • Expliquer un apprentissage automatique
  • Définir et différencier
    • L'apprentissage supervisé
    • L'apprentissage non supervisé
    • L'apprentissage par renforcement
  • Critiquer l'utilisation de l'intelligence artificielle

Cours​

Intelligence artificielle

Enjeux de société

Intelligence artificielle

  • Simulation/imitation de l'intelligence humaine par une machine

  • Qu'est-ce que l'intelligence ?

    • Capacité à apprendre et raisonner

    • Test de Turing (1950) : capacité à converser avec un humain sans être reconnu comme une machine

  • Apprentissage automatique (machine learning)

    • Un programme qui apprend par lui-même à partir de données

Apprentissage automatique

Est-ce que le nombre est paire ?

  • Sans apprentissage automatique

    • Prédéfinir une règle

    • return n % 2 == 0

    • Résultat toujours correct

  • Avec apprentissage automatique

    • Donner beaucoup exemples d'entrées et de sorties

      • 2 est pair

      • 5 est impair

      • 1291 est impair

      • 42 est pair

      • …

    • Inférer la règle à partir des exemples (données)

    • Résultat statistiquement correct

      • Par exemple : 99,9%

Apprentissage supervisé

Apprentissage non supervisé

  • Sans étiquetage des données

  • Apprentissage/Entraînement

    • Regrouper les données similaires (clustering)

    • Étiqueter les groupes découverts

  • Test

    • Évaluer les groupes avec des nouvelles données

Apprentissage non supervisé

https://dashee87.github.io/data%20science/general/Clustering-with-Scikit-with-GIFs/

Apprentissage par renforcement

  • Apprendre par essais et erreurs

  • Exemple : AlphaGo (2010) qui a battu le champion du monde de Go en 2016

    • Entrées : règles du jeu de Go

    • Joue contre lui-même 4.9 millions de parties

    • Apprend à optimiser ses chances de gagner

  • Pas de données d'entraînement (par exemple d'autres parties de Go)

  • Phase d'apprentissage : jouer contre lui-même

Phases

 

Phase d'apprentissage

Phase de test

Apprentissage supervisé

Trouver une règle à partir des données étiquetées

Prédire la sortie

Apprentissage non supervisé

Regrouper les données similaires

Prédire le groupe

Apprentissage par renforcement

Essais et erreurs

Utiliser les connaissances acquises

Validation croisée

  • Comment simuler le futur (la phase de test) ?

    • Diviser les données

    • Utiliser une partie pour l'apprentissage et l'autre pour le test

https://commons.wikimedia.org/wiki/File:LOOCV.gif

Limitations

  • Limitation de la programmation (sans IA)

    • Trop de règles à définir (complexe)

    • Par exemple : prédire tous les coups possibles aux échecs

  • Limitation de l'apprentissage automatique (avec IA)

    • Réponses statistiquement correctes à vérifier

    • Qualité des données d'entraînement

      • Représentativité (choix humain des données)

      • Quantité (vente de données pour l'entraînement)

      • Exactitude (erreurs dans les données d'entraînement)

L'erreur est humaine ?

https://www.researchgate.net/figure/Error-rates-on-the-ImageNet-Large-Scale-Visual-Recognition-Challenge-Accuracy_fig1_332452649

F pour passer en plein écran ou O pour afficher la vue d'ensemble.
Versions sans animation, plein écran, imprimable.

Exercices​

Lire l'article https://www.rts.ch/info/sciences-tech/13764863-chatgpt-une-revolution-ou-un-robot-a-bullshit.html

  • Quel est le but de ChatGPT ?
  • Peut-on faire confiance à ses réponses ?
  • Quelles sont ses données d'entrainement ?
  • Est-ce qu'il serait au courant
    • Du décès de la reine Elisabeth II ?
    • De la retraite de Federer ?

Pour aller plus loin​

Références​

Dernière mise à jour le