undefined cover
undefined cover
Reinforcement Learning : un large champ d’applications industrielles - Thomas Lecat (Staff Research Engineer @ InstaDeep) #65 cover
Reinforcement Learning : un large champ d’applications industrielles - Thomas Lecat (Staff Research Engineer @ InstaDeep) #65 cover
Intelligence Artificielle - Data Driven 101 - Le podcast IA & Data 100% en français

Reinforcement Learning : un large champ d’applications industrielles - Thomas Lecat (Staff Research Engineer @ InstaDeep) #65

Reinforcement Learning : un large champ d’applications industrielles - Thomas Lecat (Staff Research Engineer @ InstaDeep) #65

44min |07/07/2024|

2725

Play
undefined cover
undefined cover
Reinforcement Learning : un large champ d’applications industrielles - Thomas Lecat (Staff Research Engineer @ InstaDeep) #65 cover
Reinforcement Learning : un large champ d’applications industrielles - Thomas Lecat (Staff Research Engineer @ InstaDeep) #65 cover
Intelligence Artificielle - Data Driven 101 - Le podcast IA & Data 100% en français

Reinforcement Learning : un large champ d’applications industrielles - Thomas Lecat (Staff Research Engineer @ InstaDeep) #65

Reinforcement Learning : un large champ d’applications industrielles - Thomas Lecat (Staff Research Engineer @ InstaDeep) #65

44min |07/07/2024|

2725

Play

Description

Thomas Lecat, Staff Research Engineer chez InstaDeep, est l'invité de l'épisode 65 de Data Driven 101.

Il nous plonge dans l'univers du Deep Reinforcement Learning, une technologie révolutionnaire pour l'optimisation industrielle. 

Thomas nous parle de ses applications concrètes, de l'optimisation des réseaux électriques à la planification des transports, en passant par le routage des circuits imprimés. Il nous apprend que cette approche permet de résoudre des problèmes complexes avec une flexibilité et une performance accrues par rapport aux méthodes traditionnelles.


🔑 MOTS CLÉS
Deep Reinforcement Learning (DRL)
: Une sous-branche de l'intelligence artificielle où les algorithmes apprennent en interagissant avec leur environnement, optimisant les décisions prises en fonction des récompenses reçues.

Optimisation combinatoire : Un domaine des mathématiques appliquées dédié à la recherche des solutions optimales parmi un ensemble fini de solutions possibles, crucial dans la planification industrielle.

JAX : Une bibliothèque open-source de Google utilisée pour le calcul différentiable en Python, permettant l'optimisation et la parallélisation sur GPU, essentielle pour des simulations rapides et efficaces.

Evolutionary Algorithms (EA) : Une classe d'algorithmes inspirés de la théorie de l'évolution naturelle, utilisés en combinaison avec le reinforcement learning pour explorer de vastes espaces de solutions.

Policy Gradient Methods : Techniques de reinforcement learning qui optimisent directement la politique de prise de décision de l'agent, en fonction des gradients de récompense.

Soft Actor-Critic (SAC) : Un algorithme avancé de reinforcement learning qui combine les avantages de l'apprentissage par politiques stochastiques et déterministes pour une exploration efficace et une stabilité accrue.


🎙 SOUTENEZ LE PODCAST

> Abonnez-vous 🔔

> Laissez 5 étoiles et un avis  🥰 

Sur Spotify : ici

Sur Apple Podcast : ici

Sur Deezer : ici

Sur Google Podcast : ici 


🧐 DANS LA MÊME THÉMATIQUE 

Épisode 23 : Hamza Tajmouati (Head of AI & Data @ Iktos ) : L’IA générative pour créer des médicaments

Épisode 59 : IA dans la consultation médicale - Samuel Humeau (Lead Machine Learning @ Nabla)

Épisode 52 : Météo, océan et climat : prédire et modéliser grâce à l’intelligence artificielle - Louis Thiry (chercheur @ INRIA)


👋 PLUS DE CONTENU DATA ?

> Suivez-moi sur LinkedIn (tips/réflexions) ici 🤳

> Suivez-nous sur Tiktok 📳

> Abonnez-vous à notre chaîne Youtube



🚀 BESOIN D’EXPERTISE IA & DATA ?

Scopeo vous accompagne de A à Z dans vos projets IA : découvrez nos solutions :

  • Diagnostic IA & Data : évaluation du potentiel de l'Intelligence Artificielle pour votre entreprise, compréhension de ce qui est réalisable avec les technologies actuelles, et mesure des risques et des opportunités associés à l'IA pour votre activité

  • IA sur mesure : création d'une Intelligence Artificielle sur mesure, adaptée à vos besoins spécifiques, développement et intégration des meilleures solutions sur mesure pour répondre à vos problématiques uniques


Description

Thomas Lecat, Staff Research Engineer chez InstaDeep, est l'invité de l'épisode 65 de Data Driven 101.

Il nous plonge dans l'univers du Deep Reinforcement Learning, une technologie révolutionnaire pour l'optimisation industrielle. 

Thomas nous parle de ses applications concrètes, de l'optimisation des réseaux électriques à la planification des transports, en passant par le routage des circuits imprimés. Il nous apprend que cette approche permet de résoudre des problèmes complexes avec une flexibilité et une performance accrues par rapport aux méthodes traditionnelles.


🔑 MOTS CLÉS
Deep Reinforcement Learning (DRL)
: Une sous-branche de l'intelligence artificielle où les algorithmes apprennent en interagissant avec leur environnement, optimisant les décisions prises en fonction des récompenses reçues.

Optimisation combinatoire : Un domaine des mathématiques appliquées dédié à la recherche des solutions optimales parmi un ensemble fini de solutions possibles, crucial dans la planification industrielle.

JAX : Une bibliothèque open-source de Google utilisée pour le calcul différentiable en Python, permettant l'optimisation et la parallélisation sur GPU, essentielle pour des simulations rapides et efficaces.

Evolutionary Algorithms (EA) : Une classe d'algorithmes inspirés de la théorie de l'évolution naturelle, utilisés en combinaison avec le reinforcement learning pour explorer de vastes espaces de solutions.

Policy Gradient Methods : Techniques de reinforcement learning qui optimisent directement la politique de prise de décision de l'agent, en fonction des gradients de récompense.

Soft Actor-Critic (SAC) : Un algorithme avancé de reinforcement learning qui combine les avantages de l'apprentissage par politiques stochastiques et déterministes pour une exploration efficace et une stabilité accrue.


🎙 SOUTENEZ LE PODCAST

> Abonnez-vous 🔔

> Laissez 5 étoiles et un avis  🥰 

Sur Spotify : ici

Sur Apple Podcast : ici

Sur Deezer : ici

Sur Google Podcast : ici 


🧐 DANS LA MÊME THÉMATIQUE 

Épisode 23 : Hamza Tajmouati (Head of AI & Data @ Iktos ) : L’IA générative pour créer des médicaments

Épisode 59 : IA dans la consultation médicale - Samuel Humeau (Lead Machine Learning @ Nabla)

Épisode 52 : Météo, océan et climat : prédire et modéliser grâce à l’intelligence artificielle - Louis Thiry (chercheur @ INRIA)


👋 PLUS DE CONTENU DATA ?

> Suivez-moi sur LinkedIn (tips/réflexions) ici 🤳

> Suivez-nous sur Tiktok 📳

> Abonnez-vous à notre chaîne Youtube



🚀 BESOIN D’EXPERTISE IA & DATA ?

Scopeo vous accompagne de A à Z dans vos projets IA : découvrez nos solutions :

  • Diagnostic IA & Data : évaluation du potentiel de l'Intelligence Artificielle pour votre entreprise, compréhension de ce qui est réalisable avec les technologies actuelles, et mesure des risques et des opportunités associés à l'IA pour votre activité

  • IA sur mesure : création d'une Intelligence Artificielle sur mesure, adaptée à vos besoins spécifiques, développement et intégration des meilleures solutions sur mesure pour répondre à vos problématiques uniques


Share

Embed

You may also like

Description

Thomas Lecat, Staff Research Engineer chez InstaDeep, est l'invité de l'épisode 65 de Data Driven 101.

Il nous plonge dans l'univers du Deep Reinforcement Learning, une technologie révolutionnaire pour l'optimisation industrielle. 

Thomas nous parle de ses applications concrètes, de l'optimisation des réseaux électriques à la planification des transports, en passant par le routage des circuits imprimés. Il nous apprend que cette approche permet de résoudre des problèmes complexes avec une flexibilité et une performance accrues par rapport aux méthodes traditionnelles.


🔑 MOTS CLÉS
Deep Reinforcement Learning (DRL)
: Une sous-branche de l'intelligence artificielle où les algorithmes apprennent en interagissant avec leur environnement, optimisant les décisions prises en fonction des récompenses reçues.

Optimisation combinatoire : Un domaine des mathématiques appliquées dédié à la recherche des solutions optimales parmi un ensemble fini de solutions possibles, crucial dans la planification industrielle.

JAX : Une bibliothèque open-source de Google utilisée pour le calcul différentiable en Python, permettant l'optimisation et la parallélisation sur GPU, essentielle pour des simulations rapides et efficaces.

Evolutionary Algorithms (EA) : Une classe d'algorithmes inspirés de la théorie de l'évolution naturelle, utilisés en combinaison avec le reinforcement learning pour explorer de vastes espaces de solutions.

Policy Gradient Methods : Techniques de reinforcement learning qui optimisent directement la politique de prise de décision de l'agent, en fonction des gradients de récompense.

Soft Actor-Critic (SAC) : Un algorithme avancé de reinforcement learning qui combine les avantages de l'apprentissage par politiques stochastiques et déterministes pour une exploration efficace et une stabilité accrue.


🎙 SOUTENEZ LE PODCAST

> Abonnez-vous 🔔

> Laissez 5 étoiles et un avis  🥰 

Sur Spotify : ici

Sur Apple Podcast : ici

Sur Deezer : ici

Sur Google Podcast : ici 


🧐 DANS LA MÊME THÉMATIQUE 

Épisode 23 : Hamza Tajmouati (Head of AI & Data @ Iktos ) : L’IA générative pour créer des médicaments

Épisode 59 : IA dans la consultation médicale - Samuel Humeau (Lead Machine Learning @ Nabla)

Épisode 52 : Météo, océan et climat : prédire et modéliser grâce à l’intelligence artificielle - Louis Thiry (chercheur @ INRIA)


👋 PLUS DE CONTENU DATA ?

> Suivez-moi sur LinkedIn (tips/réflexions) ici 🤳

> Suivez-nous sur Tiktok 📳

> Abonnez-vous à notre chaîne Youtube



🚀 BESOIN D’EXPERTISE IA & DATA ?

Scopeo vous accompagne de A à Z dans vos projets IA : découvrez nos solutions :

  • Diagnostic IA & Data : évaluation du potentiel de l'Intelligence Artificielle pour votre entreprise, compréhension de ce qui est réalisable avec les technologies actuelles, et mesure des risques et des opportunités associés à l'IA pour votre activité

  • IA sur mesure : création d'une Intelligence Artificielle sur mesure, adaptée à vos besoins spécifiques, développement et intégration des meilleures solutions sur mesure pour répondre à vos problématiques uniques


Description

Thomas Lecat, Staff Research Engineer chez InstaDeep, est l'invité de l'épisode 65 de Data Driven 101.

Il nous plonge dans l'univers du Deep Reinforcement Learning, une technologie révolutionnaire pour l'optimisation industrielle. 

Thomas nous parle de ses applications concrètes, de l'optimisation des réseaux électriques à la planification des transports, en passant par le routage des circuits imprimés. Il nous apprend que cette approche permet de résoudre des problèmes complexes avec une flexibilité et une performance accrues par rapport aux méthodes traditionnelles.


🔑 MOTS CLÉS
Deep Reinforcement Learning (DRL)
: Une sous-branche de l'intelligence artificielle où les algorithmes apprennent en interagissant avec leur environnement, optimisant les décisions prises en fonction des récompenses reçues.

Optimisation combinatoire : Un domaine des mathématiques appliquées dédié à la recherche des solutions optimales parmi un ensemble fini de solutions possibles, crucial dans la planification industrielle.

JAX : Une bibliothèque open-source de Google utilisée pour le calcul différentiable en Python, permettant l'optimisation et la parallélisation sur GPU, essentielle pour des simulations rapides et efficaces.

Evolutionary Algorithms (EA) : Une classe d'algorithmes inspirés de la théorie de l'évolution naturelle, utilisés en combinaison avec le reinforcement learning pour explorer de vastes espaces de solutions.

Policy Gradient Methods : Techniques de reinforcement learning qui optimisent directement la politique de prise de décision de l'agent, en fonction des gradients de récompense.

Soft Actor-Critic (SAC) : Un algorithme avancé de reinforcement learning qui combine les avantages de l'apprentissage par politiques stochastiques et déterministes pour une exploration efficace et une stabilité accrue.


🎙 SOUTENEZ LE PODCAST

> Abonnez-vous 🔔

> Laissez 5 étoiles et un avis  🥰 

Sur Spotify : ici

Sur Apple Podcast : ici

Sur Deezer : ici

Sur Google Podcast : ici 


🧐 DANS LA MÊME THÉMATIQUE 

Épisode 23 : Hamza Tajmouati (Head of AI & Data @ Iktos ) : L’IA générative pour créer des médicaments

Épisode 59 : IA dans la consultation médicale - Samuel Humeau (Lead Machine Learning @ Nabla)

Épisode 52 : Météo, océan et climat : prédire et modéliser grâce à l’intelligence artificielle - Louis Thiry (chercheur @ INRIA)


👋 PLUS DE CONTENU DATA ?

> Suivez-moi sur LinkedIn (tips/réflexions) ici 🤳

> Suivez-nous sur Tiktok 📳

> Abonnez-vous à notre chaîne Youtube



🚀 BESOIN D’EXPERTISE IA & DATA ?

Scopeo vous accompagne de A à Z dans vos projets IA : découvrez nos solutions :

  • Diagnostic IA & Data : évaluation du potentiel de l'Intelligence Artificielle pour votre entreprise, compréhension de ce qui est réalisable avec les technologies actuelles, et mesure des risques et des opportunités associés à l'IA pour votre activité

  • IA sur mesure : création d'une Intelligence Artificielle sur mesure, adaptée à vos besoins spécifiques, développement et intégration des meilleures solutions sur mesure pour répondre à vos problématiques uniques


Share

Embed

You may also like