Transcription

• Speaker #0

  Le monde des petites entreprises est fascinant. C'est un mélange unique de débrouillardise et d'adaptabilité. Mais parfois, on manque de compétences clés pour aller plus loin. Tu le ressens aussi Alors ce podcast est fait pour toi. Je suis Perrine Thiébaut, consultante en transformation numérique et je déniche pour toi les meilleurs outils, méthodes et technologies pour gagner en efficacité. Seule ou avec mes invités, je te partage des conseils actionnables pour avancer en toute sérénité. Alors, prêt à oser l'efficacité

• Speaker #1

  On entend souvent parler, quand on parle d'IA, de deep learning et de machine learning, surtout quand on parle d'IA pour l'industrie. Comment est-ce que tu expliquerais ces termes à un enfant de 10 ans

• Speaker #2

  Un enfant de 10 ans qui parle anglais Oui. Machine learning, c'est facile, ça veut dire apprentissage machine. On l'a vu dans l'épisode précédent, il s'agit de faire apprendre des exemples résolus pour que le système généralise. On lui montre des images d'oiseaux, et si on a bien travaillé, le système reconnaîtra les oiseaux à l'avenir. Mais ça marche aussi pour les caractères d'imprimerie ou les tumeurs, il y a plein d'applications. Le deep learning, ça fait référence au réseau de neurones, qui est la méthode la plus répandue de machine learning, pour dire qu'on utilise des architectures complexes de réseau de neurones avec de nombreuses couches de traitement. D'où cette notion de profondeur, deep en anglais.

• Speaker #1

  À propos de l'exemple que tu as donné pour les tumeurs sur le machine learning, j'avais lu une anecdote qui disait que quand ils avaient commencé à faire ces recherches-là, l'IA était arrivé au fait que le marqueur le plus important pour déceler la présence d'une tumeur, c'était la présence d'une règle graduée sur l'image. On a avancé depuis ce moment-là Est-ce qu'aujourd'hui, on peut lui dire qu'il y a des choses qu'on ne veut pas prendre en compte dans l'image Typiquement, quelque chose qui est déjà traité parce qu'on a déjà identifié la tumeur et qu'on l'a mesurée.

• Speaker #2

  C'est un grand classique de l'apprentissage à partir d'images parce que, en fait, quand on fait ce genre d'apprentissage en machine learning, on ne dit pas au système quelles sont les caractéristiques qui sont discriminantes dans les images. C'est le système qui les découvre lui-même. Et effectivement, le code bar change à chaque image, donc il est discriminant d'une image. La façon simple de régler ça, c'est de s'en rendre compte et de supprimer le code bar. Mais quand on fait du machine learning pur, on donne l'image entière dans le système et il faut montrer beaucoup d'images représentatives de ce qu'on essaie d'apprendre.

• Speaker #1

  Ok, ça marche. C'est quoi entraîner une IA

• Speaker #2

  Entraîner une IA, on parle de machine learning ici, c'est la phase d'apprentissage. On l'a déjà dit, on donne à la machine des exemples sous la forme de cas résolus, en entrée et en sortie, et le processus d'apprentissage lui permet de construire un modèle implicite qui autorise le traité des cas non appris. Ensuite, on va garder en réserve des exemples qui n'ont pas été donnés à la machine pour tester la performance de l'apprentissage. Une des difficultés est de disposer des données représentatives du problème à traiter. Ce n'est pas un problème de big data. Plus on met de données, mieux ça va marcher. Il faut vraiment que le problème soit représenté dans les données.

• Speaker #1

  C'est quelque chose que je vois beaucoup avec mes clients, même sans parler d'IA, quand on veut juste digitaliser un process. En fait, ça va marcher si tu sais déjà ce que tu veux lui faire faire. Et là, c'est exactement ce dont on parle quand on dit entraîner une IA. Tu sais ce que tu veux en entrée, tu sais ce que tu veux en sortie, tu vas lui montrer. Elle va pouvoir le faire à ta place, mais il faut que tu saches déjà toi ce que tu veux faire.

• Speaker #2

  Absolument. Il y a tout un champ en ce moment de développement autour des données synthétiques. Parce que pour faire apprendre le système, on peut générer des données synthétiques qui représentent justement la problématique.

• Speaker #1

  Ok, très clair.C'est quoi un réseau de neurones ?

• Speaker #2

  Un réseau de neurones est inspiré du cerveau. Le cerveau est une machine qui pense. On veut faire une machine qui pense, donc on essaie de copier le cerveau. Le neurone artificiel a été proposé en 1943 par Mcculloch et Pitts dans une célèbre publication. C'est un automate à fonction de seuil avec plusieurs entrées et une sortie. En fonction des entrées, il va produire ou pas un signal. C'est directement inspiré du neurone biologique qui fonctionne avec en entrée des synapses et en sortie un axone. mais le neurone biologique est une fonction de seuil un peu plus compliquée à composantes électrochimiques dans la nature. En associant plusieurs de ces automates, on peut construire un système de calcul parallèle fortement non linéaire. Mathématiquement, un réseau de neurones, c'est un système paramétrique qui permet d'approximer une courbe complexe dans un espace multidimensionnel. L'apprentissage revient à résoudre une fonction d'optimisation. C'est simple quand on a un ou deux neurones. À la limite, un neurone, c'est une droite. C'est facile. C'est très compliqué quand on a des milliards de connexions à optimiser.

• Speaker #1

  Et du coup, comment ça s'intègre finalement dans l'IA d'aujourd'hui Est-ce que c'est une façon de faire de l'IA Est-ce que tous les systèmes d'IA reposent dessus

• Speaker #2

  Non, c'est qu'une branche de l'IA. On a parlé de systèmes experts tout à l'heure. Les systèmes experts, ça existe depuis longtemps. Il y a beaucoup d'applications. Et ça ne fonctionne pas par apprentissage machine. On écrit des règles. Tout ce qui est Transformers, Chat gpt et ses concurrents, ce sont des réseaux de neurones. Donc effectivement, c'est comme ça que ça fonctionne.

• Speaker #1

  Donc on a d'un côté ce qui va être machine learning, IA avec apprentissage, et de l'autre, réseau de neurones, où finalement on va avoir une émulation de la machine par rapport aux problèmes de base.

• Speaker #2

  Le grand sujet du moment, c'est ce qu'on appelle le neurosymbolique, c'est de faire travailler les deux ensemble.

• Speaker #1

  Forcément, ça doit ouvrir encore plus de portes.

• Speaker #2

  C'est surtout que chaque système a ses limites. Et si on prend le cas d'un véhicule autonome, par exemple, pour le faire apprendre, on ne va pas le faire tomber dans un trou pour dire qu'il ne faut pas tomber dans un trou. C'est plus efficace d'écrire une règle. Et donc, les règles ont des avantages et l'apprentissage a des avantages.

• Speaker #1

  Ok, très clair. L'exemple est hyper parlant. Merci beaucoup. Maintenant, je vais te proposer un petit vrai-faux sur des idées reçues qu'on a sur l'IA. Puis, je te laisserai développer en fonction. Alors... L'IA peut être malveillante indépendamment de la personne qui l'utilise, vrai ou faux

• Speaker #2

  Faux. Bon ou méchant, ce sont des concepts anthropomorphiques. L'IA, c'est juste un système informatique et n'a aucune autonomie de pensée.

• Speaker #1

  Donc l'IA éthique,c'est possible.

• Speaker #2

  L'IA éthique, c'est possible, bien sûr.

• Speaker #1

  L'IA peut travailler de manière complètement autonome, vrai ou faux

• Speaker #2

  Oui, bien sûr. De même qu'on réalise des automates depuis très longtemps. Mais que ce soit de l'IA ou pas... Un système automatique, il peut fonctionner correctement que dans un cadre restreint. Dès qu'on sort du cadre, ça ne marche plus.

• Speaker #1

  Les rendus de l'IA, ça dépend beaucoup de la personne qui pose les questions. Alors là, je suis plutôt sur l'IA générative, mais vrai ou faux

• Speaker #2

  Oui, en fait, c'est vrai. Tous les systèmes d'IA ne nécessitent pas à une question pour fonctionner. Mais dans le prompting qui permet de déclencher l'IA générative, il y a des règles pour le formuler. Donc ça dépend quand même un peu de la personne et de son expérience, mais pas seulement.

• Speaker #1

  Ok, super, merci pour ces clarifications. Donc on a appris plein de nouveaux mots et concepts. Dans le prochain épisode, on parlera de comment démarrer un projet d'IA en industrie.