Domaines mis en jeu:
- Statistiques: quantifier/décrire des observations
- Data Mining: expliquer/découvrir les motifs/structures
- Machine learning: prédire avec des modèles
- Artificial Intelligence: agir/prendre des décisions
Terminologie
Lien vers l'original
- Big Data: données massives (cas particulier de volumétrie), définies comme telles selon 3 critères (3V):
- Volume (taille)
- Vélocité: à quelle vitesse les données arrivent elle?
- Variété: à quel point les données sont-elles hétérogènes (numériques, images, Json, …)
- Machine Learning: technologie permettant d’apprendre sans programmation explicite à partir de données en entrée.
- Pattern recognition: reconnaissance de caractéristiques structurelles spécifiques
- Data Mining: fouille/forage de données…terme plus ancien
- Deep Learning: catégorie de ML utilisant des réseaux de neurones
- Agent: une entité qui perçoit et agit
- Rational agent: Un agent rationnel est un agent qui agit d’une manière lui permettant d’obtenir le plus de succès possible dans la réalisation des tâches qu’on lui a assignées
- Machine Learning : a target is called a label.
- Statistics : a target is called a dependent variable.
- A variable in statistics is called a feature in machine learning.
- A transformation in statistics is called feature creation in machine learning.
Donnée - Information - Connaissance
Une donnée est l’enregistrement d’une observation destinée à être interprétée/traitée par l’humain (ex. température, temps de réaction, âge, …) Une information est le signifiant attaché à la donnée ou à un ensemble de données par association. L’information est définie selon un contexte (ex. temps chaud pour T=40°C; nourrisson pour âge=2mois, …) Une connaissance est une information nouvelle, apprise par association d’information de base, de règles, de raisonnement, d’expérience (ex. T=35°C et avec cette température, nous devons ajuster le système de refroidissement; âge=2mois alors il ne faut pas lui donner d’alcool, …)
IA et apprentissage
| Type d’apprentissage | Supervisé | Non Supervisé | Par renforcement |
|---|---|---|---|
| Description | Les données d’entrée ont été labelisée (i.e. elles ont déjà été traitées) | Données non labelisées, l’algorithme doit trouver des structures cachées | On qualifie la sortie du système (note de performance, ex: qté d’argent, distance parcourue…) afin de l’entrainer par essai-errur |
| Exemple | k-NN (NearestNeighbours); reconnaissance de chiffre manuscrits, … | Clustering, segmenter une clientèle selon leurs comportements, … | Alpha-Go, Checkers, apprentissage de la marche pour les robots, … |
Deep learning: Relatif à la méthode d’implémentation (des réseaux de neurones) plutôt qu’au type d’apprentissage (ex: reconnaissance d’image, traduction automatique, ChatGPT).
Notion d’intelligence
Intelligence: Capacité à comprendre un contexte nouveau, et à réagir à cette nouvelle situation de façon adaptée (Richard Atkinson). Plusieurs définition possibles, certains points communs entre les définitions:
- Capacité à s’adapter à l’inconnu
- Capacité à apprendre
- Capacité à relier, à dégager des formes
Que permet l’IA aujourd’hui:
| OUI | NON |
|---|---|
| Traitement du langage naturel | Conscience et émotions |
| Automatisation industrielle | Autonomie totale dans la conduite - Doucement si! |
| Jouer à des jeux vidéos | Conduite autonome |
| Diagnostique médical assisté | Prise de décisions éthiques complexes |
| Reconnaissance d’images et de visages | Créativité réelle |
| Prévisions et recommandations | Adaptation à des environnements totalement inconnus |
| Résolution de problèmes complexes nécessitant du bon sens | |
| Compréhension profonde et raisonnement générale | |
| IA généralisée: Capable d’étendre les apprentissages réalisés dans un domaine à un autre. |
IA, c’est quoi?
| Fidelity | Performance | |
|---|---|---|
| Reasoning/internal | Think like people The automation of activities that we associate with human thinking, activities such as decision-making, problem solving, learning… (Bellman, 1978) | Think rationally The study of the computations that make it possible to perceive, reason and act. (Winston, 1992) |
| behaviour/external | Act like people The study of how to make computers do things at which, at the moment, people are better. (Rich and Knight, 1991) | Act rationally Computational Intelligence is ths study of the design of intelligent agents. (Poole et al. 1998) |
| Répétition du tableau…: |
- Reproduction du comportement : L’IA est jugée uniquement sur sa capacité à imiter les actions humaines de manière efficace, sans tenir compte des processus qu’elle utilise pour arriver à ces actions. Ce qui compte, c’est le comportement observable.
- Modélisation du fonctionnement : L’IA est jugée sur sa capacité à imiter les processus cognitifs humains, c’est-à-dire la manière dont elle pense ou raisonne, même si ses actions ne sont pas directement les mêmes que celles d’un humain.
Thinking humanly
Pour comprendre comment pense l’Humain:
- Introspection, investigation expérimentale, nécessite des théories sur l’activité du cerveau
- Nécessite d’exprimer ces théories en tant que programmes informatiques Pour valider ces théories:
- Prédiction et test du comportement humain (top-down)
- Identification directement depuis les données neurobiologiques (bottom-up)