Bonjour a tous !
J’espère que vous avez passé un bon weekend et que vous êtes en pleine forme en ce lundi matin, car j'ai choisi de vous parler d'intelligence artificielle cette semaine
Donc un deuxième café ne sera pas de trop avant de continuer la lecture
Depuis la fin de la dernière guerre mondiale, les scientifiques travaillent a rendre l'ordinateur intelligent. L'objectif ultime de l'époque était de créer une machine à notre image, c'est a dire ayant nos capacités de perception et surtout notre intelligence. Les romanciers et les scénaristes ont évidemment été plus rapides à imaginer notre futur avec les machines.
Pour le meilleur
Ou pour le pire
Mais il faut bien reconnaitre que 70 ans plus tard tout cela n'est encore qu'un fantasme. Car en parallele, notre connaissance du cerveau humain a elle aussi progressé (faiblement c'est vrai, mais quand meme), et notre organe pensant semble toujours plus complexe au plus on l'étudie. Donc la tache est trop ardue. Et comment reproduire artificiellement quelle chose que l'on ne comprend pas vraiment? Pas facile n'est ce pas?
Eh bien on ne se laisse pas abattre, et on découpe le problème en taches plus simples.
Si on commencait par doter nos ordinateurs de capacité d'apprentissage?
C'est le machine learning.
Le principe est assez simple: Au lieu d'écrire un programme qui execute une série d'instructions déterminées avec des données en entrée et en sortie, on donne un très grand nombre de données au programme pour qu'il apprenne a y reconnaître des caractéristiques particulières qui seraient difficiles voire impossibles à décrire a priori. L'exemple le plus simple d'application du machine learning est la reconnaissance visuelle.
Reconnaître un chat dans une vidéo Youtube est une tache que nous pouvons tous réaliser sans aucun effort, mais qui restait impossible pour un ordinateur il n'y a encore pas si longtemps. Parce qu'on ne savait décrire ce qu'était un chat de façon a la fois suffisamment générique et suffisamment précise pour que le programme ne se trompe pas. Donc au lieu de ça, on lui fait analyser des vidéos de chat (et là ça tombe bien, c'est pas ca qui manque
) pour qu'il détermine lui même comment les reconnaître.
Et si l'approche n'est pas récente, c'est la qualité des algorithmes d'apprentissage qui fait maintenant toute la différence.
Et cet exemple de chat n'est pris au hasard: c'est vraiment l'experience qui a été réalisé en Juin 2012 par Google avec un réseau de 16000 ordinateurs qui ont analysé pas moins 10 millions d'images de chat à partir de vidéo youtube. Et maintenant le programme repere les chats dans les nouvelles vidéos de façon quasi infaillible.
Alors c'est vrai, reconnaitre un chat sur Youtube peut paraitre une activité un peu futile a apprendre a un ordinateur (bien qu'elle représente une part non négligeable de l'activité humaine de nos jours), mais on imagine bien tous les usages de la reconnaissance visuelle: pour aider la conduite des véhicules sans chauffeur ou pour donner l'alerte automatiquement en analysant la vidéo d'une camera de surveillance.
Cette science précise est le Deep learning dont je vous propose de reparler un peu plus demain.
En attendant bonne journée et bon trading a tous.
J’espère que vous avez passé un bon weekend et que vous êtes en pleine forme en ce lundi matin, car j'ai choisi de vous parler d'intelligence artificielle cette semaine
Donc un deuxième café ne sera pas de trop avant de continuer la lecture
Depuis la fin de la dernière guerre mondiale, les scientifiques travaillent a rendre l'ordinateur intelligent. L'objectif ultime de l'époque était de créer une machine à notre image, c'est a dire ayant nos capacités de perception et surtout notre intelligence. Les romanciers et les scénaristes ont évidemment été plus rapides à imaginer notre futur avec les machines.
Pour le meilleur
Spoiler:
Spoiler:
Eh bien on ne se laisse pas abattre, et on découpe le problème en taches plus simples.
Si on commencait par doter nos ordinateurs de capacité d'apprentissage?
C'est le machine learning.
Le principe est assez simple: Au lieu d'écrire un programme qui execute une série d'instructions déterminées avec des données en entrée et en sortie, on donne un très grand nombre de données au programme pour qu'il apprenne a y reconnaître des caractéristiques particulières qui seraient difficiles voire impossibles à décrire a priori. L'exemple le plus simple d'application du machine learning est la reconnaissance visuelle.
Reconnaître un chat dans une vidéo Youtube est une tache que nous pouvons tous réaliser sans aucun effort, mais qui restait impossible pour un ordinateur il n'y a encore pas si longtemps. Parce qu'on ne savait décrire ce qu'était un chat de façon a la fois suffisamment générique et suffisamment précise pour que le programme ne se trompe pas. Donc au lieu de ça, on lui fait analyser des vidéos de chat (et là ça tombe bien, c'est pas ca qui manque
) pour qu'il détermine lui même comment les reconnaître.Et si l'approche n'est pas récente, c'est la qualité des algorithmes d'apprentissage qui fait maintenant toute la différence.
Et cet exemple de chat n'est pris au hasard: c'est vraiment l'experience qui a été réalisé en Juin 2012 par Google avec un réseau de 16000 ordinateurs qui ont analysé pas moins 10 millions d'images de chat à partir de vidéo youtube. Et maintenant le programme repere les chats dans les nouvelles vidéos de façon quasi infaillible.
Alors c'est vrai, reconnaitre un chat sur Youtube peut paraitre une activité un peu futile a apprendre a un ordinateur (bien qu'elle représente une part non négligeable de l'activité humaine de nos jours), mais on imagine bien tous les usages de la reconnaissance visuelle: pour aider la conduite des véhicules sans chauffeur ou pour donner l'alerte automatiquement en analysant la vidéo d'une camera de surveillance.
Cette science précise est le Deep learning dont je vous propose de reparler un peu plus demain.
En attendant bonne journée et bon trading a tous.
