Salut a tous !
Comme je l'ai dit, le principe du réseau de neurones est ancien, et son principal problème jusqu'à récemment qu'il fallait beaucoup de neurones et de nombreuses couches intermédiaires pour résoudre un problème réel ce qui rendait le temps d'apprentissage beaucoup trop long et la quantité des données nécessaire pour effectuer cette apprentissage trop importante. Donc les résultats étaient globalement mauvais. La seule solution était de faire appel à un expert (humain) pour prémâcher le travail au système, qui du coup apparaissait beaucoup moins intelligent.
Et pour les usages fondamentaux de l'IA comme la reconnaissance d'image d'autres méthodes étaient préférées par les scientifiques. Seuls quelques irreductibles continuaient à travailler sur le réseau de neurones, mais la plupart s'accordaient la trouver la methode bonne théoriquement mais inutilisable dans la pratique.
Et la démonstration en était donné chaque année lors d'un concours de reconnaissance visuelle ou les autres méthodes donnaient systématiquement un taux d'erreur certes élevé (20 a 25%) mais inférieur au réseau de neurones.
Mais une révolution a eu lieu en 2012 date à laquelle c'est le réseau de neurones qui est subitement apparue plus efficace que les autres, faisant tomber le taux à 15%.
Alors pourquoi particulièrement en 2012? On va dire qu'il y a eu une conjonction de facteurs: la puissance des CPUs (des GPUs pour etre précis, c'est a dire des CPUs spécialisés dans les cartes graphiques - on parle ici analyse d'image, pas étonnant que la cpu de la carte graphique soit adaptée a cette tache) qui augmente chaque année a atteint le seuil critique nécessaire à cet exercice, mais aussi la montée en puissance du big data c'est a dire le stockage très important de données pouvant être exploiter par les ordinateurs. Plus particulièrement la creation de la base Imagenet
par l'Université de Stanford qui a mis a disposition une immense base d'image classifiée. C'est cette base qui servi à l'apprentissage des premiers réseaux profonds (Deep Learning) Depuis lors une course poursuite a lieu entre les GAFA (google, amazon, facebook, apple) pour la maitrise du Deep learning et l'application de ces résultats au development de leur business.
google semble le plus a la pointe dans le domaine: Après la reconnaissance des chats dans les vidéos en 2012, il a concu l'année derniere une machine capable de battre le champion du monde du jeu de GO. On se souvient que l'ordinateur bat depuis quelques temps deja le meilleur joueur d'echecs, initialement avec une méthode toute simple qui consiste à étudier toutes les possibilités pour déterminer la meilleure à chaque coup. La particularité du jeu de GO est que le plateau fait 19 lignes et 19 colonnes soit 361 intersections sur lesquels les joueurs posent a tour de role une pierre blanche ou noire. Le nombre de combinaison a étudier en début de partie est de l'ordre de 10^600 ( un 1 avec 600 zeros derriere) ce qui rend l'analyse systématique complètement impossible. L'ordinateur doit absolument devenir "intelligent", et c'est le deep learning qui lui donne cette capacité.
Si le fait de concevoir un ordinateur capable de nous battre aux jeux de plateau peut sembler inoffensif voire amusant, il y a une vrai inquiétude chez certains dans le fait que ces technologies soient développés par des entreprises privées. Car le principal débouché commercial touche à l'analyse des données personnelles et son exploitation. Certains imaginent même un futur relativement proche dans lequel les machines seront nettement plus intelligentes que l'homme quel que soit l'activité considérée, ce qui donnera un pouvoir extrêmement important et dangereux aux sociétés qui en maîtriseront la technologie (rappelons nous que se sont des machines qui font la guerre à notre place désormais).
Bon la ca finit sur une note un peu sombre, je me note d'essayer le rattraper le coup demain
En attendant bonne journée et bon trades a tous.
Comme je l'ai dit, le principe du réseau de neurones est ancien, et son principal problème jusqu'à récemment qu'il fallait beaucoup de neurones et de nombreuses couches intermédiaires pour résoudre un problème réel ce qui rendait le temps d'apprentissage beaucoup trop long et la quantité des données nécessaire pour effectuer cette apprentissage trop importante. Donc les résultats étaient globalement mauvais. La seule solution était de faire appel à un expert (humain) pour prémâcher le travail au système, qui du coup apparaissait beaucoup moins intelligent.
Et pour les usages fondamentaux de l'IA comme la reconnaissance d'image d'autres méthodes étaient préférées par les scientifiques. Seuls quelques irreductibles continuaient à travailler sur le réseau de neurones, mais la plupart s'accordaient la trouver la methode bonne théoriquement mais inutilisable dans la pratique.
Et la démonstration en était donné chaque année lors d'un concours de reconnaissance visuelle ou les autres méthodes donnaient systématiquement un taux d'erreur certes élevé (20 a 25%) mais inférieur au réseau de neurones.
Mais une révolution a eu lieu en 2012 date à laquelle c'est le réseau de neurones qui est subitement apparue plus efficace que les autres, faisant tomber le taux à 15%.
Alors pourquoi particulièrement en 2012? On va dire qu'il y a eu une conjonction de facteurs: la puissance des CPUs (des GPUs pour etre précis, c'est a dire des CPUs spécialisés dans les cartes graphiques - on parle ici analyse d'image, pas étonnant que la cpu de la carte graphique soit adaptée a cette tache) qui augmente chaque année a atteint le seuil critique nécessaire à cet exercice, mais aussi la montée en puissance du big data c'est a dire le stockage très important de données pouvant être exploiter par les ordinateurs. Plus particulièrement la creation de la base Imagenet
par l'Université de Stanford qui a mis a disposition une immense base d'image classifiée. C'est cette base qui servi à l'apprentissage des premiers réseaux profonds (Deep Learning) Depuis lors une course poursuite a lieu entre les GAFA (google, amazon, facebook, apple) pour la maitrise du Deep learning et l'application de ces résultats au development de leur business.
google semble le plus a la pointe dans le domaine: Après la reconnaissance des chats dans les vidéos en 2012, il a concu l'année derniere une machine capable de battre le champion du monde du jeu de GO. On se souvient que l'ordinateur bat depuis quelques temps deja le meilleur joueur d'echecs, initialement avec une méthode toute simple qui consiste à étudier toutes les possibilités pour déterminer la meilleure à chaque coup. La particularité du jeu de GO est que le plateau fait 19 lignes et 19 colonnes soit 361 intersections sur lesquels les joueurs posent a tour de role une pierre blanche ou noire. Le nombre de combinaison a étudier en début de partie est de l'ordre de 10^600 ( un 1 avec 600 zeros derriere) ce qui rend l'analyse systématique complètement impossible. L'ordinateur doit absolument devenir "intelligent", et c'est le deep learning qui lui donne cette capacité.
Si le fait de concevoir un ordinateur capable de nous battre aux jeux de plateau peut sembler inoffensif voire amusant, il y a une vrai inquiétude chez certains dans le fait que ces technologies soient développés par des entreprises privées. Car le principal débouché commercial touche à l'analyse des données personnelles et son exploitation. Certains imaginent même un futur relativement proche dans lequel les machines seront nettement plus intelligentes que l'homme quel que soit l'activité considérée, ce qui donnera un pouvoir extrêmement important et dangereux aux sociétés qui en maîtriseront la technologie (rappelons nous que se sont des machines qui font la guerre à notre place désormais).
Bon la ca finit sur une note un peu sombre, je me note d'essayer le rattraper le coup demain
En attendant bonne journée et bon trades a tous.
