Comment fonctionne une I.A ?

« Comment fonctionne l’intelligence artificielle ? Apprentissage machine. Reconnaissance faciale Problèmes éthiques ? Apparait vers 2010 RESSOURCES  Manuel Belin : • Interview de Serge Abiteboul, directeur de recherche à l'INRIA « L'IA regroupe des techniques informatiques permettant à des machines de réaliser des actions normalement associées à l'intelligence humaine : compréhension, adaptation, apprentissage… Une branche de l'IA, l'apprentissage machine, a récemment obtenu des résultats surprenants pour des problèmes jusqu'ici sans solution informatique.

Un programme d'apprentissage est un programme particulier (ex : un « réseau de neurones ») avec de très nombreux paramètres à régler.

On lui donne comme entrée une image de chat et on lui dit qu'il faut régler ses paramètres pour que la sortie dise : c'est un chat.

On fait la même chose avec plein d'images de chats et de chiens.

À l'aide de tas de calculs, le programme règle ses paramètres pour reconnaître les chats et les chiens sur ces images. Quand on lui donne l'image d'un animal inconnu, le programme détermine si ce nouvel animal ressemble plutôt à un chat ou un chien : il a appris à distinguer les deux espèces.

Cela marche pour d'autres problèmes.

Il faut bien saisir l'importance de toutes ces images qui ont permis au programme d'apprendre.

On appelle cela une « supervision ».

L'apprentissage non supervisé s'appuie sur d'autres techniques, comme l'apprentissage par renforcement par lequel le programme apprend de ses succès et de ses erreurs.

» • Entrainer une I.A. « Les voitures autonomes possèdent des algorithmes qui fonctionnent sur des ordinateurs de bord puissants.

Ces algorithmes, utilisant des réseaux neuronaux artificiels, permettent à la machine d'apprendre à reconnaître des objets sur des images.

Ainsi, à partir d'un nombre important de données accumulées par les caméras et différents capteurs, la voiture autonome apprend à reconnaître des véhicules, des piétons, des panneaux de signalisation etc… La teachable machine de Google fonctionne comme un réseau neuronal présent dans les voitures autonomes.

La caméra de l'ordinateur ou du smartphone est utilisée pour l'apprentissage (grande quantité d'images obtenues en très peu de temps). L'expérience a ici été réalisée en utilisant des jouets : – une voiture de pompier ; – un personnage ; – un animal. Après quelques secondes d'acquisition sur chaque objet sous différents angles, le réseau de neurones a accumulé assez de données pour reconnaître un véhicule, un animal et un piéton autre que ceux utilisés pour l'apprentissage.

» • Le fonctionnement de l’apprentissage machine `  Manuel Le Livre Scolaire Règlement général sur la protection des données : : INTRODUCTION : L'intelligence artificielle De nos jours, les intelligences artificielles sont devenues omniprésentes dans notre vie quotidienne.

Ils sont utilisés dans de nombreux secteurs tels que la finance, la médecine, la technologie, la sécurité, la logistique, etc.

Tout d'abord il faut savoir que l'intelligence artificielle est une science nouvelle et évolutive il n'existe pas à proprement parler de définition exacte d’intelligence artificielle mais elle est souvent désignée comme étant l'ensemble des techniques et des méthodes qui permettent aux machines de simuler l'intelligence humaine.

L'IA est essentiellement une technologie de traitement des données qui permet aux machines d'apprendre, de s'adapter et d'effectuer des tâches à un niveau humain, voire supérieur.

Elle peut également, modéliser et produire des connaissances, analyser du texte, des images ou des scènes en temps réels (détection faciale) ou encore de réaliser des actions (imiter, reproduire des gestes humains). Comment fonctionne-t-elle exactement ? Tout d’abord, il existe deux types d'IA : l'IA faible ou l'IA de niveau 1 qui est utilisée pour des tâches spécifiques, tels que la reconnaissance vocale ou la traduction automatique.

Les intelligences artificielles développées aujourd’hui sont dites « faibles » : elles savent au mieux imiter le raisonnement de l’être humain et appliquer des protocoles qui guident leurs décisions.

Ces machines semblent agir comme si elles étaient intelligentes, mais elles montrent leurs limites quand on leur fait passer le test de Turing. Vient ensuite l'IA forte ou l'IA de niveau 2 qui est capable de raisonner, de comprendre et de s'adapter comme le ferait un humain. DEFINITION ➔ Science nouvelle, évolutive et expérimentale. ➔ Tentative d’imiter l’intelligence humaine à l’aide d’un robot ou d’un logiciel, et dont le but est de remplacer l’homme dans certaines et de le surpasser dans d’autres.

. ➔ Discipline scientifique qui consiste à créer des programmes informatiques qui effectuent des opérations comparables à celles de l’esprit humain, telles que l’apprentissage ou le raisonnement logique. ➔ Ensemble d’algorithmes permettant à une machine d’analyser, de décider et de s’adapter en faisant des prédictions à partir de données déjà acquises. But : Modéliser et produire des connaissances, analyse du texte, des images ou des scènes en temps réels (détection faciale) ou encore de réaliser des actions (imiter, reproduire des gestes humains).) FONCTIONNEMENT : L'Intelligence artificielle fonctionne en utilisant des algorithmes et des modèles mathématiques pour simuler l'intelligence humaine.

Les modèles d'IA sont entraînés à partir de données, appelées "ensemble de données d'apprentissage", pour apprendre à effectuer une tâche spécifique, comme la reconnaissance vocale ou la reconnaissance d'images.

Cette technique est nommée “apprentissage machine”.

L’apprentissage machine est la science qui consiste à faire en sorte que les machines apprennent et agissent de manière identique aux humains, en apprenant de manière autonome à partir des interactions du monde réel et des ensembles de données d’enseignement que nous leur fournissons. Il existe plusieurs méthodes utilisées pour développer l'IA : • L'apprentissage automatique : Il s'agit de la méthode la plus couramment utilisée pour développer l'IA et produire des connaissances.

Il existe plusieurs types d'apprentissage automatique, notamment l'apprentissage supervisé, non supervisé et par renforcement. ➔ L'apprentissage supervisé : L’homme entraîne un modèle d'IA en lui fournissant des données, des exemples d'entrée et de sortie désirées, afin qu'il puisse apprendre à effectuer une tâche spécifique. ➔ L'apprentissage non supervisé : il consiste à donner au modèle d'IA accès à des données non étiquetées, et de lui permettre de découvrir des structures et des relations dans les données par lui-même.

Chercher, détecter des tendances dans des données, souvent impossibles à identifier pour un humain, pour développer lui-même un algorithme : l’IA développe elle-même un algorithme à partir de données non étiquetées (A l’inverse de l’apprentissage supervisé qui tente de trouver un modèle depuis des données étiquetées, l’apprentissage automatique non-supervisé est utilisé lorsque les informations fournies pour former le modèle ne sont ni classées ni étiquetées. L’objectif de l’apprentissage non supervisé n’est pas de déterminer une prédiction mais de modéliser la structure ou la distribution sous-jacente dans les données qui sont étudiées afin d’en apprendre davantage sur celles-ci. On l’appelle apprentissage non-supervisé car, contrairement à l’apprentissage supervisé, il n’y a pas de réponse correcte ni d’enseignant. L’algorithme apprend à partir de données brutes, élabore sa propre classification et présente les structures de données qu’il juge intéressantes.

La classification qu’il propose est libre d’évoluer lorsque des éléments nouveaux lui sont présentés. L’algorithme s’appuie notamment sur des fonctions de similarité, de distance entre les cas pour les regrouper en classes.

La pertinence des classes obtenues doit être revue et validée par des experts avant de décider si l’algorithme peut être déployé en pratique.) ➔ L'apprentissage par renforcement consiste à récompenser ou punir le modèle d'IA en fonction de ses actions, pour l'encourager à effectuer des actions qui mènent à des résultats désirés.

Au lieu de fournir à l’ordinateur des paires d’entrées-sorties correctes, l’apprentissage par renforcement fournit à la machine une méthode pour mesurer ses performances avec un renforcement positif.

Tout comme les humains et les animaux apprennent des tâches, la machine essaie plusieurs façons de résoudre un problème et est récompensée par un signal si elle réussit.

Ce comportement est ensuite appris et répété la prochaine fois que le même problème est présenté. L’apprentissage par renforcement (RL pour Reinforcement Learning) fait référence à une classe de problèmes d’apprentissage automatique, dont le but est d’apprendre, à partir d’expériences successives, ce qu’il convient de faire de façon à trouver la meilleure solution. Dans un tel problème, on dit qu’un « agent » (l’algorithme, au sens du code et des variables qu’il utilise) interagit avec « l’environnement » pour trouver la solution optimale. L’apprentissage par renforcement diffère fondamentalement des problèmes supervisés et non supervisés par ce côté interactif et itératif : l’agent essaie plusieurs solutions (on parle « d’exploration »), observe la réaction de l’environnement et adapte son comportement (les variables) pour trouver la meilleure stratégie (il « exploite » le résultat de ses explorations).

Un des concepts clés de ce type de problèmes est l’équilibre entre ces phases d’exploration et d’exploitation. Cette méthode est particulièrement adaptée aux problèmes nécessitant un compromis entre la quête de récompenses à court terme et celle de récompenses à long terme.

Parmi les exemples de problèmes traités de cette façon, on peut évoquer : apprendre à un robot à marcher en terrain difficile, à conduire (cas de la voiture autonome) ou à accomplir une tâche spécifique (comme jouer au jeu de go), piloter un agent à travers un labyrinthe, etc.

Les principales familles de problèmes d’apprentissage par renforcement.... »