Intelligence artificielle

Comprendre l'intelligence artificielle – Le futur aujourd'hui – Moyen

Comprendre l'intelligence artificielle - Le futur aujourd'hui - Moyen


Quand j'ai publié l'article "Comprendre la blockchain", beaucoup d'entre vous m'ont écrit pour me demander si je pouvais en créer une dédiée à Intelligence artificielle. La vérité est que je n’avais pas eu le temps de me lancer et que, avant de partager quoi que ce soit, je voulais terminer certains cours afin d’ajouter de la valeur aux recommandations.

Le problème avec Intelligence artificielle est qu’il est beaucoup plus fragmenté, à la fois sur le plan technologique et sur celui des cas d’utilisation, que Blockchain, ce qui est un réel défi de condenser toutes les informations et de les partager de manière significative. De même, j'ai essayé de faire un effort sur le résumé des concepts clés et sur la compilation de sources et de ressources intéressantes. J'espère que cela vous aidera aussi bien que moi!

DÉBUTANT

Commençons par un peu d’histoire. La chronologie que vous voyez est extraite de cet article et montre les étapes les plus importantes de Intelligence artificielle. Le terme d’intelligence artificielle remonte à Alan Turing, qui a défini un test, Test de Turing, pour mesurer la capacité d’une machine à afficher un comportement intelligent équivalent ou identique à celui d’un humain. Quelques années plus tard c'était John McCarthy qui a inventé le terme officiellement, lors du célèbre atelier de Dartmouth, avec la phrase suivante: «Chaque aspect de l’apprentissage ou toute autre caractéristique de l’intelligence peut, en principe, être décrit avec une précision telle qu’une machine peut être conçue pour le simuler. Nous allons essayer de découvrir comment faire en sorte que les machines utilisent le langage, à partir d'abstractions et de concepts, pour résoudre des problèmes maintenant réservés aux humains et pour s'améliorer ». Le reste des étapes que vous voyez, principalement Bleu profond et AlphaGo, apparaîtra tout au long de l'article à plusieurs reprises. Je vous recommande de regarder aussi le Fusion froide vidéo où quelques détails sur l'histoire de Intelligence artificielle sont nuancés.

Quelque chose de vraiment intéressant qui apparaît dans la vidéo sont les 7 aspects de l'intelligence artificielle définis en 1955 et qui sont toujours valables aujourd’hui et dans lesquels nous n’avons actuellement atteint (avec un certain progrès) que trois d’entre eux: programmer un ordinateur pour utiliser un langage général, un moyen de déterminer et de mesurer la complexité des problèmes et de s'améliorer. Nous pourrions aussi dire que nous commençons avec "Hasard et créativité", avec quelques exemples comme la bande-annonce de Morgan ou le scénario de «Surprising» (2016), les parfums de Watson et des projets comme AIVA, Magenta ou My Artificial Muse.

Par conséquent, nous pourrions dire que L'intelligence artificielle est une machine ou un programme informatique qui apprend à effectuer des tâches qui nécessitent un type d'intelligence et qui sont généralement effectuées par des humains.. Et quand on parle de types de renseignement, nous devons sauver Jack CopelandRéflexion de ce qu'est l'intelligence: «La pensée dominante en psychologie considère l'intelligence humaine non pas comme une capacité ou un processus cognitif unique, mais plutôt comme un ensemble de composants séparés. La recherche en intelligence artificielle a principalement porté sur les composantes suivantes de l'intelligence: apprentissage, raisonnement, résolution de problèmes, perception et compréhension du langage ».

Cela dit, allons-y avec les différents types d’intelligence artificielle. Dans la vidéo, il y en avait deux: IA faible ou aussi appelé Intelligence étroite artificielle (ANI), qui permet aux ordinateurs de surperformer les humains dans certaines tâches très spécifiques (le plus célèbre exemple est IBM Watson) et IA forte ou Intelligence Artificielle Générale (AGI), la capacité d’une machine à accomplir les mêmes tâches intellectuelles que l’être humain (nous sommes loin de l’atteindre). Il y a un troisième niveau appelé Surintelligence artificielle (ASI), quand une machine possède une intelligence qui dépasse de loin les esprits humains les plus brillants et les plus doués du monde réunis.

Une autre façon de le classer en quatre niveaux: Machines réactives, qui réagissent simplement à un stimulus (ou à plusieurs) mais ne peuvent pas s'appuyer sur des expériences antérieures et ne peuvent pas s'améliorer avec la pratique (IBM Deep Blue) Mémoire limitée, peut conserver et utiliser des données pendant une courte période mais ne peut pas les ajouter à une bibliothèque d'expériences (Voitures autonomes) Théorie de l'esprit, des machines qui imitent nos modèles mentaux: ont des pensées, des émotions et des souvenirs (il n'en existe pas encore) et enfin Connaissance de soi, ou machines conscientes, quelque chose qui reste dans le domaine de la science fiction (pour l'instant)

Nous avons maintenant atteint le ANI ou Mémoire limitée niveau, avec l’intention de faire le prochain saut, mais avec beaucoup d’incertitude quant au moment et à la manière de le réaliser. Si nous nous concentrons sur la première catégorisation, un projet pionnier pourrait jeter les bases de la réalisation de AGI (bien qu’il soit encore à des années-lumière) et est AlphaGo ou sa dernière version: AlphaZero. Ce dernier utilise une approche d'apprentissage totalement différente de celle des autres IA que nous avons vus. Les versions précédentes utilisaient des connaissances expertes (les humains introduisant ce qui était juste) ou nécessitaient beaucoup de données (la version d’AlphaGo qui a valu à Lee Sedol de Go l’apprentissage tiré de milliers de jeux). Au contraire, Alpha Zero utilise Apprentissage par renforcementc'est-à-dire qu'il apprend en jouant contre lui-même. Dans cet article, vous pouvez voir ce que cela signifie et comment, en 40 jours, apprendre de cette manière est devenu le meilleur de tous ses prédécesseurs et, par extension, le meilleur du monde.

Le nouveau débat avec DeepMind, les créateurs de AlphaGo qui ont été acquis par Google en 2014, est de savoir si cette approche est la bonne. Ils travaillent avec tabula rasa, c’est-à-dire qu’ils commencent par une toile vierge où Intelligence artificielle apprend complètement à partir de zéro. Une autre approche serait si l’intelligence artificielle avait une base pré-câblée, comme Chomsky avec sa théorie de la grammaire universelle, ou directement devrait être préchargé avec une couche de "bon sens" comme ça Etzioni est en train de créer à l’Allen Institute for Artificial Intelligence.

En revenant au présent et en comprenant ces concepts de base, nous pouvons voir les immenses applications de l'IA et comment nous en avons déjà beaucoup qui travaillent entre nos mains ou dans notre quotidien: assistants virtuels, traducteurs, recommandations pour commerce électronique ou les réseaux sociaux, chatbots … Ceci ne fait que commencer et va à toute vitesse! Si nous nous tournons un peu vers l’avenir, il est clair que l’IA va changer les entreprises, les industries, les pays et le monde entier; et c’est à nous de réfléchir à ce que nous voulons et de prendre les bonnes décisions à partir du présent. Gerd Leonhard a beaucoup parlé de ce sujet et, avec lui, de nombreux autres écrivains, penseurs et futuristes ont expliqué leur vision, principalement en utilisant Intelligence artificielle pour nous augmenter et nous compléter, pas pour nous remplacer.

  • Technologie Agentive. L'intelligence artificielle devrait nous augmenter, nous donner les outils pour nous débarrasser du travail et le faire avec autonomie.
  • Centaures. Il est démontré que la somme de l'IA et des humains est meilleure que l'IA seule en raison de la complémentarité des compétences (Kasparov l'a prouvé à plusieurs reprises).
  • Multiplicité. La clé réside dans la collaboration entre intelligence artificielle et intelligence amplifiée (humaine + artificielle).
  • IA superpuissances. Le Dr Kai-Fu inclut des variables telles que la compassion, l'amour et je dirais l'empathie, plaçant l'IA au centre.

Ensuite, nous avons Yuval Noah Harari et Tristan Harris qui parlent de dataïsme et en appelant à une grande réflexion et à une éthique, Elon Musk et un autre groupe de technologues et de scientifiques ont développé des initiatives pour sensibiliser le public au fait que nous sommes sur notre chemin de l'autodestruction et en créant des projets comme OpenAI pour une intelligence artificielle «sûre». Personnellement, je ne vois pas encore cette approche Black Mirror mais je crois que nous sommes sur le point de commencer à réfléchir à ce que nous voulons faire et d'essayer de créer une sorte de comité mondial chargé de prendre des décisions au niveau planétaire et en tant qu'espèce..

Pour terminer ce premier bloc, vous avez ici une liste de livres sur l’intelligence artificielle, hautement recommandés par Nick Bostrom, et une liste de films, hautement recommandée, les deux derniers: Elle (2013) et Ex Machina (2015).

AVANCÉE

Nous passons au niveau suivant! Quelle que soit la catégorie, la base d’apprentissage technologique de l’Intelligence Artificielle repose principalement sur deux piliers: Apprentissage symbolique et Apprentissage machine. Curieusement, le premier pilier est celui qui a tout commencé, mais avec la naissance de Apprentissage machine et spécifiquement avec L'apprentissage en profondeur, tous les efforts ont été concentrés sur le second (bien que de nombreux technologues envisagent de reprendre le premier). Avant de poursuivre, jetez un coup d’œil à cette vidéo de Raj Ramesh:

Vraiment intéressant de voir comment il synthétise les différentes branches de l’intelligence artificielle. Je pense qu’il est clair que la branche la plus prometteuse qui reste à rester est Machine Learning, qui n’est rien de plus qu’un système capable de prendre de grandes quantités de données, de développer des modèles capables de les classer avec succès, puis de faire des prédictions avec de nouvelles données.. Pour comprendre un peu plus cette approche, regardez ceci CGP Grey’s vidéo:

Une des choses les plus intéressantes est que ces modèles ne sont pas programmés, ils sont issus de la formation, et il y a un point où aucun humain, ni les programmeurs eux-mêmes, ne peuvent comprendre son fonctionnement. À présent, suffisamment de nouveaux «mots» sont sortis. Je vous laisse donc avec un dictionnaire IA pour débutants et une lecture supplémentaire: Différence entre apprentissage automatique, apprentissage en profondeur et intelligence artificielle.

Il est maintenant temps d’approfondir L'apprentissage en profondeur, l'approche la plus avancée pour développer Intelligence artificielle aujourd'hui. Après avoir lu de nombreux articles, visionné de nombreuses vidéos et suivi des cours, je peux dire avec certitude qu’un moyen idéal d’avoir une vue complète de la L'apprentissage en profondeur, la gestion des concepts de base, la terminologie technique et même commencer à connaître certains outils et plates-formes est DeepLearningTV. Je ne sais pas combien de temps il restera actif (je vous recommande de télécharger les vidéos) car leur dernière mise à jour date de quelque temps et je ne vois aucune entreprise ou communauté derrière cela… Leurs vidéos sont en or pur! Ici vous avez la liste complète avec les 31 épisodes:

Impressionnant, n'est-ce pas? Je pense que ce qui nécessite un peu plus de développement, ce sont les cadres ou les outils de Machine / Deep Learning. Ça parle de TensorFlow, Caffe, Torch, DeepLearning4j et Theano mais il y a beaucoup d'autres comme Keras, AMI Deep Learning AMI, Google Cloud ML Engine ou Microsoft Cognitive CNTK. Comme matériel complémentaire, vous avez ici quelques liens avec des comparatifs de ces plateformes:

Résumons quelques points clés pour fermer ce bloc:

  • Types d'apprentissage: Enseignement supervisé (contient à la fois des entrées et des sorties souhaitées, et est formé avec des données de formation); Apprentissage non supervisé (contient uniquement des données d'entrée qui n'ont pas été étiquetées ou classées et les éléments communs sont identifiés); et Apprentissage par renforcement (au lieu de se concentrer sur la performance, cherche un équilibre entre exploration - nouvelles connaissances - et exploitation - connaissances actuelles).
  • Modèles d'apprentissage: il y en a beaucoup comme régression de base (linéaire, logistique), classification (réseaux de neurones, baies naïves, forêt aléatoire…), analyse par grappes (k-moyennes, détection d'anomalies…). Vous avez ici une infographie comme aide-mémoire et une vidéo qui explique un peu plus en détail 7 de ces modèles.

Comme vous pouvez le voir, Réseaux de neurones artificiels (RNA) peut assumer les trois types d’apprentissage et s’inscrire dans le spectre de la classification. Je ne vais pas aller plus loin dans les types à l'intérieur de chacun, comme CNN ou RNN Vous le verrez dans la section suivante, mais je tiens à partager avec vous un article de Matt Truck sur la distance qui nous sépare de l’AGI: Frontier AI: À quelle distance sommes-nous de l’intelligence artificielle «générale»? Maintenant que nous avons une base solide sur le fonctionnement de DeepMind et AlphaGo (apprentissage en profondeur + apprentissage par renforcement), un autre terme clé apparaît: transfert d'apprentissage. Il s’agit de la possibilité d’appliquer les connaissances acquises dans certaines tâches à de nouvelles tâches. DeepMind le résout avec PathNet, un réseau de réseaux de neurones formés. Vous avez un autre article très intéressant sur ce sujet, avec des résultats positifs sur le transfert de connaissances entre jeux simples. De toute évidence, cette extrapolation au monde réel reste de la science-fiction, mais c’est un bon début.

Revenant à l’article de Truck, il énumère différentes approches vraiment intéressantes des ANN, telles que Réseaux corticaux récursifs (RCN), CapNets, ordinateurs neuronaux différentiables (DNC)… En bref, fusionner les neurosciences avec l'IA. Dans l'article, il nomme un atelier, «Calcul canonique dans les cerveaux et les machines», où il parle spécifiquement de ces sujets et du contenu qui est chargé sur YouTube. Je n’ai pas eu le temps de le regarder entièrement (24 conférences de 40 minutes…) mais ici vous avez la liste complète (commencez par Quels sont les principes d'apprentissage chez les nouveau-nés?)

TECHNIQUE

Et nous avons atteint le dernier niveau! Dans cette section Je n’expliquerai aucun nouveau concept en détail, mais je vous recommande différents cours en ligne, gratuits et payants. Bien entendu, il s’agit de cours techniques, certains exigent une expérience de la programmation et d’autres une solide base mathématique. L'important dans ces cours est que vous acquériez les connaissances dont vous avez besoin. Certains d’entre vous voudront aller jusqu’à pouvoir programmer un Alpha Zero (comme ils écrivent dans cet article) et d’autres, comme c’est mon cas, comprennent les bases technologiques et extrapolent à partir de là. Commençons!

AI pour tous - Andrew Ng

Je ne sais pas si tu sais Andrew Ng, co-fondateur de Coursera, Directeur de Laboratoire d'IA de Stanford et ancien Chef scientifique à Baidu. Je le connaissais depuis le livre gratuit qu'il a lancé dans Machine Learning et je recommande le cours qu'il a lancé à Coursera, 100% en ligne et gratuit.

L'intelligence artificielle n'est pas seulement pour les ingénieurs. Ce cours non technique vous aidera à comprendre des technologies telles que l’apprentissage automatique et l’apprentissage approfondi, et à repérer les possibilités d’appliquer l’intelligence artificielle aux problèmes de votre propre organisation. Vous verrez des exemples de ce que l’intelligence artificielle d’aujourd’hui peut ou ne peut pas faire. Enfin, vous comprendrez comment l'IA impacte la société et comment naviguer dans ce changement technologique.

Google Machine Learning

Google propose de nombreux contenus de formation liés à TensorFlow. Je recommande le cours intensif de ML. Sur Youtube, vous trouverez des recettes d'apprentissage automatique avec Josh Gordon et AI Adventures, qui sont également très recommandables. Je vous conseille également de passer par les expériences d'IA.

Amazon Machine Learning

Récemment, Amazon Web Services a ouvert ses cours internes d’apprentissage automatique: 35 cours en ligne d’une durée totale supérieure à 45 heures. Ils sont totalement gratuits et bien qu’ils se concentrent sur les technologies Amazon, je pense qu’ils aident à établir une base de connaissances très solide, Machine et Deep Learning.

Udacity

Udacity a commencé son parcours par un cours d'Intelligence Artificielle. Ce cours n'existe plus en tant que tel, mais il est intégré à ce qu'ils appellent Nanodegrees. Je n’en ai encore fait aucune, mais ils en ont une sur l’intelligence artificielle, une autre sur l’apprentissage en profondeur et une autre sur les voitures autonomes. Très puissant.

Udemy

Enfin dans Udemy vous pouvez trouver 3 cours payés des mêmes créateurs du cours que j'ai recommandé sur Blockchain: SuperDataScience. Je vous recommande de commencer avec Intelligence artificielle:

Je ferme ce bloc avec les feuilles de triche publiées par Stanford et avec la boîte à outils Machine Learning d’Altexsoft. Très utile!

J'espère que ce guide vous intéressera et qu'il vous aidera à en savoir plus sur l'IA. S'il vous plaît, parlez-moi de vos progrès

# 365daysde #AI #intelligence artificielle #futurisme #technologie # jour291

Show More

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Related Articles

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Close
Close