Latest / Oser l'efficacité - Les stratégies de ceux qui font l’industrie / L’IA industrielle décryptée : Comprendre le cerveau de l'IA

Transcript

L’IA industrielle décryptée : Comprendre le cerveau de l'IA · Oser l'efficacité - Les stratégies de ceux qui font l’industrie

• 0:00
  Le monde des petites entreprises est fascinant.
• 0:02
  C'est un mélange unique de débrouillardise et d'adaptabilité.
• 0:05
  Mais parfois,
• 0:06
  on manque de compétences clés pour aller plus loin.
• 0:08
  Tu le ressens aussi Alors ce podcast est fait pour toi.
• 0:11
  Je suis Perrine Thiébaut,
• 0:12
  consultante en transformation numérique et je déniche pour toi les meilleurs outils,
• 0:16
  méthodes et technologies pour gagner en efficacité.
• 0:19
  Seule ou avec mes invités,
• 0:20
  je te partage des conseils actionnables pour avancer en toute sérénité.
• 0:24
  Alors,
• 0:25
  prêt à oser l'efficacité
• 0:28
  On entend souvent parler,
• 0:29
  quand on parle d'IA,
• 0:30
  de deep learning et de machine learning,
• 0:32
  surtout quand on parle d'IA pour l'industrie.
• 0:35
  Comment est-ce que tu expliquerais ces termes à un enfant de 10 ans
• 0:38
  Un enfant de 10 ans qui parle anglais
• 0:39
  Oui.
• 0:41
  Machine learning,
• 0:42
  c'est facile,
• 0:43
  ça veut dire apprentissage machine.
• 0:45
  On l'a vu dans l'épisode précédent,
• 0:47
  il s'agit de faire apprendre des exemples résolus pour que le système généralise.
• 0:51
  On lui montre des images d'oiseaux,
• 0:54
  et si on a bien travaillé,
• 0:55
  le système reconnaîtra les oiseaux à l'avenir.
• 0:58
  Mais ça marche aussi pour les caractères d'imprimerie ou les tumeurs,
• 1:01
  il y a plein d'applications.
• 1:03
  Le deep learning,
• 1:04
  ça fait référence au réseau de neurones,
• 1:06
  qui est la méthode la plus répandue de machine learning,
• 1:09
  pour dire qu'on utilise des architectures complexes de réseau de neurones avec de nombreuses couches de traitement.
• 1:15
  D'où cette notion de profondeur,
• 1:16
  deep en anglais.
• 1:19
  À propos de l'exemple que tu as donné pour les tumeurs sur le machine learning,
• 1:22
  j'avais lu une anecdote qui disait que quand ils avaient commencé à faire ces recherches-là,
• 1:26
  l'IA était arrivé au fait que le marqueur le plus important pour déceler la présence d'une tumeur,
• 1:32
  c'était la présence d'une règle graduée sur l'image.
• 1:35
  On a avancé depuis ce moment-là
• 1:38
  Est-ce qu'aujourd'hui,
• 1:38
  on peut lui dire qu'il y a des choses qu'on ne veut pas prendre en compte dans l'image Typiquement,
• 1:42
  quelque chose qui est déjà traité parce qu'on a déjà identifié la tumeur et qu'on l'a mesurée.
• 1:47
  C'est un grand classique de l'apprentissage à partir d'images parce que,
• 1:51
  en fait,
• 1:52
  quand on fait ce genre d'apprentissage en machine learning,
• 1:55
  on ne dit pas au système quelles sont les caractéristiques qui sont discriminantes dans les images.
• 2:00
  C'est le système qui les découvre lui-même.
• 2:02
  Et effectivement,
• 2:03
  le code bar change à chaque image,
• 2:05
  donc il est discriminant d'une image.
• 2:07
  La façon simple de régler ça,
• 2:09
  c'est de s'en rendre compte et de supprimer le code bar.
• 2:12
  Mais quand on fait du machine learning pur,
• 2:15
  on donne l'image entière
• 2:16
  dans le système et il faut montrer beaucoup d'images représentatives de ce qu'on essaie d'apprendre.
• 2:22
  Ok,
• 2:22
  ça marche.
• 2:24
  C'est quoi entraîner une IA
• 2:26
  Entraîner une IA,
• 2:26
  on parle de machine learning ici,
• 2:29
  c'est la phase d'apprentissage.
• 2:31
  On l'a déjà dit,
• 2:32
  on donne à la machine des exemples sous la forme de cas résolus,
• 2:35
  en entrée et en sortie,
• 2:36
  et le processus d'apprentissage lui permet de construire un modèle implicite qui autorise le traité des cas non appris.
• 2:43
  Ensuite,
• 2:44
  on va garder en réserve des exemples
• 2:45
  qui n'ont pas été donnés à la machine pour tester la performance de l'apprentissage.
• 2:49
  Une des difficultés est de disposer des données représentatives du problème à traiter.
• 2:54
  Ce n'est pas un problème de big data.
• 2:57
  Plus on met de données,
• 2:58
  mieux ça va marcher.
• 2:59
  Il faut vraiment que le problème soit représenté dans les données.
• 3:03
  C'est quelque chose que je vois beaucoup avec mes clients,
• 3:06
  même sans parler d'IA,
• 3:06
  quand on veut juste digitaliser un process.
• 3:09
  En fait,
• 3:10
  ça va marcher si tu sais déjà ce que tu veux lui faire faire.
• 3:13
  Et là,
• 3:14
  c'est exactement ce dont on parle quand on dit entraîner une IA.
• 3:16
  Tu sais ce que tu veux en entrée,
• 3:17
  tu sais ce que tu veux en sortie,
• 3:18
  tu vas lui montrer.
• 3:19
  Elle va pouvoir le faire à ta place,
• 3:21
  mais il faut que tu saches déjà toi ce que tu veux faire.
• 3:23
  Absolument.
• 3:25
  Il y a tout un champ en ce moment de développement autour des données synthétiques.
• 3:29
  Parce que pour faire apprendre le système,
• 3:31
  on peut générer des données synthétiques qui représentent justement la problématique.
• 3:35
  Ok,
• 3:35
  très clair.C'est quoi un réseau de neurones ?
• 3:37
  Un réseau de neurones est inspiré du cerveau.
• 3:41
  Le cerveau est une machine qui pense.
• 3:43
  On veut faire une machine qui pense,
• 3:44
  donc on essaie de copier le cerveau.
• 3:46
  Le neurone artificiel a été proposé en 1943 par Mcculloch et Pitts dans une célèbre publication.
• 3:54
  C'est un automate à fonction de seuil avec plusieurs entrées et une sortie.
• 3:58
  En fonction des entrées,
• 3:59
  il va produire ou pas un signal.
• 4:01
  C'est directement inspiré du neurone biologique qui fonctionne avec en entrée des synapses et en sortie un axone.
• 4:07
  mais le neurone biologique est une fonction de seuil un peu plus compliquée à composantes électrochimiques dans la nature.
• 4:13
  En associant plusieurs de ces automates,
• 4:15
  on peut construire un système de calcul parallèle fortement non linéaire.
• 4:20
  Mathématiquement,
• 4:21
  un réseau de neurones,
• 4:21
  c'est un système paramétrique qui permet d'approximer une courbe complexe dans un espace multidimensionnel.
• 4:28
  L'apprentissage revient à résoudre une fonction d'optimisation.
• 4:32
  C'est simple quand on a un ou deux neurones.
• 4:34
  À la limite,
• 4:34
  un neurone,
• 4:35
  c'est une droite.
• 4:36
  C'est facile.
• 4:37
  C'est très compliqué quand on a des milliards de connexions à optimiser.
• 4:42
  Et du coup,
• 4:43
  comment ça s'intègre finalement dans l'IA d'aujourd'hui Est-ce que c'est une façon de faire de l'IA Est-ce que tous les systèmes d'IA reposent dessus
• 4:51
  Non, c'est qu'une branche de l'IA.
• 4:53
  On a parlé de systèmes experts tout à l'heure.
• 4:56
  Les systèmes experts,
• 4:58
  ça existe depuis longtemps.
• 4:59
  Il y a beaucoup d'applications.
• 5:00
  Et ça ne fonctionne pas par apprentissage machine.
• 5:02
  On écrit des règles.
• 5:04
  Tout ce qui est
• 5:04
  Transformers, Chat gpt et ses concurrents,
• 5:07
  ce sont des réseaux de neurones.
• 5:09
  Donc effectivement,
• 5:10
  c'est comme ça que ça fonctionne.
• 5:12
  Donc on a d'un côté ce qui va être machine learning,
• 5:15
  IA avec apprentissage,
• 5:16
  et de l'autre,
• 5:16
  réseau de neurones,
• 5:17
  où finalement on va avoir une émulation de la machine par rapport aux problèmes de base.
• 5:22
  Le grand sujet du moment,
• 5:23
  c'est ce qu'on appelle le neurosymbolique,
• 5:25
  c'est de faire travailler les deux ensemble.
• 5:27
  Forcément,
• 5:28
  ça doit ouvrir encore plus de portes.
• 5:30
  C'est surtout que chaque système a ses limites.
• 5:33
  Et si on prend le cas d'un véhicule autonome,
• 5:35
  par exemple,
• 5:35
  pour le faire apprendre,
• 5:36
  on ne va pas le faire tomber dans un trou pour dire qu'il ne faut pas tomber dans un trou.
• 5:40
  C'est plus efficace d'écrire une règle.
• 5:42
  Et donc,
• 5:43
  les règles ont des avantages et l'apprentissage a des avantages.
• 5:46
  Ok,
• 5:46
  très clair.
• 5:47
  L'exemple est hyper parlant.
• 5:48
  Merci beaucoup.
• 5:49
  Maintenant,
• 5:50
  je vais te proposer un petit vrai-faux sur des idées reçues qu'on a sur l'IA.
• 5:55
  Puis,
• 5:55
  je te laisserai développer en fonction.
• 5:59
  Alors...
• 5:59
  L'IA peut être malveillante indépendamment de la personne qui l'utilise,
• 6:03
  vrai ou faux
• 6:05
  Faux. Bon ou méchant,
• 6:06
  ce sont des concepts anthropomorphiques.
• 6:08
  L'IA,
• 6:08
  c'est juste un système informatique et n'a aucune autonomie de pensée.
• 6:12
  Donc l'IA éthique,c'est possible.
• 6:13
  L'IA éthique,
• 6:14
  c'est possible,
• 6:15
  bien sûr.
• 6:16
  L'IA peut travailler de manière complètement autonome,
• 6:18
  vrai ou faux
• 6:20
  Oui, bien sûr.
• 6:21
  De même qu'on réalise des automates depuis très longtemps.
• 6:24
  Mais que ce soit de l'IA ou pas...
• 6:26
  Un système automatique,
• 6:28
  il peut fonctionner correctement que dans un cadre restreint.
• 6:31
  Dès qu'on sort du cadre,
• 6:32
  ça ne marche plus.
• 6:34
  Les rendus de l'IA,
• 6:35
  ça dépend beaucoup de la personne qui pose les questions.
• 6:37
  Alors là,
• 6:38
  je suis plutôt sur l'IA générative,
• 6:39
  mais vrai ou faux
• 6:40
  Oui, en fait,
• 6:41
  c'est vrai.
• 6:41
  Tous les systèmes d'IA ne nécessitent pas à une question pour fonctionner.
• 6:45
  Mais dans le prompting qui permet de déclencher l'IA générative,
• 6:49
  il y a des règles pour le formuler.
• 6:51
  Donc ça dépend quand même un peu de la personne et de son expérience,
• 6:54
  mais pas seulement.
• 6:56
  Ok,
• 6:56
  super,
• 6:57
  merci pour ces clarifications.
• 6:58
  Donc on a appris plein de nouveaux mots et concepts.
• 7:00
  Dans le prochain épisode,
• 7:01
  on parlera de comment démarrer un projet d'IA en industrie.