Intelligence artificielle - une courte introduction

1. Description du cours: Bonjour, Bienvenue au début de votre premier voyage. Dans ce cours, nous vous expliquerons le passé, le présent et l'avenir de l'intelligence artificielle. Nous allons également jeter un coup d' œil aux différents domaines dans lesquels l'IA peut être appliquée et présenter certaines applications qui pourraient vous intéresser. Cependant, nous allons également passer en revue la définition de IA et définir ce qu'est un réseau de neurones étape par étape. Montrez comment cela fonctionne et expliquez les différences entre l'IA, l'apprentissage automatique et le deep learning. Il y aura également un court test à choix multiples pour voir si vous avez bien compris le concept des réseaux de neurones et de l'IA en général. Sans plus attendre, nous vous souhaitons bonne chance et succès dans votre voyage. Restez motivé. 2. Qu'est-ce que l'IA: un bleu profond, le champion du monde d'échecs Garry Kasparov, AlphaGo détruit les composants d'une partie de Go. Les premiers coûts de l'IA arrivent. Une nouvelle ère s'ouvre pour l'apprentissage automatique. Si vous avez entendu ou lu des choses telles ou similaires, vous vous dites probablement : « Waouh, je suis la prochaine grande nouveauté ». Mais quelle est exactement la prochaine grande nouveauté ? Qu'est-ce que l'intelligence artificielle exactement ? Et pourquoi un terme tel que l'apprentissage en profondeur, l'apprentissage automatique ou les réseaux de neurones est associé à plusieurs reprises aux avancées de l' IA. Pour franchir le premier obstacle de votre parcours, commençons par définir les différentes zones en général. Après avoir défini chaque domaine, nous continuerons à examiner de plus près les différences. Les définitions. Si l'on se fie à la définition de l'un des pères fondateurs de l' intelligence artificielle, il s' agit de la science et de l'ingénierie nécessaires à la création de programmes informatiques intelligents. Elle est liée à la tâche similaire qui consiste à utiliser des ordinateurs pour comprendre l'intelligence humaine. Mais a ne doit pas se limiter à des méthodes qui sont biologiquement observables. C'est la science et l' ingénierie qui permettent de créer des programmes informatiques intelligents, c'est ce que l'on appelle l'apprentissage automatique. L'autre aspect est une application de l' intelligence artificielle qui inclut des algorithmes qui permettent aux données passées d'en tirer des leçons , puis d'appliquer ce qu'elles ont appris pour prendre des décisions éclairées. Ensuite, nous avons l'apprentissage en profondeur, qui est défini comme un sous-domaine des algorithmes de structures de données d'apprentissage automatique en couches pour créer un réseau neuronal artificiel capable d'apprendre et de prendre des décisions intelligentes par lui-même. Tu as remarqué quelque chose ? Dans les trois définitions, le mot intelligent a été mentionné. C'est vrai, intelligence. Mais qu'est-ce que l'intelligence exactement  ? Comment est-il défini ou mesuré ? Quand est-ce que quelqu'un ou quelque chose est vraiment intelligent ? Comme il s'agit d'un sujet assez souvent abordé, nous avons défini l'intelligence comme une capacité mentale générale qui implique la capacité de raisonner, de résoudre des problèmes, de penser de manière abstraite, comprendre des idées complexes et de tirer des leçons des expériences. Cela reflète une capacité plus large et plus profonde à comprendre notre environnement. Apprendre à donner un sens aux choses ou à déterminer ce qu'il faut faire. Maintenant que nous connaissons les définitions de l'IA, de l'apprentissage automatique, l'apprentissage en profondeur et de l'intelligence, nous pouvons voir en quoi elles diffèrent les unes des autres. 3. IA et les 3 faces: Hey, j'entre en trois phases. Imaginez les zones libres comme trois anneaux concentriques avec, je pense, le plus grand anneau et le deep learning le plus petit. Chaque zone est simplement un sous-ensemble de la zone plus grande précédente. Bref aperçu, on peut dire pour l'instant que je dois programmer explicitement et que je ne peux effectuer qu'une seule tâche à la fois. Les systèmes d'apprentissage automatique ont la capacité d'apprendre et de s'améliorer à partir de l'expérience sans être explicitement programmés. L'apprentissage profond, quant à lui, utilise des réseaux de neurones pour analyser différentes structures et modèles et fonctionne donc de la même manière que le cerveau humain. Vous en saurez plus à ce sujet dans quelques minutes. Maintenant que nous avons terminé le bref aperçu, examinons de plus près chacun des trois domaines. Nous commencerons notre voyage par le domaine de l'IA. Ce champ lui-même peut à nouveau être différencié en trois pensées différentes. Intelligence artificielle étroite, également appelée faible. Faible, fort dans certaines activités mais ne peut surpasser les humains en général. Bien que ces machines, si vous êtes intelligent, n'aient qu'une gamme limitée de capacités. C'est pourquoi ce type d' intelligence artificielle est qualifié d'IA faible. L'IA étroite ne fait que reproduire le comportement humain en fonction d'un ensemble limité de facteurs et d'actions. Par exemple, un programme d'IA qui, pour gagner échouera très probablement à jouer au jeu de Go. Intelligence générale artificielle, alias IA forte. À ce stade, les systèmes A IS ressemblent de plus en plus à des humains. Un tel système d'IA pourrait prendre ses propres décisions sans interaction humaine, résoudre des tâches logiques complexes qui nécessitent une réflexion abstraite, mais aussi susciter des émotions à un moment donné. Cependant, si l'on considère que le cerveau humain est le modèle permettant créer une telle intelligence générale, il n'est pas surprenant que la mise d'une IA puissante soit un immense défi. Superintelligence artificielle, alias super IA. Si jamais nous en arrivons là, une chose est sûre un tel robot ou un tel être non seulement surpasserait les humains dans de nombreuses tâches, mais il serait en avance sur les humains dans presque tous les domaines imaginables, tels que l'intelligence, la sagesse, compétences sociales, la créativité et bien d'autres. Eh bien, si cela fait craindre que les machines ne nous envahissent un jour, ne vous inquiétez pas, nous sommes encore loin d'atteindre l'iPhone secondaire. heure actuelle, aucune IA puissante ou super n'existe, et il faudra probablement encore des décennies pour y parvenir. 4. Apprentissage automatique et les éléments de base: Apprentissage automatique et principes fondamentaux. En approfondissant la couche suivante, nous arrivons à l'apprentissage automatique. L'apprentissage automatique est un sous-ensemble de l' IA qui vise à apprendre à résoudre des tâches spécifiques sans être explicitement programmé. Au lieu de simplement exécuter une liste d' instructions automatiques, les modèles d'apprentissage automatique se sont améliorés grâce à expérience et à l' utilisation de statistiques. Pour cela, ils ont besoin de trois composants pour fonctionner. Premièrement, les ensembles de données. Avant d'appliquer des modèles d'apprentissage automatique à une tâche quelconque, ils doivent être formés sur une collection d' échantillons, également appelée ensemble de données. Il s'agit généralement de l'une des étapes les plus chronophages de l'apprentissage automatique, car la plupart des ensembles de données nécessitent plusieurs milliers d'échantillons, dont la création demande beaucoup de temps et d'efforts. L'un des ensembles de données les plus connus serait, par exemple l'ensemble de données sur les fleurs d'iris. Cet ensemble de données multivarié comprend trois espèces de fleurs différentes, chacune composée de 50 échantillons. Chaque échantillon présente quatre caractéristiques qui décrivent, par exemple la longueur ou la largeur des pétales. Comme cet ensemble de données est ouvert à tous et assez facile à manipuler, il est souvent recommandé à AI Guinness lorsqu'il commence le premier jour de projet. Deuxièmement, les caractéristiques, généralement des éléments de données qui décrivent les échantillons. Restons, par exemple, à l'ensemble de données sur les fleurs d' iris. Dans cet ensemble de données sur les fleurs d'iris, quatre caractéristiques décrivent les fleurs. Longueur des pétales, largeur des pétales, longueur des sépales et largeur des sépales. En fonction de votre modèle et de ses fonctionnalités, cela peut faire une grande différence sur les performances de votre modèle pendant la formation et les tests. Regardez les graphiques suivants. Nous avons tracé ici la carte de corrélation des quatre caractéristiques. Cela nous permet de voir quelles entités sont corrélées entre elles et quelles sont les meilleures pour séparer le jeu de données. Un bon choix pourrait être la longueur et la largeur des pétales. Pourquoi ces deux-là ? Vous pourriez demander ? Regardons ça de plus près. Dans les graphiques, nous voyons les corrélations entre trois couleurs différentes. Ces trois couleurs représentent, dans ce cas, les espèces de fleurs. Notre tâche consiste maintenant à examiner la carte et à décider quelles caractéristiques séparent le mieux les points de différentes couleurs. Par exemple, la première image de la deuxième rangée sépare assez bien les points jaunes des autres, mais elle ne parvient absolument pas à séparer les points roses des points violets. Cependant, si nous regardons la troisième image de la dernière rangée, nous pouvons voir que les trois couleurs sont presque parfaitement séparées. Les caractéristiques utilisées étaient la longueur et la largeur des pétales. Si les graphismes vous intéressent toujours, mettez simplement la vidéo en pause pendant quelques secondes et regardez les autres lignes et colonnes. Cependant, nous allons maintenant passer au point suivant. Algorithmes. Un algorithme peut être imaginé comme une liste d'instructions qui seront exécutées étape par étape pour résoudre une tâche spécifique. Cependant, dans le domaine de l'apprentissage automatique, il arrive souvent que plusieurs algorithmes différents puissent être utilisés en combinaison avec des méthodes statistiques pour résoudre la même tâche ou obtenir de meilleures performances. On peut également simplement combiner plusieurs algorithmes et jouer avec les paramètres. Maintenant que nous savons quels composants sont nécessaires à l'apprentissage automatique, examinons l' apprentissage en profondeur dans la vidéo suivante. 5. Apprentissage en profondeur _ Example-Use-Case: Apprentissage profond et réseaux de neurones. Vous souvenez-vous à quel point il était important, dans le cas de l'apprentissage automatique, de sélectionner de bonnes fonctionnalités ? Dans le cas du deep learning, ce n'est plus nécessaire. Au lieu de cela, le modèle collecte les caractéristiques lui-même et les preuves à l'aide de ce que l' on appelle des réseaux de neurones. L'apprentissage en profondeur s' inspirant de la structure de notre cerveau, algorithmes d'apprentissage profond utilisent réseaux neuronaux multicouches complexes, des modèles de données jusqu'alors inconnus pour trouver une solution. Toujours aucune idée de ce qu'est le réseau de neurones. Habituellement, lorsque vous expliquez le fonctionnement exact des réseaux de neurones. Cela impliquerait quelques mathématiques. Mais comme il s'agit du cours d' introduction à l'IA, nous allons l'expliquer de manière assez simple. Les réseaux de neurones se composent des couches de notes suivantes. Une couche d'entrée, une ou plusieurs couches cachées, puis une couche de sortie. Chaque nœud est également appelé neurone artificiel, se connecte à un autre et possède un poids et un seuil associés. Si la sortie d'un nœud individuel est supérieure à la valeur seuil spécifiée, ce nœud est activé envoie des données à la couche suivante du réseau. Dans le cas contraire, aucune donnée n'est transmise à la couche suivante du réseau. Aujourd'hui, pour pouvoir entraîner un réseau neuronal, nous aurions besoin de données, de beaucoup de données en fait Ce n'est qu'alors que nous pourrons réellement améliorer la précision du modèle au fil du temps. Mais une fois ces algorithmes d'apprentissage affinés, ils nous permettront de classer et regrouper les données en très peu de temps. Maintenant que nous avons tout passé en revue, que diriez-vous du petit exemple ? Exemple de cas d'utilisation. Supposons que vous possédiez une petite entreprise spécialisée dans le tri des fruits en différentes catégories. Dans l'usine de tri, les fruits sont tous mélangés. Il est nécessaire de séparer fruits et de les emballer dans des produits capturés, puis de les retracer avant les livrer aux supermarchés. Parmi les fruits à trier, on trouve les bananes, les pommes et les oranges. Maintenant que nous connaissons la tâche, passons en revue chacun des trois domaines. Approche basée sur l'IA. Dans le domaine de l'IA, vous auriez désormais utilisé un algorithme basé sur l' IA qui utilise la logique de décision au sein d'un système basé sur des règles. Par exemple, si l'objet est une pomme, transportez-le vers la droite. Si l'objet est une banane, déplacez-le vers la gauche. Cependant, le succès du système basé sur l'IA dépend de l'étiquetage précis des fruits par les cueilleurs de fruits et mise en place d'un mécanisme de numérisation pour indiquer à l'algorithme de quel fruit il s'agit. Une approche d'apprentissage automatique. algorithme basé sur l'apprentissage automatique est désormais proposé pour améliorer l'approche basée sur l'IA pour tri des fruits lorsque les étiquettes ne sont pas disponibles. Pour que l'apprentissage automatique fonctionne, la description de l' apparence de chaque fruit est nécessaire. C'est ce que l'on appelle l'extraction de fonctionnalités. Cela se fait en créant un plan basé sur les caractéristiques et les attributs uniques de chaque fruit. L'algorithme est entraîné à l'aide de caractéristiques telles que la taille, la couleur, la forme, etc. pour classer les fruits. En passant à l'approche suivante, nous arrivons à l'apprentissage en profondeur en supprimant le besoin de définir l'apparence de chaque fruit. Un algorithme basé sur le deep learning pourrait être utilisé pour résoudre n'importe quel fruit. un des principaux avantages du modèle d'apprentissage en profondeur est qu'il ne nécessite pas de fonctionnalités pour classer correctement les fruits. Avec de nombreuses images de fruits, le modèle peut créer un motif représentant l'apparence de chaque fruit. Ces multiples couches de réseaux neuronaux seront utilisées pour traiter les images dans le modèle d'apprentissage profond. Ensuite, chaque couche du réseau définira des caractéristiques spécifiques des images, telles que la forme des fruits, la taille, la couleur, etc. Cependant, pour que le modèle obtienne de bons résultats, il faudra une puissance de calcul importante et de grandes quantités de données. Maintenant que vous connaissez un peu les différences entre l'IA, l'apprentissage automatique et l'apprentissage en profondeur, examinons l' histoire de l'IA dans la partie suivante. 6. Histoire de l'IA: Histoire de l'IA d' hier à aujourd'hui. Nous nous dirigeons vers le premier hiver. Bienvenue dans l'histoire de l'IA. Après avoir entendu et lu de nombreux articles faisant état de réussites, de nombreuses personnes pourraient penser qu' il s'agit d'un domaine relativement nouveau, mais ce n'est pas le cas. C'est un passé plus long et vous pourriez penser Asseyez-vous et discutons de histoire incroyable et de ces réussites ». Aujourd'hui, nous entendons beaucoup parler de nouvelles réalisations dans le domaine de l'intelligence artificielle, de l' automatisation et de la robotique. Mais ça, vous savez que l'idée de machines intelligentes existait déjà dans les temps anciens. Connaissez-vous l'histoire de Carlos, le géant des bronches ? Selon Move, Carlos est décrit comme un homme de bronze géant créé par le dieu grec de l'invention et de la forge. Zeus, le roi des dieux grecs, lui a confié la tâche de défendre l'île de Crète contre les assaillants. Bien que nous n'ayons pas créé robots géants ou quoi que ce soit de ce genre récemment, nous avons tout de même eu beaucoup de choses intéressantes. Commençons par les trois lois d' Asimov. Les lois d'Asimov ont d'abord été décrites par Isaac Asimov comme les règles de base service robotique et devraient être suivies par tout type de robot. Les règles d'Asimov sont énoncées comme suit. abord, un robot ne doit pas blesser sciemment un être humain ou, par inaction, permettre à un être humain d'être blessé. Deuxièmement, un robot doit obéir aux ordres qui lui sont donnés. Ils sont humains à moins qu' un tel ordre n'entre en conflit avec la règle numéro un. Car un robot doit protéger son existence tant que cette protection n'entre pas en conflit avec la règle numéro un ou numéro deux. En avançant dans le temps, nous rencontrons Alan Turing avec ce que l'on appelle le test de Turing. Il a essayé de formuler en 1950 comment on pouvait déterminer si un ordinateur ou un modèle pouvait avoir la même capacité de penser que les humains. Le test utilise un processus simple de questions-réponses entre un interrogateur humain et répondants anonymes qui ne sont pas visibles à la question. Des questions gratuites non prédéterminées sont posées par des personnes sans aucun contact visuel ou auditif avec l'intervieweur à l'aide d'outils de saisie tels qu'un clavier ou un écran. Si à la fin du test, la question humaine, je ne peux pas déterminer à partir des questions laquelle des deux personnes interrogées est la machine. L'intelligence de la machine peut être définie comme étant semblable à celle de l'homme. Six ans plus tard seulement, la célèbre conférence de Dartmouth a eu lieu. conférence To Dartmouth est considérée comme la naissance de l' intelligence artificielle en tant que discipline universitaire. Il a été demandé, planifié et réalisé par John McCarthy, Marvin Minsky, Latin à Rochester et Claude Shannon sous le nom complet de projet de recherche d'été point MOV sur l'intelligence artificielle. Il s'est déroulé à l' été 1956 du 18 juin au 16 août au Dartmouth College dans le New Hampshire. Des sujets tels que les ordinateurs automatiques, les réseaux de neurones, l'abstraction ou le hasard et la créativité ont été abordés. Et il s'est avéré qu'en quelques années seulement, pratiquement tous les participants à la conférence étaient devenus experts de renommée internationale dans le domaine de l' intelligence artificielle. De nombreuses autres innovations ont suivi la conférence de Dartmouth, comme le premier chatbot Eliza, qui devait reprendre la tâche des psychothérapeutes. Cependant, aussi prometteurs que soient ces projets, les chercheurs ont finalement conclu que le monde réel bien trop complexe pour y être traité dans de tels modèles, ce qui a entraîné l'annulation de découvertes importantes au début du premier hiver de l' IA dans les années 1960. Nous nous préparons pour le deuxième hiver. Après que les effets du premier hiver de l' IA se soient estompés, une nouvelle ère d'assurance-emploi a commencé. Cette fois, l' accent a été mis sur le développement d'articles commerciaux. En outre, des conférences importantes, telles que l'Association pour l'avancement de l'intelligence artificielle, ont débuté au début des années 1880 et ont connu une hausse spectaculaire des ventes de billets. La technologie de l'IA a éveillé la curiosité du grand public et des autorités gouvernementales. Les systèmes experts étaient essentiels à la commercialisation de l'IA. Ces systèmes ont été créés en développant dix ensembles de règles et ont été utilisés dans diverses applications. La planification financière, les diagnostics médicaux, les études géologiques et le secret microélectronique ne sont pas inclus diagnostics médicaux, les études géologiques . Cependant, étant donné les modèles et les techniques, nous sommes encore très limités et ne pouvons pas résoudre des problèmes plus complexes. Le deuxième hiver est arrivé quelques années plus tard. Les progrès actuels ralentiront après le deuxième hiver, mais des avancées majeures ne sont survenues que quelques années plus tard. Entre autres choses, il a été possible de battre le champion du monde d'échecs Garry Kasparov avec l'aide de Deep Blue. Deep Blue était un superordinateur développé par IBM spécifiquement pour jouer aux échecs. Il était surtout connu pour être le premier programme d'IA à remporter une partie d'échecs contre le champion du monde en titre. Après avoir perdu le premier match de six km contre Garry Kasparov en 1996 et bénéficiant d'une amélioration massive, Deep Blue a réussi à battre le champion du monde en mai 1997. Quelques années plus tard, AlphaGo a battu le champion du monde de golf à quatre contre un. Cela ne semble pas être une étape importante, mais c'est vraiment le cas. Alphago est très différent des projets d'IA antérieurs. Pour calculer ses chances de gagner, elle a utilisé des réseaux de neurones plutôt que des techniques de probabilité codées en dur par des programmeurs humains. Outre les jeux auxquels AlphaGo joue contre elle-même et contre d'autres joueurs, AlphaGo excède et analyse également la bibliothèque complète d' Internet Go, y compris tous les jeux, les joueurs, les statistiques et la littérature. Premièrement, la configuration, il examine la stratégie optimale pour résoudre le jeu de golf sans l'aide de l'équipe de développement. Alphago estime d' énormes probabilités de nombreux déplacements futurs à l'aide réseaux de neurones et de la recherche arborescente de Monte Carlo, laquelle vous en apprendrez plus dans un autre cours. Maintenant que nous sommes à la fin de l'histoire, il est temps de retourner vers le futur. 7. Différents champs d'IA: Applications futures. Il existe de nombreuses théories sur l'impact que l'IA aura sur nous à l'avenir. Et comme les possibilités sont si nombreuses, jetons un coup d'œil à trois exemples qui montrent que la consommation devient réalité. Tout d'abord, des villes totalement intelligentes et autonomes. Le concept de villes totalement intelligentes et autonomes est une possibilité passionnante pour l'avenir de l'IA. Grâce aux progrès technologiques , nous pouvons voir les maisons et les appartements devenir plus intelligents grâce à des systèmes de reconnaissance vocale, capteurs d'empreintes digitales, etc. Si cette tendance se poursuit , des villes entières pourraient bientôt devenir totalement autonomes. Dans ces villes, tout, de l'élimination des déchets aux transports en commun, pourrait être exploité sans intervention humaine. Imaginez des camions d'élimination des déchets se dirigeant eux-mêmes vers des zones désignées pour la collecte ou des systèmes de transport en commun qui redirigent automatiquement l'itinéraire en fonction du trafic et de la demande des passagers. L'un des avantages potentiels des villes autonomes est la réduction de la pollution routière et des accidents causés par des erreurs humaines. Cela pourrait conduire à un environnement plus propre et plus sûr pour les résidents. En outre, les villes autonomes pourraient également réduire le coût des services publics et améliorer l'efficacité. Deuxièmement, a, i, découvrir de nouvelles technologies et lois de la physique. C'est exact. Il a déjà été possible de prédire certains processus physiques à petite échelle à l'aide de l' IA ou même de créer de nouvelles théories mathématiques. Des scientifiques de l'université d'Osaka et de CoBie, par exemple ont réussi à extraire équations hamiltoniennes à l'aide de réseaux de neurones. C'est une brève information. La mécanique hamiltonienne est basée sur la mécanique lagrangienne et newtonienne. Sans trop entrer dans les détails. En physique, la mécanique hamiltonienne est la théorie de la façon dont l'énergie passe de l'énergie cinétique à l'énergie potentielle. Et encore une fois, la technologie est utilisée au fil du temps pour décrire des systèmes tels qu'un pendule ou une balle rebondissante. Cependant, sa force est démontrée dans systèmes plus complexes tels que mécanique céleste ou les orbites planétaires. Troisièmement, l'aide à la loi et à l'ordre. Je suis sûr que vous avez souvent entendu dire que le système judiciaire est aux prises avec trop de tâches pour l'aider. Et l'IA créée grâce à la coopération avec des avocats, des juges, des développeurs et d'autres groupes de personnes peut être utilisée dans affaires judiciaires de moindre envergure, telles que des demandes de dommages et intérêts. Cela permet également de gagner un temps précieux lors de la structuration et de la préparation des fichiers. Néanmoins, des questions morales et éthiques se posent également à cet égard. Cependant, comme nous n'avons pas le temps de répondre à ces questions, nous en apprendrons davantage dans un autre cours. 8. Applications futures: Différents domaines de l'IA et vue d'ensemble. Maintenant que nous avons parcouru l'histoire de l'intelligence artificielle, voyons comment elle est utilisée dans différents domaines. Comme il s'agit d'un domaine très complexe et vaste, il est difficile de garder une vue d'ensemble, voire impossible de répertorier tous les domaines qui le composent. Pour vous aider, vous aurez d'abord un aperçu des domaines les plus importants. L'apprentissage automatique, la représentation des connaissances, la planification, les réseaux de neurones ou, par exemple , la robotique, la vision par ordinateur, la PNL , la recherche et bien d'autres encore sont des sous-périodes importantes de l'IA. L'un des sous-domaines essentiels de l'IA est la représentation des connaissances, qui consiste à représenter des informations sur le monde dans un format que le système informatique peut utiliser pour effectuer des tâches complexes, telles que diagnostiquer des problèmes de santé ou engager des conversations en langage naturel. La PNL, quant à elle, permet aux ordinateurs de comprendre et d'interpréter le langage humain. Alors que la vision par ordinateur est vitale permettre aux machines de percevoir l'environnement. Chaque sous-zone est essentielle et joue un rôle unique dans le développement de l'œil. Bien qu'il soit impossible de couvrir toutes ces sous-flèches passionnantes dans cette vidéo, concentrons-nous sur quelques exemples de la manière dont l'IA est actuellement utilisée dans divers secteurs et applications. Exemples, recherche d'exoplanètes. Saviez-vous qu'au cours de la dernière décennie seulement, plus d'un million d'étoiles ont été observées pour déterminer si elles abritaient des exoplanètes ? En bref, les exoplanètes sont des planètes qui orbitent autour d'autres étoiles. Jusqu'à présent, la recherche a été largement manuelle, mais grâce à l'utilisation de l'IA et en particulier du deep learning, le processus peut être automatisé et quantifié. Imaginez qu'au lieu de 100 planètes par an, vous découvriez soudainement des milliers de nouvelles planètes. Dans ce contexte, un groupe d' astronomes de l' université de Genève, de Burn and NCC our planet, en Suisse, associé à une société appelée this high-tech pour utiliser l' intelligence artificielle pour identifier des planètes sur des images. Ils voulaient trouver des exoplanètes auparavant indétectables. Ils ont donc formé un programme informatique pour prédire comment les planètes interagissent les unes avec les autres. En utilisant cette nouvelle technique, les scientifiques ont pu améliorer la recherche d'exoplanètes et faire des découvertes qu' ils n'auraient pas pu trouver d'autres moyens. L'aide à la découverte de médicaments. Diverses sociétés pharmaceutiques telles que Fire, Moderna et d'autres utilisent déjà l'IA pour raccourcir considérablement le processus de recherche de nouveaux médicaments. Le meilleur exemple en est le développement du vaccin contre la COVID par la société pharmaceutique Moderna. À l'aide des données du virus du SRAS (COVID), un prédécesseur du coronavirus, et de deux combinaisons avec l'IA pour un apprentissage particulièrement approfondi, la société a réussi à fournir le vaccin en très peu de temps. Cependant, l'IA n'est pas seulement utilisée pour rechercher la bonne composition vaccinale, mais également en partie pour créer des médicaments et les tester pour détecter des effets secondaires dans le cadre de simulations. permet non seulement d'économiser du temps et de l'argent, mais également de réduire le nombre d'expériences sur les animaux. Crée de l'art. C'est exact. Pi crée des images, des vidéos, des arrière-plans et des illustrations. Avec l'émergence de nouveaux acteurs de l'IA tels que Stable Diffusion, Dolly ou Medullary, la création d'images, vidéos ou d'objets étranges n'a jamais été aussi facile. Regardez cette courte vidéo sur l'Assemblée ici. Le président Trump offre un tableau complet et complet. Maintenant. Vous voyez, je ne dirais jamais ces choses, du moins pas dans un discours public, mais c'était assez effrayant. Pourquoi ne pas créer de faux visages à la place ? Bien que l'IA ne soit pas une solution parfaite à l'heure actuelle, imaginez ce qu'elle sera dans les 15 à 20 prochaines années. Il est également possible de combiner deux images pour créer une œuvre totalement nouvelle. Par exemple, prenons simplement la photo de Mona Lisa, mais essayons-la cette fois, en fait, de manière hostile. Ou plutôt, que diriez-vous d'une combinaison de l'écran et de la photo d'Obama ? Grâce à une meilleure compréhension des applications actuelles de l'IA, nous pouvons désormais porter notre attention sur les possibilités passionnantes l'avenir de cette technologie. Explorons certaines des applications futures potentielles de l'IA dans le chapitre suivant. 9. Ce que nous avons appris jusqu'à présent: Ce que nous avons appris jusqu'à présent. en arriver à la fin, repensons simplement ce que nous avons appris jusqu'à présent. Nous examinons ensemble les termes des différences entre l'IA, l'apprentissage automatique et le deep learning. Nous avons ensuite eu un aperçu du passé de l'IE et avons découvert de manière surprenante que l'IA est un domaine de recherche plus ancien qu'on ne le pensait auparavant. Nous avons entendu parler des azimuts, des lois et du test de Turing. Dans le futur, nous avons découvert les domaines dans lesquels se compose l'IE et les domaines dans lesquels elle est déjà utilisée aujourd'hui. Dans le dernier chapitre, nous avons pu spéculer sur manière dont l'IA pourrait se développer telle qu'elle est actuellement. Maintenant que vous avez une base solide de connaissances, vous êtes prêt à vous plonger facilement dans le reste des causes. Alors continuez votre excellent travail et restez motivé.