Le guide du débutant absolu de l'intelligence artificielle

1. Introduction au cours sur l'IA: Bonjour, et merci beaucoup de vous être inscrit au cours Le but de cette vidéo d'introduction est de vous accueillir officiellement, me présenter et de vous donner une idée générale de ce à quoi vous pouvez vous attendre en suivant ce cours. Tout d'abord, je m'appelle Alexander. Je suis professeur de cybersécurité ou de cybersécurité en ligne avec plus de sept ans d'expérience, et je suis également un grand passionné d' IA. Alors, que pouvez-vous attendre de ce cours ? Eh bien, permettez-moi de vous donner un bref résumé du programme. Tout d'abord, nous allons examiner ce qu'est réellement l'IA, ainsi que les fondements de l'IA Nous aborderons un peu l'histoire de l'IA. Ensuite, nous aborderons les trois principaux modules de ce cours Commencer par le machine learning. Ensuite, nous examinerons l'apprentissage en profondeur , puis le processus du langage naturel. Et voici les trois grands modules ou les trois grandes sections de ce cours. Ensuite, pour terminer le cours, nous examinerons l' avenir de l'IA et ce que nous pouvons attendre de l' intelligence artificielle au cours des dix à 50 prochaines années. Donc, quelques choses à savoir sur ce cours en particulier, il y aura des quiz à la fin de chaque section. Alors, s'il vous plaît , répondez aux quiz. Ne t'inquiète pas. Les questions ne sont en fait pas si difficiles. C'est juste pour tester ce que tu as appris. Alors ne paniquez pas. Ce sont des questions très, très simples. Ensuite, les ressources, je vais vous fournir toutes les diapositives que j' utiliserai dans ce cours, ainsi que le livre, qui est essentiellement un livre PDF résumant l'ensemble du cours Au moment où j' enregistré cette vidéo en particulier, je travaillais toujours sur ce livre. Alors, s'il vous plaît, soyez patient. Vous êtes peut-être inscrit au cours et le livre n'est pas encore prêt. Ne t'inquiète pas. J'y travaille. Je vous tiendrai au courant une fois que le livre sera prêt à être téléchargé. De plus, si vous souhaitez utiliser les diapositives dans toute sorte de présentation officielle, vous êtes invités à le faire. Je vous demande simplement de me créditer, Alexander One, ainsi que mon entreprise labsyba.com. Merci. Et puis, bien sûr, des questions si vous avez des questions sur tout ce que j'ai abordé dans ce cours. Il y a peut-être quelque chose que tu ne comprends pas très bien. N'hésitez pas à me contacter. Je me ferai un plaisir de répondre à toutes vos questions. Cela étant dit, je tiens à vous souhaiter une fois de plus la bienvenue dans ce cours où nous allons parler de l'IA. Principes fondamentaux de l'IA, fondements de l'IA. Et je ne peux qu' espérer que vous apprécierez ce cours car je me suis efforcé de rendre les leçons aussi divertissantes mais aussi éducatives que possible. Alors, bienvenue encore une fois. Commençons. 2. Section Aperçu : Introduction à l'intelligence artificielle: Bienvenue officiellement dans le tout premier module d'introduction à l' intelligence artificielle. Maintenant, une chose que vous devez savoir sur moi sur le plan personnel, c'est que j'adore regarder des films. J'adore aller au cinéma. C'est l'un de mes loisirs préférés de tous les temps. Et une chose que j'aime faire en tant que professeur est d' intégrer des extraits de films à mes leçons chaque fois que je le peux, car je pense qu' ils peuvent être très, très instructifs, mais aussi très divertissants en même temps. Maintenant, parmi les centaines et centaines de films hollywoodiens dont le sujet central est l'intelligence artificielle, je pensais au clip parfait que je pourrais utiliser pour présenter ce cours, et je pense avoir trouvé le bon clip, alors asseyez-vous, détendez-vous, profitez de ce clip, et je vous verrai à la fin. Bonjour, Hal. Comment se passe tout ? Bonjour, M. Amer. Tout va très bien. Hal, tu as une énorme responsabilité dans cette mission, à bien des égards, peut-être la plus grande responsabilité de tous les éléments de la mission. Vous êtes le cerveau et le système nerveux central du navire, et vos responsabilités incluent la surveillance des hommes en hibernation Est-ce que cela vous cause parfois un quelconque manque de confiance ? Permettez-moi de le dire ainsi, M. Raymer. La série 9 000 est l'ordinateur le plus fiable jamais fabriqué. Aucun ordinateur de 9 000 ordinateurs n'a jamais fait d'erreur ou n'a déformé des informations Nous sommes tous, quelle que soit la définition pratique des mots, infaillibles et incapables de commettre des erreurs Bref, le pion de Queen T. OK ? Bishop prend le pion des chevaliers. C'est une belle initiative. Euh, ok pour King One. Je suis désolée, Frank. Je pense que tu l'as raté. De la reine à l'évêque trois, l'évêque prend la reine, le chevalier prend l'évêque. mai. Ah. Oui, on dirait que tu as raison. Pas de démission. pour ce jeu très agréable. Eh bien, revenez. J'espère que vous avez apprécié ce clip. Maintenant, il a été tiré du film 2001, une odyssée de l'espace, et ce film a été réalisé en 1968 Maintenant, je réalise cette vidéo en 2025. Voilà ce qu'il y a 57 ans. je soulève cette c'est parce que je veux que vous compreniez que l'IA en tant que technologie, sujet ou existe depuis des décennies. Beaucoup de gens semblent penser que l' IA est une nouveauté qui vient tout juste d'apparaître. Ce n'est tout simplement pas vrai. L'IA existe depuis de très nombreuses années. En ce qui concerne le clip lui-même, qu'avons-nous vu exactement ? Nous avons assisté à l'introduction d' un modèle d'IA particulier connu sous le nom de Hal the HAL 9 000 De toute évidence, vous pouvez voir qu'il s'agit d'un modèle d'IA extrêmement sophistiqué car selon le présentateur, il a déclaré que le Hal 9 000 est le système nerveux central de l'ensemble du vaisseau spatial et qu'il est également responsable du bien-être des membres de l'équipage humain pendant leur hibernation Il s'agit donc d'un modèle d'IA très performant, très avancé et très intelligent. Et nous avons également vu le modèle d' IA jouer aux échecs avec l'un des membres humains de l'équipage, et il a évidemment gagné. Maintenant, fait amusant, si vous n'êtes pas un joueur d'échecs, je suis un joueur d'échecs. J'adore aussi regarder les échecs sur YouTube. Aujourd'hui, nous avons des modèles d' IA appelés moteurs qui aident réellement joueurs d'échecs professionnels à se préparer aux parties. Ces modèles sont extrêmement intelligents et très avancés. Les joueurs d'échecs professionnels utilisent donc ces modèles pour analyser les parties d'échecs, pour se préparer aux compétitions et également pour préparer des pièges pour leur adversaire. Je trouve donc fascinant que ce film, The Space Odyssey, ait pu prédire correctement que dans le futur, nous aurons des modèles d'IA qui seront si bons aux échecs qui seront si bons aux échecs qu'ils seront capables de battre n'importe quel être humain Mais pour en revenir au clip, nous voyons également au cours de l'entretien entre le présentateur et le modèle d'IA lui-même, le modèle d'IA a dit quelque chose de très, très effrayant , à savoir qu'il est incapable de commettre des erreurs Et je pense que c'est très, très effrayant, car cela soulève des inquiétudes légitimes concernant l'IA à l'avenir. Que se passe-t-il lorsque nous commençons à créer des modèles ou des systèmes d'IA si intelligents capables de penser de manière indépendante, et qu'ils décident de prendre leurs propres décisions ? Maintenant, il y a beaucoup de sceptiques qui affirment que cela n'arrivera jamais L'IA ne deviendra jamais consciente d'elle-même ni aussi intelligente. Cependant, d'autres pensent que cela pourrait être une possibilité. Nous allons approfondir cette question dans le cours. Mais une autre chose que je voulais mentionner avant de lancer cette introduction est le sujet du traitement du langage naturel (NLP Si vous remarquez dans le clip, les humains avaient une conversation presque naturelle avec le modèle d'IA. Le modèle d'IA, les 9 000, a réussi à comprendre ce que les humains lui disaient grâce à la PNL traitement du langage naturel NLP permet aux machines ou aux modèles d'IA tels que le Hal 9,000 d'interpréter les commandes vocales des humains, puis d'exécuter un type particulier de tâche ou de fonction Bien entendu, je vais consacrer un module entier à parler de la PNL plus tard dans ce cours J'espère donc que vous avez apprécié cette courte introduction au monde de l' intelligence artificielle. Passons maintenant à la leçon suivante. 3. Qu'est-ce que l'intelligence artificielle: Qu'est-ce que l'intelligence artificielle ? Eh bien, il s'agit essentiellement de la simulation de l'intelligence humaine dans les machines. Vous pouvez le voir comme si nous, les humains, essayions de transférer notre intelligence à des machines. Aujourd'hui, nous disposons des principales caractéristiques l'intelligence artificielle. Nous avons la capacité d'apprendre. Les systèmes d'IA devraient donc être capables d'apprendre et de s'améliorer au fil du temps. Ensuite, en raisonnant, ils devraient être capables de faire des raisonnements et des déductions logiques , puis de produire un résultat, puis une perception, c' est-à-dire leur capacité à traiter des données sensorielles telles que des images, des sons, etc., puis à produire un résultat Et bien sûr, l'utilisation du traitement du langage naturel (NLP), qui permet aux modèles d'IA de comprendre et d'interpréter le langage humain , l'objectif principal En fin de compte, l'objectif principal de l' IA est de permettre aux modèles d'exécuter des fonctions cognitives similaires à celles des humains. Maintenant, nous avons différents types d'IA. Nous avons l'IA étroite, ce que nous appelons l'IA spécifique à une tâche. C'est ce qu'on appelle aussi l'IA faible. Ce sont des IA que vous trouverez dans vos pare-feux, dans vos systèmes de recommandation, dans vos forums de discussion virtuels comme Alexa, et même dans votre cloud hAGPT, vos modèles de disques, etc. Et puis nous avons l' étape suivante, qui serait l'IA générale capable de posséder une intelligence semblable à celle de l'homme. Nous n'en sommes pas encore là, mais beaucoup de gens pensent qu'à terme, nous serons en mesure de développer une IA aussi avancée. Et puis à l'avenir, une IA super intelligente. Beaucoup de gens pensent que nous ne développerons jamais l'IA. Ils seront si sophistiqués. Mais encore une fois, nous avons également quelques personnes qui croient que nous y arriverons un jour. Donc, dans la vie de tous les jours, nous utilisons déjà l'IA dans les assistants virtuels, comme Alexa, Siri, vos systèmes de recommandation comme Netflix, Spotify, YouTube, dans les assistants virtuels, comme Alexa, Siri, vos systèmes de recommandation comme Netflix, Spotify, YouTube, vos appareils domestiques intelligents utilisent également l'IA Nos voitures autonomes, comme Tesla, bien sûr, sont entièrement équipées d'intelligence artificielle. Et nous avons également l'IA dans la santé grâce à l'utilisation de l' imagerie médicale et bien plus encore. L'IA joue donc déjà un rôle important dans notre vie quotidienne. Maintenant, je veux aborder certains mythes courants dans le monde de l'IA. La première est que l' IA a des émotions comme les humains. Maintenant, j'en suis très coupable parce que chaque fois que j'utilise mes modèles d'IA préférés comme Cha JPT pour vous demander faire quelque chose pour moi, il le fait très, très bien Je finis par remercier Hajibt. Je vais dire quelque chose comme « Oh, merci beaucoup, Tu as fait quelque chose de merveilleux pour moi aujourd'hui. Et, bien sûr, Habibt répondra en disant : «   Vous êtes le bienvenu Et je dis ces choses presque inconsciemment parce que je crois que si je suis gentille hagipti et que je loue hagibt chaque fois que cela me fait du bien, cela me récompensera à l'avenir avec des résultats encore meilleurs, ce qui n'est évidemment pas vrai Habit ne peut pas comprendre les émotions. Il ne traite pas les émotions comme le font les humains. De plus, l'IA remplacera tous les emplois. Il ne fait aucun doute que l'IA remplacera de nombreux emplois, mais elle ne remplacera jamais tous les emplois. En fait, l'IA créera également de nouveaux emplois. Nous en parlerons dans le dernier module, consacré aux fonctionnalités de l'IA. Et puis l'IA est infaillible, ce qui signifie qu'elle ne peut pas faire Ce n'est évidemment pas vrai. L'IA peut commettre des erreurs. L'IA peut halluciner des informations. Et n'oubliez pas que l'IA est développée par des êtres humains. Donc, si les êtres humains commettent des erreurs dans le codage ou dans la façon dont le modèle d' IA est entraîné, le modèle commettra des erreurs. Elle sera sujette à des erreurs, et nous en parlerons également plus tard, et fait que l'IA peut penser de manière indépendante. Encore une fois, la plupart des gens pensent que nous n' arriverons jamais au stade où IA deviendra consciente d'elle-même et sera capable de prendre des décisions par elle-même. Mais il y a encore des gens qui croient que nous y arriverons un jour. Je ne sais pas si c' est vrai ou non, mais la plupart des gens semblent croire que tout cela n'est qu'un mythe. L'IA ne peut fonctionner que sur la base instructions ou des règles qui lui ont été données. Et enfin, mon IA préférée va conquérir le monde. Et j'y mets l'esthétique parce que quand je dis que l'IA va conquérir le monde, le mythe est IA prend conscience d'elle-même et décide de cela, vous savez quoi ? Je vais régner sur les êtres humains. Les êtres humains deviendront les esclaves de l'IA. Non, je ne crois pas que cela arrivera un jour. Cependant, d'une certaine manière, l'IA va envahir le monde parce que nous l'utiliserons dans à peu près tout ce que nous faisons transports aux communications, en passant soins de santé, les achats, la créativité et le divertissement. vous de le nommer. Nous allons avoir l'IA sous une forme ou une autre. Affectant la façon dont nous vivons notre vie quotidienne. Je voulais donc vous proposer une activité d'engagement rapide. Pensez à la toute dernière fois que vous avez eu une interaction avec l'IA. Quels outils d'intelligence artificielle utilisez-vous au quotidien, et comment améliorent-ils votre expérience ? Prenez 5 minutes pour y réfléchir et je pense que vous trouverez peut-être les résultats très fascinants. Pour terminer, je voudrais juste vous donner un bref résumé IA est une simulation de l'intelligence humaine dans les machines, et l'IA fait déjà partie de notre vie quotidienne. Et il existe de nombreux mythes et idées fausses à propos de l'IA. J'en ai déjà parlé. Et l'IA, le but ultime de l'IA, devrait être d' améliorer les capacités humaines et non de les remplacer. Merci d'avoir regardé. Je te verrai au prochain cours. 4. Histoire de l'intelligence artificielle: Maintenant, jetez un bref coup d'œil à l'histoire de l'intelligence artificielle. L'histoire de l'IA remonte donc à des milliers et des milliers d'années. Et comme je l'ai dit plus tôt, contrairement à ce que beaucoup de gens pensent, IA n'est pas quelque chose qui vient d'émerger. Il existe en fait depuis un bon moment maintenant. Bien entendu, comme pour tout type de technologie, l' IA a connu à la fois des progrès et des revers Les revers, c'est ce que nous appelons les hivers de l'IA. Maintenant, juste pour vous donner quelques exemples des premiers concepts des haricots artificiels, pas nécessairement de l'intelligence artificielle, mais des haricots artificiels. Vous avez dans la mythologie grecque l'existence d'un automate géant en bronze appelé Talos Vous avez peut-être déjà vu Talos dans certains films. Et puis aussi les automatisations chinoises et arabes. Nous avions les premiers appareils capables d'imiter la vie. Et aussi à la renaissance de Léonard de Vinci, il a pu dessiner des robots humanoïdes Donc, la naissance de l'IA, les fondements du 20e siècle, IA telle que nous la connaissons aujourd'hui. Une grande partie du travail de base s'est donc fait entre les années 40 et 50. Et en particulier, nous avons eu Alan Twin, le célèbre scientifique qui, en 1950, a créé ce que l'on appelle le test de Turing. C'est utilisé pour évaluer l'intelligence des machines. En 1943, nous avons eu les premiers réseaux neuronaux conçus par Walter McCulloch et Walter , en 1956, Enfin, en 1956, lors de la conférence Damoth, McCarthy a officiellement inventé le terme intelligence artificielle en tant que John McCarthy a officiellement inventé le terme intelligence artificielle en tant que domaine universitaire Quels sont donc les hivers et la résurgence de l'IA ? Eh bien, en 1970, les systèmes de Los Angeles n' ont pas répondu aux attentes, ce qui a entraîné une réduction du financement. Bien sûr, de nombreuses entreprises et de nombreux pays ont pensé : « Vous savez quoi ? Ce truc d'IA ne va pas fonctionner. Arrêtons de financer nos chercheurs. Et puis 87-993, il y a eu un autre revers car notre puissance de calcul alors très limitée N'oubliez pas que pour alimenter les modèles d'IA, vous avez besoin d'une grande puissance de calcul Et à l'époque, les ordinateurs n'étaient tout simplement pas assez puissants. Mais qu'en est-il du renouveau ? Vous voyez, dans les années 1980, nous avions systèmes experts qui gagnaient terrain à la fois dans les affaires et dans la médecine, et entre les années 1990 et 2000, grâce aux progrès de l'apprentissage automatique et à l'essor d'Internet, tous ces systèmes ont pu contribuer à poursuite de la recherche sur l'intelligence artificielle. J'ai donc ici quelques étapes clés du développement de l'IA En 1997, nous avions le superpuissant ordinateur IBM Deep Blue qui avait battu le champion du monde de l'époque, Gary Kasparov Maintenant, en tant que grand fan d'échecs, j'ai vraiment suivi les parties. La toute première fois qu'ils ont affronté Gary Kasparov, considéré d'ailleurs par beaucoup le meilleur joueur d'échecs de tous les temps, il a battu Deep Blue dès le premier match Ils sont revenus pour une revanche, puis dans le match revanche, Deep Blue a finalement battu Gary Cela a donc marqué une étape importante car c'est la toute première fois dans l'histoire de l' humanité qu'une machine a pu battre un être humain sur l'échiquier. Et puis nous avons franchi d'autres étapes importantes en 2011, lorsque l'IBM Machine Watson a remporté Jeopardy against Even Champions Et puis, en 2016, Google a raté un objectif. Cela a battu le joueur de but champion du monde Lee Sedol. Puis, dans les années vingt, des modèles d' IA tels que le Cha GPI, l'émergence de modèles tels que ha GPT, Cloude, etc., ont pu démontrer que la génération de texte était similaire à ont pu Ainsi, au 21e siècle, telle que nous la connaissons, nous avons désormais la puissance de l'IA dans des voitures comme votre Tesla, utilisation du traitement du langage naturel qui est utilisé par des modèles d'IA tels que votre Deep sik, vêtements, vos ajepit Et puis, dans le domaine de la santé, nous disposons désormais de systèmes de diagnostic basés sur l'IA et de la découverte de médicaments. Quel est donc l'avenir de l' IA ? À quoi pouvons-nous nous attendre ? Eh bien, nous pouvons nous attendre à ce que l' IA stimule la créativité dans les domaines de l'art et de la musique, ainsi qu'à des avancées en matière de collaboration entre humains et IA. Il y aura davantage de collaboration entre l'intelligence artificielle et les êtres humains. Et, bien entendu, l'utilisation de cadres éthiques pour garantir que l'IA est utilisée de manière responsable, IA est formée de manière responsable et que l'IA est, en fait, sûre à utiliser. Bref résumé de la leçon, IA existe dans l' imagination humaine depuis des siècles. La conférence Dermoth de 1956 a marqué la naissance officielle de l'IA en tant que domaine universitaire Et puis il y a eu, bien sûr, les hivers de l'IA , puis la résurgence de l'IA Et, bien entendu, l'IA moderne repose sur la planification, que nous allons intégrer aux mégadonnées et, bien entendu, à une puissance de calcul considérable Enfin, l' avenir de l'IA inclura des considérations éthiques et la collaboration humaine en matière d'IA. Merci d'avoir regardé. Je te verrai au prochain cours. 5. Concepts clés et terminologie: Bon retour. Jetons maintenant un coup d'œil à certains concepts clés et à la terminologie utilisés dans le monde de l'IA. Nous allons commencer par les termes de l'IA. Il y en a trois : l'intelligence artificielle, machine learning et, bien sûr, le deep learning. Maintenant, en ce qui concerne l'intelligence artificielle, nous en avons déjà parlé. Ce sont essentiellement des machines qui essayent de simuler l'intelligence humaine. Vous avez des exemples avec Alexa, Civ, vous savez, votre assistante virtuelle Mais nous avons également l'apprentissage automatique, qui est essentiellement un sous-ensemble de l'intelligence artificielle, dans lequel les machines sont capables d'apprendre en fonction de modèles Votre examen L'un des meilleurs exemples à cet égard serait la filtres anti-spam dans votre courrier électronique. Réfléchis-y, d'accord ? Les filtres anti-spam ne sont pas rigides. Ils sont capables d' identifier ce qu'est le spam, en fonction des tendances, des modèles, de l'historique. Imaginez donc que les machines apprennent en cours de processus. Au début, le filtre anti-spam risque de ne pas réussir à détecter tous les types de spam. Mais au fil du temps, au fur et à mesure qu'il apprendra ce qu'est exactement le spam, les différentes formes et formes qu'un courrier indésirable peut prendre au fil du temps finiront par s'améliorer. Enfin, nous avons votre apprentissage profond, qui est un sous-ensemble plus avancé de l'apprentissage automatique qui utilise des apprentissage automatique qui utilise réseaux neuronaux pour traiter des données complexes L'un des meilleurs exemples à cet égard serait vos systèmes de reconnaissance faciale. Plus loin dans ce cours, nous allons approfondir à la fois le machine learning et le deep learning Mais qu'en est-il des concepts, d'accord ? Il y en a une tonne, et tu devrais avoir une idée de ce qu'ils sont. Le premier sera l'algorithme. Il s'agit essentiellement d'un ensemble de règles ou d'étapes une machine suivra pour résoudre un problème ou prendre une décision. Nous avons vu des algorithmes dans à peu près tous les types d' applications, qu'il s' agisse d'une application de rencontres ou d'une application de jeu, en gros, tout type d'application ou de programme utilise un algorithme pour déterminer comment cette application traitera les données ou prendra une décision. Nous avons votre modèle. Il s'agit essentiellement d'un système ferroviaire capable de faire des prédictions basées sur des données. Oh, vous êtes un GIPT, votre Cloud, votre My Journey Ce sont tous des exemples de modèles d'IA. Vous avez les données d'entraînement, qui sont les données utilisées pour entraîner ces modèles. Encore une fois, nous parlerons un peu plus loin dans le cours, manière dont les modèles d' IA sont entraînés. Et puis nous avons ce que nous appelons l'inférence. Il s'agit essentiellement de la capacité d'un modèle d'IA à faire des prédictions sur la base des nouvelles données qu'il a acquises. Supposons, par exemple, que vous disposiez d'un modèle d'IA utilisé pour faire des prédictions sur le marché boursier. Donc, si quelque chose de nouveau se produit, par exemple une guerre a éclaté ou candidat à la présidentielle a remporté les élections, cela pourrait avoir un impact sur le marché boursier mondial. L'IA serait donc en mesure de faire des prédictions sur la base de ces nouveaux événements survenus. C'est ce que nous appelons l'inférence. Et puis nous avons votre réseau neuronal. Il s'agit essentiellement d'un système informatique inspiré du cerveau humain utilisé dans le deep learning Encore une fois, nous parlerons l'apprentissage profond plus tard dans le cours. Et puis le traitement du langage naturel (NLP). Il s'agit de la capacité d' une machine à comprendre et à générer du langage humain, du texte. De plus, il y aura une section spéciale du module. Dédié à en savoir plus sur la PNL. Et enfin, la vision par ordinateur. Il s'agit, bien entendu, de l'IA qui permet également aux machines d' interpréter des images et des vidéos. Voici donc quelques-uns des concepts clés que vous devez connaître en matière d'IA. Maintenant, les types d'IA, j'en ai déjà parlé plus tôt. Vous avez votre IA étroite qui est utilisée pour des types de tâches très spécifiques. Un exemple ici serait votre Google Translate, votre Cha JBT En gros, un peu comme l'IA étroite. Mais il y a aussi votre IA générale, l'IA puissante, une IA capable d' accomplir toutes les tâches intellectuelles qu' un humain peut accomplir. C'est encore un peu théorique pour le moment. Il n'a pas encore été développé. Et puis, bien sûr, l'IA super intelligente, IA qui surpasse l'intelligence humaine C'est un concept d'avenir. Supposons même que nous n'en arriverons jamais là, alors que ceux qui pensent que nous allons obtenir une IA super intelligente pensent qu'il faudra des décennies pour que cela se produise. Et vous devez également comprendre la différence entre l' automatisation et l'IA. Vous voyez, en matière d'automatisation, elle suit des règles prédéfinies. Ainsi, par exemple, le client achète le produit A. Comme le client a acheté le produit A, envoyez-lui un coupon de 25 % pour acheter le produit B, vous savez, un peu comme ça, non ? L'automatisation repose sur des règles et des déclencheurs. En matière d'IA, elle ne suit pas les règles. L'IA est essentiellement capable d' apprendre et de prendre des décisions par elle-même. Par exemple, vous-même, au volant d'une voiture. Donc, juste pour vous donner un bref résumé de la leçon, IA inclut l'apprentissage automatique et l' apprentissage en profondeur sous forme de sous-domaines, algorithmes, de modèles, de données d'entraînement Ce sont tous des composants essentiels de l'IA. Aujourd'hui, l'IA peut être limitée à des tâches spécifiques, comme l'IA générale, comme humaine ou une super IA qui dépasse les capacités humaines L'automatisation et l'IA sont alors différentes, mais l'IA peut, en fait, améliorer l'automatisation. Merci d'avoir regardé la vidéo. Je te verrai au prochain cours. 6. IA, apprentissage automatique et apprentissage en profondeur: Reviens. Examinons maintenant de plus près les différences entre l' intelligence artificielle, machine learning et, bien sûr, le deep learning. L'IA, l'intelligence artificielle, est donc le concept le plus large, d'accord ? Alors que l'apprentissage automatique serait un sous-ensemble de l' intelligence artificielle, deep learning est un sous-ensemble plus avancé de l'apprentissage automatique Alors pensez-y de cette façon, d'accord ? Tout en haut, nous avons l'IA. Juste en dessous de l'IA, il y a l'apprentissage automatique, et juste en dessous de l'apprentissage automatique, il y a l'apprentissage profond. Maintenant, j'ai fourni une analogie ici, d'accord ? Pensez à l'IA comme à l'univers entier, n'est-ce pas ? L'apprentissage automatique serait comme une galaxie dans cet univers, tandis que le deep learning serait un système solaire situé à l'intérieur de la galaxie de l'apprentissage automatique. Donc, pour résumer, tout le deep learning est un sous-ensemble de l'apprentissage automatique, mais l' intelligence artificielle n'est pas entièrement un apprentissage automatique N'oubliez pas que l' intelligence artificielle ne se limite pas à l'apprentissage automatique. Donc, pour récapituler encore une fois, tout le deep learning relève de l'apprentissage automatique, mais l'intelligence artificielle n' est pas entièrement du machine learning D'accord. Alors, qu'est-ce que l'IA ? Nous en avons déjà parlé ? En gros, des machines simulant l'intelligence humaine. Et, bien entendu, l'IA est capable d'exécuter des tâches, les résoudre, de prendre des décisions, etc. Vous devez donc savoir que l'IA n'apprend pas toujours. L'IA peut également suivre nos règles prédéfinies. Aujourd'hui, l'apprentissage automatique est essentiellement un sous-ensemble de l' intelligence artificielle qui permettrait aux machines d'apprendre à partir de données et de modèles Bien entendu, cela permettrait à cette machine faire des prédictions et de résoudre des problèmes au fil du temps. L'apprentissage automatique se fait de trois manières. Le premier sera ce que nous appelons l'apprentissage supervisé, où les données d'entraînement fournies à la machine sont réellement étiquetées. Imaginez que vous essayez d' entraîner un filtre anti-spam. Ainsi, dans le cadre de l'apprentissage supervisé, la machine recevra différents types de spams, et les données seront étiquetées «   OK, c'est du spam, c'est du spam, c' est du spam, c'est du spam ». Ainsi, au fil du temps, lorsque la machine aura pris connaissance de tous ces exemples de différents types de spams, elle sera en mesure d'apprendre et de prédire à l'avenir si un type particulier de courrier électronique est du spam ou légitime. Et puis nous avons ce que nous appelons l'apprentissage non supervisé, où les données d'entraînement ne sont pas étiquetées et où le modèle d'IA apprend à faire des prédictions sur la base de ces données audio. En gros, il essaie de trouver des modèles. L'un des meilleurs exemples à cet égard serait la segmentation de la clientèle. Et puis le dernier est ce que nous appelons l'apprentissage par renforcement. Considérez-le comme un système de récompenses et de pénalités, où lorsque l'IA, lorsque le modèle fait le bon type de prédiction est capable de résoudre un problème ou donne la bonne réponse, elle sera récompensée. Mais s'il commet une erreur, il sera pénalisé. C'est ce que nous appelons l'apprentissage par renforcement. Nous avons donc pris connaissance de l'apprentissage automatique dans de nombreux exemples, de vos filtres anti-spam, vos recommandations YouTube et Netflix, et même de la détection des fraudes dans le secteur bancaire. L'apprentissage automatique repose donc largement sur des algorithmes pour identifier les modèles et faire des prédictions. Mais qu'en est-il du deep learning ? Il s'agit d'un sous-ensemble de l' apprentissage automatique qui utilisera réseaux neuronaux artificiels pour traiter de grandes quantités de données complexes Il utilise donc plusieurs couches de nuances. Nous les appelons les réseaux neuronaux profonds. Fonctionne mieux avec de grands ensembles de données et une puissance concurrentielle élevée. En d'autres termes, vous avez besoin ordinateurs très puissants pour exécuter l'apprentissage en profondeur et, bien entendu, cela permet à l'IA d' effectuer des tâches similaires à celles de l'homme , telles que la reconnaissance vocale, la reconnaissance faciale, etc. Maintenant, nous avons vu le deep learning dans plusieurs exemples. Par exemple, votre reconnaissance faciale dans vos smartphones, détection d'empreintes digitales également, voitures autonomes comme votre Tesla et, bien sûr, dans vos modèles d'IA comme TajipT, etc. Aujourd'hui, l'apprentissage profond est la technique d'IA la plus avancée qui permet aux machines d'imiter essentiellement les fonctions du cerveau humain Je vous ai donc donné le tableau ci-dessous pour mettre en évidence les principales différences entre AI ML et DL. nous l'avons dit, nous avons les caractéristiques de la définition Comme nous l'avons dit, l'IA est essentiellement constituée de machines qui imitent l'intelligence humaine machine learning apprend à partir de données et de modèles, tandis que le deep learning Wood est un sous-ensemble avancé du ML qui utilise des réseaux neuronaux En ce qui concerne la dépendance aux données, se peut que l' IA en elle-même n' ait pas besoin de données, car elle peut également apprendre par elle-même. Cependant, l'apprentissage automatique nécessite des données structurées. Avec le deep learning, il nécessite grandes quantités d'ensembles de données. Par exemple, dans le cadre de votre IA, nous avons vos forums de discussion, une assistance virtuelle. Pour votre apprentissage automatique, nous avons vos filtres anti-spam, les systèmes recommandés, pour votre apprentissage profond, vos voitures autonomes, ainsi que votre reconnaissance faciale. Et puis la dernière caractéristique, la complexité. C'est très, très intéressant. Aujourd'hui, avec l'IA, c'est un vaste domaine. Inclut l'intelligence artificielle basée sur des règles. Et puis pour le machine learning, des algorithmes plus simples, mais cela nécessite une formation. Et puis, pour le deep learning, c'est très complexe et nécessite un matériel très puissant. Voici donc quelques-unes des principales différences entre ces trois termes. Je voulais donc vous donner un exemple concret de la façon dont ces trois éléments s'unissent pour donner naissance à quelque chose de très puissant. Imaginons, par exemple, votre Tesla, une voiture autonome. En gros, l'intelligence artificielle permettra à la voiture de prendre les décisions, d'accord ? Ainsi, grâce à l'IA, la voiture sait qu'elle ne devrait probablement pas faire excès de vitesse dans une zone très peuplée, par exemple Mais il en va de même pour l'apprentissage automatique, car n'oubliez pas que l'apprentissage automatique nécessite des modèles et des données pour tirer des leçons. Grâce à l'apprentissage automatique, la voiture peut être en mesure de prédire à quoi ressemblera le trafic à un certain moment de la journée. Il pourrait également être en mesure de faire prévisions en fonction de la météo, exemple grâce à l'apprentissage automatique. Et puis l'apprentissage profond est ce qui permettrait à la voiture d' interpréter les panneaux de signalisation, les panneaux signalisation ou même reconnaître les piétons qui tentent de traverser la route Donc, lorsque vous combinez les trois, pensez-y de cette façon, d'accord, l' IA est essentiellement un peu comme le système global de la voiture autonome. L'apprentissage automatique est ce qui permettrait à la voiture de s'améliorer et d'apprendre au fil du temps, tandis que le deep learning la rendra très efficace. Voici donc comment ces trois éléments se combinent pour alimenter votre Tesla ou d'autres voitures autonomes. Bref résumé, IA est un vaste domaine. Le ML est, bien entendu, le sous-ensemble de l'IA Cela permettrait aux machines d' apprendre à partir des données, tandis que le DL est le sous-ensemble très avancé du ML qui utilise des réseaux de neurones pour un apprentissage avancé Et bien sûr, l'IA, le ML et le DL sont interdépendants, mais présentent bien sûr des différences distinctes Merci d'avoir regardé. Je te verrai au prochain cours. 7. Aperçu de la section Les bases de l'intelligence artificielle: Je vais m'intéresser aux fondements de l' intelligence artificielle, et c'est l'heure de tourner un autre clip vidéo. Et quelque chose me dit que vous avez probablement vu le film dont ce clip va être tiré. Néanmoins, asseyez-vous, détendez-vous. Profitez bien du clip, je vous verrai à la fin. En ce moment, nous sommes dans un programme informatique. Est-ce vraiment si difficile à croire ? Vos vêtements sont différents. Vos bras et votre tête ne sont plus branchés. Vos cheveux ont changé. Votre apparence est maintenant ce que nous appelons une image de soi résiduelle. C'est la projection mentale de votre moi numérique. Ce n'est pas réel. Qu'est-ce qui est réel ? Comment définissez-vous le réel ? Si vous parlez de ce que vous pouvez sentir, sentir, goûter et voir, réels sont simplement des signaux électriques interprétés par votre cerveau. C'est le monde que tu connais. Le monde tel qu'il était à la fin du 20e siècle. Elle n'existe désormais que dans le cadre d' une simulation neuronale interactive que nous appelons matrice. Tu vis dans le monde des rêves, Neo. C'est le monde tel qu'il existe aujourd'hui. OK, bon retour. Et, bien sûr, ce clip est tiré du très populaire film The Matrix sorti en 1999. Et si, pour une raison ou une autre, vous n'avez jamais vu ce film auparavant, que faites-vous de votre vie ? Arrêtez de regarder ce cours et allez voir le film. Maintenant, je plaisante, terminez d'abord ce cours, puis vous pourrez aller voir le film Mais sérieusement, à mon humble avis, The Matrix est l'un des meilleurs films jamais réalisés. Cela soulève tellement de questions intéressantes au cours de l'action, et c'est un excellent film. Il suffit de le regarder. Maintenant, pourquoi ai-je choisi d' utiliser ce clip en particulier ? Eh bien, parce que cela soulève une tonne de questions fascinantes. Je vais m'attaquer à deux d'entre eux. Tout d'abord, permettez-moi de décrire ce qui se passe dans la scène. Vous avez Mofius, l'homme aux teintes sombres. Il explique à Neo, l'autre gars, que le monde dans lequel nous vivons en ce moment n'est que de la réalité virtuelle. Ce n'est pas réel. C'est faux. Il est généré par un système d'IA très puissant connu sous le nom de Matrix. Maintenant, Neo est évidemment très surpris. Il est sous le choc. Il dit : «   Non, comment est-ce possible ? Non, c'est réel. Cela peut être faux. Il touche la chaise, et Morpheus lui demande : comment définissez-vous le réel Et j'ai trouvé que c'était une question très, très fascinante. Comment définissez-vous ce qui est réel ? Et la raison pour laquelle c'est fascinant, c'est parce qu'aujourd'hui, nous avons des vidéos, des images, des deep fakes générés par l'IA Et même si aujourd'hui nous pouvons une très large mesure dire ce qui est réel et ce qui est généré par l'IA, pensez-y. Dans quelques années à venir, les types de contenu que l'IA sera capable de générer seront si réalistes que nous ne serons peut-être pas en mesure de faire distinction entre ce qui est réellement réel et ce qui est généré par l'IA. Nous pouvons avoir besoin de certains types de systèmes, de scanners ou d' algorithmes pour nous aider à détecter si l'image ou la vidéo que nous regardons est réelle ou fausse. Pensez-y. C'est donc très, très fascinant. Comment allons-nous pouvoir définir ce qu'est une image réelle et ce qu'est une image générée par l'IA ? Une autre question, cependant, est que dans le clip, nous voyons l'influence que la matrice a désormais sur la population humaine, n'est-ce pas ? La matrice est très puissante. Il a été capable de créer cette réalité virtuelle, elle a donc beaucoup d'influence sur les êtres humains, n'est-ce pas ? Maintenant, je sais que la matrice est un exemple extrême de l' influence de l'IA sur les êtres humains. Mais pensez-y aujourd'hui, aujourd'hui, croyez-le ou non, IA a déjà une certaine influence sur notre vie quotidienne. Vous ne me croyez pas, lorsque vous allez sur YouTube Netflix, Spotify ou sur l'une de ces plateformes, vous avez toujours ces onglets ou systèmes de recommandation, n' est-ce pas, est-ce pas, qui vous recommanderont du contenu , en fonction de votre historique, fonction de vos résultats de recherche, et parfois les recommandations peuvent même être simplement aléatoires. Mais pensez-y. Ces recommandations commencent déjà à influencer notre façon de penser. Cela pourrait nous inciter à commencer à soutenir un parti politique ou un candidat en particulier. Cela pourrait commencer à influencer la façon dont nous achetons des produits. Cela pourrait commencer à influencer notre façon penser à certains types de sujets controversés, etc. D'une certaine manière, ces systèmes de recommandation basés sur l'IA commencent déjà à avoir une certaine influence sur la façon dont nous vivons notre vie quotidienne. Cela soulève donc la question de savoir dans quelle mesure l'IA va commencer à avoir une influence IA va commencer sur notre façon de vivre à mesure qu'elle deviendra de plus en plus intelligente Parce que, croyez-le ou non, que cela me plaise ou non, IA va être introduite tous les aspects de notre vie, qu'il s'agisse de la communication, des transports, du shopping, divertissement, de la créativité, IA va être omniprésente. Imaginez donc le niveau d'influence que l' IA va avoir sur nous dans un avenir proche. Quoi qu'il en soit, passons à la leçon suivante où nous allons parler des fondements réels de l'IA. Je t'y verrai. 8. Les bases de l’IA: Maintenant, examinons un sujet très, très important, qui sera le fondement de l' intelligence artificielle. Aujourd'hui, contrairement à ce que beaucoup de gens pourraient croire, IA ne se limite pas au domaine de la technologie. Il couvre en fait plusieurs disciplines. Par exemple, vous aurez évidemment l' IA en informatique, où l'utilisation d'algorithmes, de structures de données, de code de programmation, etc. est utilisée en IA, vous aurez également l'IA dans le domaine des mathématiques et des statistiques. N'oubliez pas que nous pouvons utiliser l' IA pour des calculs mathématiques, pour calculer des probabilités, etc. Et puis il y a aussi l'IA dans le domaine des sciences cognitives et des neurosciences Parce que pensez-y, non ? Afin de pouvoir développer intelligence artificielle censée imiter l'intelligence humaine, nous devons d'abord comprendre l'intelligence humaine Et puis nous avons également l'IA dans le domaine de la linguistique. Ceci est, bien entendu, essentiel pour le traitement du langage naturel. Et c'est peut-être très surprenant, vous aurez l'IA dans le domaine de la philosophie et de l'éthique, car pensez-y, n'est-ce pas ? Les principaux défis liés à l' IA concernent l'éthique, la vie privée et la question de savoir s' il est réellement moral d'utiliser l'IA Donc, contrairement à ce que beaucoup de gens pourraient penser que l'IA n'est qu'un domaine technologique, IA existe également dans de nombreuses disciplines. Examinons maintenant les principes fondamentaux de l'IA. Ils sont six. Je veux les examiner un par un, en commençant par la logique et la prise de décision. De nombreux modèles basés sur l'IA s'appuient sur la logique pour prendre les décisions. Par exemple, vous avez votre logique d' intimidation qui utilise des opérateurs tels que votre N ou rien. Par exemple, si A est égal à B, B égal à C, A doit être égal à C, quelque chose comme ça, non ? Et aussi le système basé sur des règles où vous avez vos instructions E puis L. Par exemple, s'il pleut, prenez un parapluie. Sinon, s'il ne pleut pas, ne prenez pas de parapluie, vous savez, des trucs comme ça, non ? Et puis aussi les systèmes experts. Il s'agit d'une IA qui imiterait l' expertise humaine en suivant des règles prédéfinies Vous en avez dans vos diagnostics médicaux. Nous avons cependant certaines limites en ce qui concerne la logique et la prise de décision, car l'IA peut faire cependant certaines limites en ce qui concerne la logique et la prise de décision, face à l'incertitude, et chaque fois que des décisions complexes et chaque fois que des décisions complexes doivent être prises pour en tenir compte, principe suivant est le principe de probabilité et d'incertitude. Nous avons parlé du rôle des mégadonnées et importance des données pour l'intelligence artificielle. Mais dans de nombreuses situations , un modèle d'IA peut avoir besoin de prendre des décisions sur la base de données incomplètes ou bruyantes. Par exemple, dans vos réseaux Baysia, IA est utilisée pour raisonnement probabiliste, aidant les machines à faire des suppositions éclairées, par exemple faire des suppositions éclairées, par exemple dans vos filtres anti-spam, mais vous en avez également dans vos processus décisionnels de Markov, votre MDP, où l'IA est utilisée pour prendre des décisions dans certains environnements tels que robotique, la finance, etc. Et puis aussi dans vos simulations de Monte Carlo, cela est généralement utilisé pour l'analyse des risques et les jeux. Le concept suivant est celui de l'optimisation et de l'apprentissage. Bien entendu, l'IA apprend et optimise constamment en même temps. L'IA peut donc utiliser des algorithmes d'optimisation qui l'aideraient à ajuster ses paramètres afin de minimiser les erreurs. Par exemple, la descente en gradient utilisée dans le ML votre machine learning pour affiner les modèles en réduisant les erreurs de prédiction. Et puis le concept de programmation linéaire où l'on enseigne à l'IA l' allocation des ressources et les tâches de gestion des tâches, puis des algorithmes évolutifs Cela s'inspire de la sélection naturelle. Ces algorithmes font évoluer les solutions au fil du temps. Un exemple ici serait vos algorithmes génétiques, votre GA qui optimisent les solutions à des problèmes complexes. Aujourd'hui, l'une des plus grandes forces de l'IA réside dans sa capacité à reconnaître des modèles et à en tirer des leçons au fil du temps. Et l'un des concepts clés ici concerne les réseaux neuronaux que vous trouvez dans votre apprentissage profond. Ici, l'IA imite le cerveau humain pour reconnaître des modèles dans les données Par exemple, ici, vos systèmes de reconnaissance d'images, qui peuvent détecter des objets sur des photos. Également le concept d'extraction de fonctionnalités où l'IA est capable de décomposer les données en fonctionnalités clés. Par exemple, dans votre assistant vocal, le modèle d'IA peut décomposer la voix en plusieurs segments et peut ensuite comprendre les commandes en fonction de ces segments. Et puis aussi dans le concept de clustering et classification où l'IA peut regrouper les données en catégories significatives ou dans le cadre segmentation de votre clientèle, etc. Et puis l'apprentissage par renforcement. Nous en avons parlé un peu plus tôt. Il s'agit d'un entraînement par essais et erreurs ou sous forme de récompenses et de pénalités pour les machines. L'IA peut donc apprendre par essais et erreurs, peu comme les humains apprennent également par l'expérience, n'est-ce pas ? Nous avons donc l' apprentissage basé sur les récompenses , dans le cadre duquel l'IA peut recevoir des récompenses ou pénalités en fonction de ses performances lors d'un test ou d'un examen, puis d'exploration et d'exploitation. L'IA doit donc trouver un équilibre entre l' nouvelles stratégies et l'utilisation de stratégies connues. Le modèle d'IA doit donc en quelque sorte trouver un juste équilibre entre les deux et ne pas s'appuyer trop sur l'un ou l'autre. Par exemple, vos voitures autonomes, comme votre Tesla, ont appris les meilleures actions de conduite en étant récompensées pour leur comportement prudent. Et puis aussi votre Alpha zéro, un modèle d' échecs très, très puissant. Il a appris à bien jouer aux échecs en jouant simplement des millions de parties contre lui-même. Maintenant, heuristique et solutions approximatives. C'est très, très intéressant. Ici, il peut parfois être difficile de trouver la solution exacte , en fonction du problème posé par le défi lancé à l'IA L'IA doit donc utiliser l'heuristique, ce que nous appelons des raccourcis intelligents Nous avons donc les algorithmes de recherche heuristiques. Par exemple, l'IA recherchera simplement les bonnes solutions plus rapidement, exemple un algorithme en étoile pour trouver le chemin sur les cartes. Parfois, lorsqu'ils essaient de rechercher quelque chose, par exemple, dans votre moteur de recherche Google, se peut que vous ne fournissiez pas le type exact de termes que vous recherchez, mais l'IA doit être capable de faire deviner à un calculateur il se peut que vous ne fournissiez pas le type exact de termes que vous recherchez, mais l'IA doit être capable de faire deviner à un calculateur ce que vous essayez de trouver, puis l'IA fournira simplement les meilleurs résultats. Et puis la logique floue, c'est quoi exactement ? Ainsi, l'IA prend des décisions basées sur les degrés de vérité plutôt que sur des choix binaires. Par exemple, l'intelligence artificielle de vos systèmes de climatisation ne représente que la température en fonction du niveau de confort. Il essaiera donc de prendre sa décision en fonction de ce qu'il pense être une température raisonnable pour l'être humain et non pas exactement d'un choix binaire entre allumer le système de climatisation ou s'éteindre lui-même, si cela a du sens. Ensuite, j'ai fourni le tableau ci-dessous pour les principes fondamentaux de l'IA, encore une fois, la description puis l'exemple. Vous pouvez donc mettre cette vidéo en pause et la visionner pendant votre temps libre si cela vous intéresse. Ensuite, les concepts scientifiques clés utilisés en intelligence artificielle, l' algèbre linéaire utilisée dans vos réseaux d'apprentissage profond Vous avez vos probabilités et vos statistiques. Bien entendu, l'IA doit s'en servir pour faire des prédictions, puis utiliser les réseaux neuronaux utilisés spécifiquement dans le cadre d'une planification approfondie qui essaie d'imiter le cerveau humain, puis les algorithmes génétiques inspirés par l'évolution Et enfin, la théorie des jeux. Il s'agit, bien entendu, de la prise de décision dans des environnements concurrentiels. Quel est donc le lien entre l'IA et les sciences cognitives ? Eh bien, l'IA modélise la condition humaine dans des domaines tels que la perception, le raisonnement et la résolution de problèmes. Et puis l'étude de l' intelligence humaine peut également contribuer à améliorer l'intelligence artificielle en elle-même. Ainsi, par exemple, dans votre apprentissage par renforcement, il s'inspire de la psychologie comportementale, qui est, bien entendu, un apprentissage basé sur les récompenses. Voici donc quelques-unes des manières dont l'IA est réellement associée au domaine des sciences cognitives. Quels sont donc les principaux points à retenir de cette leçon ? Eh bien, tout d'abord, l' IA est en fait un domaine multidisciplinaire impliquant l'informatique, mathématiques, les sciences cognitives, la philosophie et bien plus encore. L'IA repose sur la logique, capacités, l'optimisation et, bien sûr, l'apprentissage. Et puis, comme je l'ai déjà dit, les données sont le carburant. C'est la lignée de l'intelligence artificielle, et les différents types de systèmes d'IA utiliseront différentes approches Ensuite, la compréhension ces concepts scientifiques fondamentaux aidera à le fonctionnement de l'IA à un niveau beaucoup plus profond Merci d'avoir regardé la leçon. Je te verrai au prochain cours. 9. Le rôle des données dans l’intelligence artificielle: Parlons maintenant du rôle des données dans l'intelligence artificielle. Maintenant, j'aime considérer les données comme l'élément vital des modèles d'IA, car sans données, les modèles d' IA n'existeront pas ou seront très inefficaces Pourquoi les données sont-elles cruciales pour l'IA ? qualité des modèles d'IA dépend des données sur lesquelles ils ont été formés. Ainsi, plus il y aura de données de haute qualité disponibles, plus l'IA sera en mesure d'apprendre des modèles et de faire des prédictions, améliorer la précision et l'efficacité au fil du temps et, bien sûr, s'adapter aux nouvelles situations et d' affiner sa prise de décision. Et en informatique, vous avez sûrement entendu parler du terme garbage in, garbage out. En gros, si un programme a été conçu pour faire des erreurs ou pour ne pas résoudre les problèmes correctement, c'est exactement ce que le programme va faire. Et c'est un peu la même chose modèles d'intelligence artificielle. S'ils ont été formés sur très mauvaises données, devinez quoi ? Ce modèle d' intelligence artificielle ne sera probablement pas intelligent. Ça va être intelligent. C'est pourquoi la qualité des données utilisées pour entraîner les modèles est extrêmement importante. Maintenant, ce sont les types de données que nous utilisons dans l'IA. Nous avons vos données structurées. Par exemple, il s'agit de données organisées en tables, lignes et colonnes. Ainsi, par exemple, vos données proviennent de vos feuilles de calcul, fichiers Excel, de vos bases de données, etc. Mais nous avons également les données non structurées, qui sont essentiellement des données brutes qui ne correspondent pas à un format fixe Par exemple , vos images, vos vidéos, votre audio, etc. Ensuite, le dernier type de données sera celui des données semi-structurées. C'est quoi exactement ? Eh bien, il s'agit essentiellement de données qui se situent entre vos données structurées. Et vos données non structurées. Voici donc des exemples : vos fichiers JCNFiles, XML, les journaux de capteurs, etc. Et lorsqu'il s'agit de traiter des données dans le cadre de l'IA, il y a quatre étapes principales. La toute première étape serait la collecte effective des données. L'IA collectera donc des données provenant d'une grande variété de sources telles qu'Internet, vos bases de données, les commentaires des utilisateurs, etc. Ensuite, une fois que ces données ont été collectées, elles doivent être nettoyées. Ici, l'IA essaiera de supprimer, par exemple, les doublons d' enregistrements qui existaient peut-être déjà C'est le cas, par exemple, des dossiers clients. Si l'IA découvre que ce client en particulier possède exactement deux enregistrements identiques dans notre base de données, supprimez-en un. Il s'agit donc essentiellement du prochain nettoyage des données de processus. Ensuite, nous avons l'étiquetage des données. Ici, vos données peuvent être classées ou étiquetées. Par exemple, il faudrait étiqueter les e-mails comme spam ou non Ensuite, la dernière étape serait transformation de vos données, où les données pourraient être converties en formats utilisables tels que vos fichiers PDF, vos feuilles Excel, etc. Telles sont donc les quatre étapes du traitement des données dans l'IA. Maintenant, en ce qui concerne le Big Data lui-même, il y a quatre caractéristiques que nous devons connaître. Le premier serait le volume. OK ? Donc, en gros, plus le volume est élevé, mieux c'est. Plus vous serez en mesure d'entraîner votre modèle d'IA sur des données, plus il sera performant. La prochaine étape serait la vélocité, la vitesse à laquelle les nouvelles données sont générées. Et bien sûr, dans le monde dans lequel nous vivons aujourd'hui, c'est extrêmement rapide. Ensuite, il y a la variété, les différents types de données sur lesquels le modèle d'IA est entraîné, qu'il s'agisse d'audio, de vidéo , d' images, de texte, de fichiers, etc. Et enfin, dernière question de véracité, probablement la plus importante quelle est la précision des données elles-mêmes ? De toute évidence, peu importe si le volume est si important et si varié Si la véracité est faible, ces données seront fondamentalement inutiles. C'est pourquoi, à mon humble avis, je pense que parmi les quatre V, véracité sera la plus importante Nous sommes donc confrontés à plusieurs défis en matière de données en matière d'IA. Nous avons un biais de données où un modèle d'IA pourrait être entraîné sur des données biaisées. De ce fait, l'IA commence à prendre certains types de décisions, ce qui peut mener à des décisions injustes ou discriminatoires. Nous avons également la confidentialité des données car un modèle d'IA doit être formé sur de grandes quantités de données. Il est possible que des informations sensibles ou privées soient introduites dans l'IA afin de l'entraîner. Et bien entendu, cela soulèvera des inquiétudes en matière de sécurité et d'éthique. Nous avons la qualité des données. Encore une fois, c'est très, très important. Dans quelle mesure les données utilisées pour entraîner le modèle d'IA sont-elles de bonne qualité ? Ainsi, si les données sont de mauvaise qualité ou de mauvaise qualité, cela peut amener l'IA à prendre de mauvaises décisions, puis, bien sûr, à stocker et à gérer les données. L'IA nécessite donc une capacité de stockage massive, ce qui signifie qu'elle va également nécessiter un traitement efficace des données. Ce n'est donc pas si simple. Maintenant, pour aller un peu plus loin, nous avons des préoccupations en matière d'éthique et de confidentialité ce qui concerne les données d'IA. Donc, contenu utilisateur et confidentialité, IA ne doit pas collecter ou utiliser données personnelles sans consentement. C'est ce en quoi nous aimons croire nous espérons que ce sera le cas avec l'IA, mais on ne sait jamais vraiment que l'utilisation de l'IA suscite toujours cette inquiétude. Et puis, bien sûr, partialité et équité. Encore une fois, si les données du modèle d'IA, excusez-moi, ont été entraînées sur des données biaisées, alors l'IA pourrait prendre des décisions discriminatoires, et la transparence est alors très, très importante. Les utilisateurs doivent savoir comment les systèmes d'IA utilisent les données et, ce qui est peut-être même important, l'IA doit être en mesure d'expliquer sa décision quant aux raisons pour lesquelles elle a fait quelque chose d'une certaine manière La transparence est très, très, très importante. Ainsi, par exemple, dans le domaine de la reconnaissance faciale, IA a été critiquée pour ses préjugés raciaux dus à des ensembles de données d' entraînement biaisés. Nous en reparlerons un peu plus tard. Et aussi en ce qui concerne l' IA dans le recrutement. donc été démontré que les systèmes de recrutement basés sur l'IA discriminatoires à l' égard de certains groupes s'ils sont formés sur des données biaisées. Encore une fois, l'efficacité d'un modèle d'IA dépendra largement de la qualité des données sur lesquelles il a été formé. Nous avons donc le processus par lequel l'IA est capable d'améliorer sa prise de décision grâce aux données. La toute première phase de la boucle serait donc la phase d'entraînement proprement dite, au cours de laquelle l'IA apprend à partir de l'historique ou des données qui lui ont été fournies. Ensuite, l'IA sera désormais en mesure de faire des prédictions en fonction de ce qu'elle aura appris. Ensuite, lorsqu'elle fera une prédiction, les utilisateurs pourront fournir des commentaires à l'IA ou même aux développeurs, ils pourront dire à l'IA que vous avez obtenu la bonne réponse ou que la prédiction que vous avez faite était en fait fausse. Et comme l'IA a reçu les commentaires de l'utilisateur, elle passe ensuite à nouveau par une phase de réentraînement pour apprendre en fonction des nouveaux commentaires que l'utilisateur lui a donnés. C'est ainsi que cela fonctionne en quelque sorte dans cette boucle constante qui consiste à essayer de s'améliorer. Quel est donc l'avenir des données dans le domaine de l'IA ? Apprentissage fédéré où les modèles d'IA s' entraîneront sur les données des utilisateurs sans les transférer vers un serveur central, améliorant ainsi la confidentialité, puis sur des données synthétiques où l'IA elle-même pourrait être en mesure de générer des ensembles de données artificiels Si les vrais ensembles de données ne sont pas disponibles. Et puis la dernière, l'explicable AI DX AI est très, très importante Où l'IA devrait être en mesure d'expliquer pourquoi elle a pris certains types de décisions. Cela représenterait un grand pas avant en matière de transparence dans l'utilisation de l'IA. Voici donc quelques points à retenir : les données sont à la base de l'IA. Sans elle, l'IA ne peut ni apprendre ni fonctionner efficacement. Bien entendu, l'IA peut utiliser des méthodes structurées, non structurées ou semi-structurées pour apprendre. Et améliorez-vous. Bien entendu, les mégadonnées améliorent les performances de l'IA, mais vous êtes confronté à des défis tels que, vous savez, votre confidentialité, vos préjugés, etc. Ensuite, les considérations éthiques sont importantes lors de la manipulation des données dans les systèmes d'IA. Enfin, l' IA s'améliore continuellement grâce à nos boucles de feedback. C'est donc un merci d' avoir regardé la vidéo. Je te verrai au prochain cours. 10. Algorithmes et modèles en intelligence artificielle: Bon retour. Examinons maintenant différents types d' algorithmes et de modèles utilisés dans le monde de l'IA. Mais tout d'abord, qu'est-ce qu'un algorithme exactement ? Qu'est-ce qu'un modèle ? Les algorithmes sont essentiellement des règles prédéfinies qu'un modèle d'IA peut utiliser pour traiter des données. Mais les modèles d'IA eux-mêmes ne sont que des versions entraînées d'algorithmes capables de prendre décisions et peut-être même de faire prédictions sur la base de nouvelles données. Ainsi, au fil du temps, les modèles d'IA s' amélioreront, car ils apprennent constamment en fonction de l'historique, des commentaires des utilisateurs, et bien plus encore. Par exemple, au fil du temps, votre filtre anti-spam s' améliorera car il est capable de tirer des leçons des précédents spams et peut-être même des e-mails identifiés à tort comme du spam. Au fil du temps, cela va s'améliorer. Mais quels sont les types d' algorithmes dont nous disposons ? Nous avons l'IA basée sur des règles ou votre IA symbolique qui utilise vos règles prédéfinies et vos conditions logiques. Donc, en gros, c'est assez rigide, c'est oui, non, oui, ne peut pas être non, tu sais, des trucs comme ça. Cela fonctionnera donc bien avec des problèmes très structurés, mais ces types d'algorithmes seront confrontés à l'incertitude. L'un des meilleurs cas où ce type d'algorithme est utilisé est celui de vos diagnostics médicaux. Un autre type d'algorithme serait, bien entendu, le deep learning et les réseaux neuronaux. Ils utilisent des réseaux neuronaux artificiels multicouches et, bien sûr, ils excellent dans des tâches complexes telles que la reconnaissance vocale, la reconnaissance faciale, etc. Et bien sûr, grâce à une IA intelligente et à reconnaissance d'images, ils utilisent le deep learning pour identifier les images et générer du texte Maintenant, l'apprentissage automatique, nous en avons déjà parlé. Ils apprennent des modèles à partir des données au lieu de suivre des règles strictes. Ces types d' algorithmes sont donc un peu plus nombreux et leur approche est moins rigide . Nous avons donc les différents types d'apprentissage. Vous avez votre apprentissage supervisé, non supervisé et, bien sûr, votre apprentissage par renforcement Nous en avons déjà parlé. Et puis les algorithmes d'IA courants et l'application. Donc, à titre d'exemple, vos arbres de décision, voici un exemple d'algorithme. Utilisez l'apprentissage supervisé, et vous les utiliserez dans votre détection des fraudes et votre diagnostic médical. Vous avez ce que nous appelons les machines à vecteurs de support , vos SVM Ils ont également recours à l'apprentissage supervisé. Vous pouvez les trouver dans la classification de texte, la reconnaissance manuscrite et bien plus encore Et puis K signifie clustering. Ils utilisent un apprentissage non supervisé. Vous les trouverez principalement dans la segmentation du marché, la détection d' anomalies Vous avez vos réseaux neuronaux, le deep learning. Bien entendu, cela utilisera l'apprentissage supervisé, que vous utiliserez dans votre reconnaissance d'image, synthèse vocale, etc., puis vos algorithmes génétiques qui utilisent optimisation. Il s'agit calcul évolutif de conception piloté par l' IA. Alors, quel est exactement le processus de formation d' un modèle d'IA, généralement en six étapes. La première étape est toujours la collecte de données. Encore une fois, je l'ai déjà dit à de nombreuses reprises, les données sont la pierre angulaire d'un modèle d'IA Le modèle d'IA a besoin des données pour commencer à apprendre et à s'entraîner. Ainsi, une fois les données collectées, nous avons maintenant un prétraitement des données au cours duquel les données seront nettoyées et formatées Ensuite, le modèle commence à s'entraîner en fonction des données qui lui ont été fournies. Ensuite, le modèle va maintenant être évalué. Il sera testé avec de nouveaux types de données. Cela pourrait donc être comme un examen, un test juste pour voir dans quelle mesure l'IA fonctionnera bien. Et, bien entendu, si elle fonctionne bien, l'IA est ensuite déployée dans le monde réel. Et bien sûr, au fil du temps, l'IA s' améliorera constamment car elle est capable de s'adapter et d'apprendre au fil du temps. Avec tout cela à l'esprit, comment exactement est choisi un algorithme ? Il en existe différents types. Alors, comment les développeurs choisissent-ils l'algorithme à utiliser pour entraîner leur modèle Plusieurs facteurs entrent donc en jeu ici. Tout d'abord, bien entendu, il y aura la disponibilité des données. Certains modèles, comme votre apprentissage approfondi, nécessitent de grands ensembles de données, tandis que les arbres de décision, par exemple, fonctionnent mieux avec de petites quantités de données Et puis la précision requise. Évidemment, si vous voulez qu'un modèle d' IA soit capable de faire des prédictions assez précises, vous recherchez peut-être réseaux de neurones capables de fournir une plus grande précision. Mais bien entendu, cela nécessitera également plus de puissance de calcul. Et puis l'interprétabilité. Les arbres de décision sont donc très faciles à comprendre, tandis que les réseaux de deep learning peuvent être assez complexes à comprendre. Et il existe également des situations dans lesquelles un type particulier de système alimenté par l' IA peut utiliser un ou plusieurs algorithmes. Ainsi, par exemple, dans votre banque pour le système de détection, il pourrait utiliser un arbre de décision pour l'interprétabilité, puis utiliser le deep learning pour être en mesure reconnaître une détection de modèle complexe Quels sont donc les défis liés aux algorithmes et aux modèles d'IA ? Nous avons parlé du biais des données d'entraînement lorsque les données sont utilisées pour entraîner l'algorithme ou lorsque le modèle peut être de faible qualité. Cela conduira, bien entendu, le modèle à prendre de mauvaises décisions, à commettre de nombreuses erreurs, puis à obtenir de la puissance de calcul, en particulier lorsque l'algorithme d'apprentissage en profondeur est requis Cela signifie, bien entendu, que de nombreuses ressources informatiques puissantes seront nécessaires, ainsi que des modèles complexes tels que les réseaux neuronaux Ils fonctionnent à merveille, ils sont extrêmement puissants, mais ils peuvent être assez difficiles à comprendre et à expliquer. Quelles sont donc les tendances futures des modèles d' intelligence artificielle au fil des années ? IA explicable. Nous en avons déjà parlé, où IA sera en mesure d' expliquer les décisions qu'elle a prises. Cela permettra, bien entendu, d' améliorer la transparence. Et puis les modèles d'IA hybrides. Il s'agit d'un concept très, très intéressant dans lequel nous pouvons combiner différentes approches de l'IA pour de meilleures performances. Et puis nous avons aussi l'intelligence artificielle de pointe. Fondamentalement, des modèles d'IA qui fonctionneront sur de petits appareils tels que les smartphones pour un processus en temps réel. Et ce sont là quelques-unes des tendances auxquelles nous pouvons nous attendre dans le monde de l'IA. Pour résumer, quelques points essentiels à retenir : tout d' abord, l' IA utilise des algorithmes d' apprentissage automatique et de dippling basés sur des règles apprentissage automatique et de dippling supervisé, non supervisé et l'apprentissage par renforcement sont des types clés d'apprentissage automatique Les modèles d'IA doivent, bien entendu, faire l'objet d'une formation, d'une évaluation et d'un apprentissage continu pour s'améliorer. Enfin, le choix du bon algorithme dépendra de la précision, la disponibilité des données et des exigences informatiques Merci beaucoup d'avoir regardé la vidéo. Je te verrai au prochain cours. 11. Capacités et limites de l’IA: Avant de terminer ce module, je voulais que nous examinions capacités et les limites de l'IA, telle que nous la connaissons, en commençant par les capacités Que peut faire exactement l'IA ? Maintenant, j'ai répertorié plusieurs fonctionnalités ici, ainsi que la description, ainsi que les exemples. Je vais passer en revue quelques-unes d'entre elles. Commençons par l' automatisation des tâches répétitives. C'est un domaine dans lequel l'IA excelle, que ce soit dans le domaine de la finance ou des ensembles de données, ou dans mon domaine de la cybersécurité Nous utilisons désormais l'IA pour effectuer des tâches répétitives Il peut donc effectuer des tâches répétitives avec une précision et une rapidité élevées, comme nous le constatons avec les forums de discussion , l' automatisation, le support client, etc. Ensuite, lorsqu'il s'agit d'analyse prédictive, l' IA est capable de prévoir les tendances futures sur la base des données passées. Dans ce scénario, il est donc très, très important que l'IA dispose du bon type de données avec lesquelles elle peut faire prévisions assez précises pour l'avenir. Nous l'avons vu, par exemple, dans les prévisions boursières, ainsi que dans les prévisions météorologiques, etc. Ensuite, lorsqu'il s'agit de reconnaissance d' images et de reconnaissance vocale, IA est capable d'identifier le texte, les objets et les sons. Ce n'est pas encore parfait, mais nous y arrivons. Je pense que l'IA fait aujourd'hui un très bon travail pour les identifier. Et nous pouvons voir des exemples de voitures autonomes dans le cadre de votre surveillance de sécurité, etc. Enfin, lorsqu'il s'agit de robotique et d'automatisation, l' IA peut propulser des robots pour un travail par étapes de précision. Par exemple, nous en avons dans le secteur de la santé avec la chirurgie robotique, ainsi que dans les robots industriels Vous pouvez donc, bien sûr, regarder la diapositive que je vais vous présenter et examiner les autres fonctionnalités de la diapositive, mais j'ai également fourni un tableau répertoriant les limites que l'IA ne peut pas faire. Donc, par exemple, manque de véritable compréhension. L'IA peut donc traiter des données, mais vous voyez, elle ne comprend pas les données comme vous et moi. J'espère que je parle aussi à un être humain. Je ne fais que plaisanter. Donc c'est le truc, oui, l'IA, elle dit les données. Il peut gérer les données. Il peut traiter les données, mais il ne comprend pas réellement ce que sont les données. Il s'agit simplement de traiter les données et de nous donner des résultats, n'est-ce pas ? Et puis, lorsqu'il s'agit de créativité et d'innovation véritables , l'IA peut générer du contenu, mais elle manquera toujours de créativité humaine, de touche humaine. Dépendante également à l'égard des données, IA repose toujours largement sur de très grands ensembles de données. Et bien sûr, vous parlez des coûts informatiques élevés. La formation de modèles d'IA très complexes nécessite donc du matériel très, très coûteux. Et, bien sûr, concerne les limites générales de l'intelligence, nous pouvons avoir une IA capable de battre des êtres humains aux échecs, mais elle échoue toujours au bon sens ou au raisonnement. Encore une fois, vous pouvez consulter la diapositive pour connaître les autres limites. Donc, pour résumer la force de l'IA, IA peut gérer les mégadonnées. En fait, il excelle, je m'épanouis lorsqu'on me présente des mégadonnées Et bien sûr, rapidité et efficacité. L'IA a surpassé les humains dans les tâches informatiques et ce n'est même pas drôle Et puis, bien sûr, 27 disponibilités. Hagibty ne vous dira jamais qu'elle a besoin d'une pause déjeuner ou qu'elle a besoin dormir. Cela n' arrivera jamais. Et puis, bien entendu, les solutions d'intelligence artificielle évolutives peuvent être déployées dans le monde entier très, très rapidement, sans aucune limitation humaine Donc, le résumé des faiblesses, je sais que cela peut sembler très, très sévère, mais l'IA manque toujours de bon sens. Si vous placez l'IA dans une situation inattendue ou inhabituelle, elle aura du mal à composer avec l'ambiguïté. Maintenant, l'IA ne peut pas remplacer le jugement humain, d'accord ? N'oubliez donc pas que l'IA aussi intelligente soit-elle , n'a pas de cœur. Il n'y a pas d'émotions. L'IA ne peut pas sympathiser, elle ne peut pas sympathiser. Je ne peux pas être en colère, triste ou heureuse. Et en tant que tel, il manquera de raisonnement éthique. Et, bien entendu, l'IA dépend des données d'entraînement. Le volume et la qualité des données d'entraînement détermineront l'efficacité réelle du modèle d'IA. Donc, pour ce qui est de la comparaison entre l'humain et l'IA, j'ai le tableau des idées. Donc de la créativité. Les humains, bien sûr, sont très créatifs. L'IA est limitée. Euh, prise de décision, IA prendra ses décisions uniquement en fonction de sa capacité à reconnaître les modèles. En tant qu'humains, nous pouvons prendre des décisions basées sur l'expérience, l'intuition et aussi le passé. Et puis, capacité d'apprentissage, nous pouvons acquérir de nouvelles compétences de manière très, très flexible C'est à cela que sert notre cerveau. Bien que l'IA doive être réentraînée pour acquérir de nouvelles compétences, puis biaiser, nous pouvons évidemment être influencés par les émotions, alors que l'IA ne peut hériter des biais que des données qui lui Si les données sont exemptes de biais, il n'y a aucun moyen que l' IA devienne biaisée. Et, bien entendu, la vitesse de traitement est beaucoup plus lente que celle de l'IA, alors que notre IA est beaucoup, beaucoup plus rapide que nous lorsqu'il s'agit de nos tâches structurées qu'il faut retenir, c'est que l'IA est extrêmement puissante, mais elle a bien sûr ses limites Il excelle dans l'automatisation et la prédiction, mais il manquera toujours de raison humaine Et puis l'IA dépend très largement des données et des algorithmes. Des données de mauvaise qualité conduiront donc à des résultats inexacts. Les données de biais amèneront l' IA à prendre des décisions biaisées, et l'IA ne pourra alors jamais remplacer le jugement humain. Et nous espérons que l'avenir de l'IA inclura des modèles plus éthiques, explicables et adaptables C'est donc à peu près le résumé. Merci d'avoir suivi cette leçon en particulier. Je te verrai au prochain cours. 12. Prévisualisation de la section Les bases de l'apprentissage automatique: Bienvenue dans le module suivant, les bases de l'apprentissage automatique. Et comme d'habitude, je vais vous jouer un extrait d'un film, alors asseyez-vous, détendez-vous, appréciez le clip, et je vous verrai à la fin. Il y en a six. Il n'y a aucune chance que tu gagnes ce match. Je le sais. Il n'a pas appris. Est-ce que RN Go va le faire jouer tout seul ? Spin Learn, bon sang. A. Christ James Game, le seul film gagnant n'est pas aujourd'hui. OK, bon retour. Maintenant, ce clip est tiré du film War Games sorti en 1983. Et si j'ai choisi d'utiliser ce clip en particulier, c'est parce qu'il illustre parfaitement l'un des concepts clés de la façon dont les modèles d'IA apprennent, le processus d'essais et d'erreurs. Vous allez maintenant observer que dans le clip, système d' IA connu sous le nom de Joshua, il joue à un jeu de tic tac-toe contre lui-même. Le jeu se termine dans une impasse, puis il continue à jouer les jeux contre lui-même encore et encore Mais remarquez qu'à chaque fois qu'il change de stratégie, les parties se terminent toujours dans une impasse. Finalement, il en décide maintenant, vous savez quoi, avant que je ne lance les missiles nucléaires. Au fait, j' aurais dû te donner un peu de contexte. Dans la scène, c'est censé être une scène très grave parce que le système, Joshua, le modèle d'IA, prend le contrôle ou est sur le point de prendre le contrôle du système d'armes nucléaires des États-Unis . Et, bien sûr, les gens paniquent. Ils ont peur qu' il ne lance des missiles nucléaires contre l'Union soviétique. Sovnia répondra et, bien sûr, nous allons tous mourir. Alors c'est Joshua qui décide, tu sais quoi ? Avant de lancer ces missiles nucléaires, je devrais peut-être essayer différentes stratégies pour voir qui gagnerait réellement dans une guerre nucléaire. Donc, la première stratégie consiste à lancer des missiles des États-Unis vers l'Union soviétique, puis à se rendre compte que, d'accord, cette stratégie ne fonctionnera pas parce qu'il n'y aura pas de gagnant. Il essaie ensuite une autre stratégie selon laquelle c'est l'Union soviétique qui lance les missiles en premier. Mais ensuite, il se rend compte que, d'accord, cette stratégie ne fonctionne pas non plus. Il n'y a pas de gagnant. Ensuite, il essaie des centaines d'autres stratégies différentes. Et à chaque fois, il se rend compte qu'il n'y aura pas de gagnant. Il est donc finalement en mesure de conclure que la meilleure façon de gagner à ce jeu en particulier est de ne pas y jouer du tout. L'IA, Joshua, a donc pu s'instruire toute seule. Il a appris par essais et erreurs. Chaque fois qu'il a essayé une stratégie et que le résultat était négatif, il est revenu en arrière, a réajusté sa technique, réajusté sa stratégie, puis Et puis, lorsque le résultat est revenu à la même impasse négative, nous trouvons une nouvelle fois une stratégie, et c'est essentiellement ainsi que les systèmes d' IA apprennent C'est ainsi qu'ils apprennent eux-mêmes. Ils essayent quelque chose. Oh, la réponse n'était pas correcte. Laisse-moi y retourner. Laisse-moi essayer une autre stratégie. Oh, ça ne marche pas. Laisse-moi y retourner. Laissez-moi essayer une autre stratégie et ainsi de suite. que le concept d' essais et d'erreurs Je crois que le concept d' essais et d'erreurs a donc été bien souligné dans ce clip en particulier. J'espère donc que vous avez apprécié cette introduction au monde de la machine et aux bases. Passons maintenant à la leçon suivante. 13. Comment les machines apprennent en pratique: Bien, passons maintenant à la leçon suivante, nous allons parler de la façon dont les machines apprennent dans la pratique, manière dont elles sont entraînées L'ensemble du processus d'apprentissage automatique implique donc trois éléments clés. Vous avez les données, les modèles et, bien sûr, la formation elle-même. L'autre point à propos de l'apprentissage automatique est que, contrairement à la programmation traditionnelle, où le code est écrit de manière explicite et programmes doivent fonctionner exactement comme ils sont codés, avec les machines, ils ne mémorisent rien. Au lieu de cela, ils sont capables de trouver des modèles dans les données avec lesquelles ils travaillent. En d'autres termes, l'apprentissage automatique implique un processus beaucoup plus flexible grâce auquel les modèles peuvent apprendre et s'améliorer au fil du temps. Désormais, toute la phase d'apprentissage consiste à ce que la machine ou le modèle essaie d'ajuster ou de réajuster ses processus afin de s' améliorer avec le temps Maintenant, comme pour les étudiants normaux, je suis presque sûr que vous avez déjà passé des examens par le passé. Avant de passer cet examen au collège, Avant de passer cet examen au au lycée ou ailleurs, je suis presque sûr que vous devez avoir étudié en premier, n'est-ce pas ? Peut-être avez-vous suivi un cours, un cours en ligne, ou peut-être avez-vous lu un manuel, n'est-ce pas ? Alors que vous appreniez et que vous vous prépariez à l'examen, je suis presque sûr que vous avez passé certains types de quiz, de tests, puis vous avez fini par passer l'examen final, puis, bien sûr, vous avez C'est également un peu similaire avec l'apprentissage automatique. Tout d'abord, ils ont fourni des données qu'ils étudieront. Ensuite, il y aura cette étape particulière où ils seront testés juste pour voir s'ils apprennent correctement et de la bonne façon. Enfin, ils seront testés avec de nouveaux types de données qu' ils n'ont jamais vus auparavant, simplement pour tester leurs performances dans le monde réel. C'est donc un peu la même chose avec l'apprentissage automatique. Maintenant, l'idée clé ici est que l'apprentissage automatique n' implique pas la mémorisation de données Imaginez un filtre anti-spam, n'est-ce pas ? Imaginez que vous essayez de développer intelligence artificielle pour un filtre anti-spam. La machine ne peut mémoriser qu'un nombre limité de types de filtres anti-spam . OK, c'est un spam. Il s'agit d'un e-mail de spam. Il s'agit d'un courrier indésirable et ainsi de suite. Mais que se passerait-il si ce modèle particulier était un nouveau type de courrier indésirable présenté peut-être d'une manière légèrement différente ? Le modèle va échouer car il n'a pas mémorisé cette nouvelle version particulière du courrier indésirable C'est pourquoi il est toujours préférable que les machines et les modèles apprennent tout au long du processus d'identification des modèles. D'accord, ils sont plus flexibles de cette façon. Il y a donc ce qu'on appelle la sélection des fonctionnalités, n'est-ce pas ? La sélection des fonctionnalités implique que la machine ou le modèle recherche simplement les parties les plus importantes des données. Alors, quelles sont exactement les fonctionnalités ? Il existe des informations pertinentes qui pourraient aider le modèle ou la machine à prendre des décisions, n'est-ce pas ? Le choix des bons types de fonctionnalités aidera donc le modèle à améliorer sa précision. Et bien entendu, la suppression tout type de fonctionnalités inutiles minimisera également les erreurs et aidera également le modèle à améliorer sa précision. Maintenant, j'ai fait une analogie avec la vente d'une maison Supposons, par exemple, vous essayiez de créer un modèle ou que vous essayiez de créer un modèle ou une intelligence artificielle capable de prédire le coût d'une maison. Le bon type de fonctionnalités dont vous allez parler ici serait de savoir quel emplacement, d'accord ? Où est située la maison ? Et puis parlons de la taille de la maison, d' accord, du nombre de chambres qu'elle possède. Ce sont les types de fonctionnalités les plus importants sur lesquels le modèle doit être entraîné. Les fonctionnalités inutiles ici seraient des choses comme la couleur du téléviseur dans la chambre, n'est-ce pas ? Par exemple, des choses comme ça, de quelle couleur est le sol de la salle de bain ? Par exemple, ce sont des fonctionnalités très, très inutiles qui n'aideront pas le modèle faire une bonne prédiction. Sur le coût réel de la maison. Il existe donc également ce processus appelé optimisation. C'est dans le cadre de l'optimisation que les modèles s'ajustent au fil du temps pour améliorer les niveaux de précision. Il existe maintenant un concept clé appelé fonction de coût. La fonction de coût est essentiellement la valeur qui détermine à quelle distance le modèle se trouvait pour effectuer la prédiction réelle. Mais revenons-en à la vente de la maison, non ? Imaginez que le modèle prédit que, d'accord, cette maison sera vendue pour 500 000$ Mais imaginez si la maison était finalement vendue pour 750 000$ La fonction de coût ici serait, bien entendu, de 250 000$. Ainsi, au fil du temps, grâce au processus d'optimisation, le modèle va s' améliorer de plus en plus et essayer de réduire la fonction de coût. Ainsi, peut-être que la prochaine fois, au lieu de 500, on pourrait dire 700 000, la maison sera à nouveau vendue pour 750, mais maintenant la fonction de coût n'est que de 50 000 Ainsi, au fil du temps, le modèle s'est en fait amélioré grâce au processus d'optimisation. Alors, comment le modèle s' améliore-t-il réellement ? Il va mettre à jour ses paramètres internes afin de réduire les erreurs de prédiction et, bien entendu, il va également tirer des leçons de ses erreurs. Voici comment les modèles s'amélioreront au fil du temps. Il existe également cette technique appelée descente en gradient. agit du processus d'apprentissage lui-même, et c'est une technique qui aidera le modèle s'ajuster petit à petit. L'idée est que chaque fois que le modèle essaie d'améliorer et de réduire ses coûts, il ne va pas faire de grands pas. Ça ne va pas, ce n'est pas comme si ça allait subir une amélioration massive très, très, très rapidement. Cela prend du temps, régulièrement, régulièrement, pas vrai ? Donc, considérez cela comme le fait de trouver le point le plus bas d'une montagne. Le modèle continuera à s'ajuster jusqu'à ce qu'il trouve les meilleurs réglages. Je vous ai donc donné ici un exemple impliquant à nouveau le filtre anti-spam. Le filtre antispam prédit donc le spam pour les e-mails. Mais disons, par exemple, qu'il ne s'agit pas en fait de spam, mais d'un vrai e-mail. Au fil du temps, le mannequin se rendra compte que, oh, d'accord, donc ces types de courriels que j'ai qualifiés de spam auparavant, je sais maintenant qu'ils ne le sont plus. Ce sont en fait des e-mails, des e-mails légitimes. Mais ce sont eux, d'accord, je sais maintenant qu' il s'agit en fait de spam, et c'est ainsi que, petit à petit, le modèle améliorera sa capacité à déterminer si un e-mail est du spam ou non. concerne les taux d'apprentissage, il est donc très, En ce qui concerne les taux d'apprentissage, il est donc très, très important que le modèle trouve le bon équilibre pendant la phase d'apprentissage, car s' il apprend trop rapidement, il ne trouvera jamais les bonnes réponses ni les bonnes solutions. Mais s'il apprend trop lentement, il faudra une éternité pour trouver la bonne réponse. Pensez-y lorsque vous essayez d' activer le bouton de fréquence d'une radio, n'est-ce pas ? Peut-être que vous essayez de trouver la fréquence de votre station de radio préférée. Si vous tournez le bouton trop rapidement, vous ne trouverez jamais la fréquence réelle parce que vous êtes trop rapide Mais maintenant, imaginez que si vous tournez le bouton très lentement, il vous faudra une éternité pour trouver la bonne fréquence Il faut donc trouver le juste équilibre entre l'apprentissage adapté au modèle. Alors pourquoi certains modèles apprennent-ils mieux que d'autres ? Eh bien, tout dépend de la qualité des données. N'oubliez pas que les données sont très importantes lorsqu'il s'agit de former des modèles et des machines. La qualité et la quantité des données joueront donc un rôle clé à cet égard. Et puis la sélection des fonctionnalités, bien entendu, les modèles doivent être formés à la manière trouver les bonnes fonctionnalités lorsqu'ils essaient travailler avec des données, de faire prédictions ou de trouver des réponses à des problèmes. Et puis la complexité du modèle également. Imaginez que vous développiez un modèle très, très simple pour l'apprentissage automatique ou l'IA. Eh bien, il n'y a qu'un nombre limité de tâches qu' il pourra effectuer. Il se peut qu'il ne soit pas en mesure d'effectuer des tâches complexes. Mais imaginez maintenant que vous créiez un modèle bien trop complexe, les rôles ou les types de tâches que vous lui confiez pourraient être un peu inutiles, car le modèle a été conçu pour quelque chose de bien plus complexe. Et puis, en termes d'efficacité d'optimisation, un modèle bien réglé s'entraînera plus rapidement et généralisera beaucoup mieux Ce sont donc les facteurs clés qui expliquent pourquoi certains types de modèles sont bien meilleurs et sont bien mieux entraînés que nos autres modèles. Voici donc quelques points essentiels à retenir : tout d'abord, vos modèles d' apprentissage automatique apprennent en ajustant les périmètres afin de minimiser les erreurs, la formation, la validation Ils garantissent que les modèles se généraliseront bien. Et puis, comme je l'ai dit, la sélection des fonctionnalités est très, très importante. C'est crucial. Poubelles à l'intérieur, déchets à l'extérieur. Si les modèles sont entraînés avec les mauvais types de fonctionnalités, ils fonctionneront très, très mal. Ensuite, les techniques d'optimisation, telles que la descente des notes, amélioreront la précision du modèle au fil du temps et, bien entendu, un poids d'apprentissage équilibré garantira un apprentissage fluide Voilà pour le machine learning. Merci d'avoir regardé. Je te verrai au prochain cours. 14. L'apprentissage supervisé en action: Ne parlons pas d'apprentissage supervisé. Alors, c'est quoi exactement ce puits ? Il s'agit d'un type d' apprentissage automatique dans lequel le modèle est entraîné en utilisant des données étiquetées. Alors, que sont exactement les données étiquetées ? Cela signifie simplement que chaque exemple d'entraînement ou chaque donnée sur laquelle le modèle est entraîné inclut à la fois l'entrée, qui serait les caractéristiques, puis la sortie correcte, qui serait l'étiquette réelle. L'idée ici est donc le modèle soit capable de faire des prédictions et de trouver des relations entre les entrées et les sorties. Alors, comment cela se produit-il exactement ? La première étape consiste à collecter les données et à les étiqueter. Pour en revenir à mon exemple préféré, le filtre anti-spam. Des milliers de courriels pourraient être collectés au cours de la première étape, puis ils seront étiquetés. Nous aurons donc des e-mails qui sont du spam , puis des e-mails qui sont des spams qui sont réellement légitimes, n'est-ce pas ? Ensuite, le modèle sera entraîné. Je vais être formé pour identifier les e-mails qui sont des spams et ceux qui gagnent. Ensuite, troisième étape, le modèle va maintenant être testé avec nouveaux types de courriels qu'il n'a jamais vus auparavant pour être évalué. Et bien sûr, s' il fonctionne très bien, il sera ensuite déployé dans le monde réel. C'est ainsi que l'ensemble du processus fonctionne réellement. Maintenant, en matière d'apprentissage supervisé, il existe deux types : nous avons classification et nous avons la régression. Quels sont exactement ces deux-là ? Avec la classification, c' est là que le modèle attribuera une entrée à un type spécifique de catégorie. Cela fonctionne mieux lorsque les défis les tâches ou les questions ont des valeurs discrètes. Supposons, par exemple, que dans votre filtre anti-spam, l'e-mail soit spam, soit il sera légitime, n'est-ce pas ? Il n'y a rien entre les deux. Parlons de vos résultats de laboratoire, non ? Les résultats peuvent être positifs ou négatifs. Analyse des sentiments, c'est vrai, peut-être que le sentiment était positif, négatif ou neutre. La classification est donc optimale lorsque les valeurs des sorties sont réellement discrètes. Ils ont des valeurs très spécifiques. Maintenant, dans le cas de la régression, c' est là que le modèle doit faire des prédictions et non la bonne réponse à une tâche. Supposons, par exemple, que le modèle doive essayer de prédire le coût de vente d'une maison réelle, il tiendra compte de caractéristiques telles que la taille de la maison, son emplacement. Mais en fin de compte, il s'agira toujours d'une supposition, d'une prédiction. Il ne sait pas avec certitude si la maison sera vendue pour le montant qu' il prévoit, n'est-ce pas ? Vous parlez de prévisions des fluctuations du marché boursier, des changements climatiques également, des températures quotidiennes, etc. Ainsi, pour les problèmes ou les problèmes où le résultat est continu, régression sera utilisée. Donc, pour résumer le tout pour le moment, je voudrais revenir à mon exemple préféré , le filtre anti-spam. Donc, dans un premier temps, nous avons les données de formation où des milliers d'e-mails sont collectés, ils sont étiquetés spam, pas spam. Vient maintenant l'extraction des fonctionnalités. N'oubliez pas que l'extraction de caractéristiques est une technique très, très importante pour améliorer la précision du modèle. Donc, ici, il faut apprendre au modèle que, d' accord, vous devriez examiner certains types de fonctionnalités de votre spam. Par exemple, les mots clés utilisés, le titre de l' e-mail de réputation de l'utilisateur, l'envoi d'un e-mail. Il s'agit des fonctionnalités très importantes lesquelles le modèle doit être formé pour sur lesquelles le modèle doit être formé pour déterminer si l'e-mail est un spam ou s'il est légitime. Et puis, bien sûr, comme je l'ai dit, le modèle sera entraîné. Ensuite, le modèle sera testé. Un nouvel e-mail jamais vu auparavant lui sera présenté. Et puis, bien entendu, le test sera maintenant de savoir si le modèle peut identifier si cet e-mail est du spam ou non. Et, bien sûr, en matière d'apprentissage continu, le modèle s' améliorera au fil du temps à mesure qu' il prend en compte de plus en plus de courriels. Quels sont donc les défis et les limites de l'apprentissage supervisé ? Eh bien, tout d'abord, l' étiquetage des données coûte assez cher. Cela nécessite de grandes quantités de données de haute qualité. Et en ce qui concerne le surajustement, le modèle, au lieu d'essayer de généraliser et de trouver des modèles, finit par mémoriser les données Et puis, bien sûr, le biais dans les données, vous le constaterez à chaque fois. Si les données fournies au modèle sont biaisées, le modèle ne fonctionnera pas très bien. Et, bien entendu, l'apprentissage supervisé ne fonctionne pas bien avec des données non structurées Peut-être que vous fournissez que le modèle est fourni avec des images dépourvues d' étiquettes ou de données brutes. L'apprentissage supervisé ne fonctionnera pas avec des données non structurées Voici donc les principaux points à retenir pour résumer les leçons. L'apprentissage supervisé s' appuie sur les données de l'étiquette pour établir Il est utilisé dans la classification, où les données sont classées, et également dans la régression où il prédit nos valeurs continues. Les applications du monde réel incluront votre protection contre le spam, applications du monde réel incluront les diagnostics médicaux, les prévisions boursières et, bien sûr, les défis incluront le biais des données, exigences en matière de données et, bien sûr, tout l'ajustement Merci d'avoir regardé la vidéo. Je vous verrai dans le prochain cours où nous examinerons apprentissage non supervisé LCU 15. Apprentissage non supervisé et reconnaissance des modèles: Lors du dernier cours, nous avons parlé de l'apprentissage supervisé. Il est donc temps de parler d'apprentissage non supervisé. Maintenant, si l'apprentissage supervisé traite des données étiquetées, il est évident que l'apprentissage non supervisé traitera des données étiquetées L'idée ici est donc que le modèle installé sur la machine essaie de trouver des modèles avec des données qui ne sont pas étiquetées. Maintenant, j'ai donné un exemple ici où vous avez une entreprise qui a des milliers et des milliers de dossiers clients, d'accord ? Le problème avec le modèle ici c' est qu'il ne saura pas qui est client A, le client B, le client C ou le client le client A, le client B, le client C ou le client D. Il pourrait toutefois examiner l'historique des achats des clients, Il pourrait toutefois examiner l'historique des achats des puis essayer de les regrouper en différentes catégories en fonction leur historique d'achats. Combien ils dépensent. Ainsi, par exemple, le modèle pourrait examiner les dossiers des clients et décider , vous savez quoi ? les clients qui ont dépensé plus de 1 000$ à la fois, laissez-moi les classer dans la catégorie des clients les plus dépensiers Et puis il se peut qu'il y ait des clients qui ne font des achats que lorsqu' il y a des remises, n'est-ce pas ? Il peut donc vouloir regrouper ce type de clients dans la catégorie astucieuse ou, vous savez, quelque chose comme ça Ou il pourrait même essayer de regrouper les clients en fonction de ce qu'ils achètent réellement. Peut-être que vous avez des clients qui achètent des accessoires, comme, vous savez, des montres-bracelets, des bracelets, des choses comme ça Il peut donc essayer de classer les clients dans la catégorie des accessoires, vous savez, des choses comme ça. C'est exactement ainsi que fonctionne l'apprentissage non supervisé. Il y a donc quatre étapes principales en jeu ici. Tout d'abord, le modèle recevra les données brutes non étiquetées et non structurées, puis il devra lui-même trouver les structures, les modèles ou les relations au sein Une fois cela fait, il organisera les données en clusters, catégories ou composants Enfin, le résultat, chaque fois que le modèle fait une prédiction ou émet sortie en fonction de la précision de la sortie, le modèle apprend et s'améliore également au fil du temps. Je vous ai donc donné l'idée clé ici, c'est que l' algorithme ou le modèle ne donne jamais la bonne réponse à une tâche, à un défi ou à un quiz. Il apprend les modèles par lui-même. Vous pouvez essayer de le considérer comme un modèle qui enseigne lui-même, s' entraîne lui-même pour trouver les bonnes réponses aux tâches et aux défis. Il existe donc certains types de techniques clés impliquées dans l'apprentissage non supervisé Le premier serait le clustering. Il s'agit probablement de la technique la plus populaire. Ici, les données seront regroupées dans des catégories similaires. Ainsi, selon l'information l'algorithme divisera l'ensemble de données en groupes ou clusters où les éléments d'un même cluster sont un peu similaires à ceux des autres clusters Donc, dans le meilleur cas d'utilisation, j'ai parlé de la segmentation de la clientèle , où les clients peuvent être regroupés en fonction de leur historique d'achats, montant qu'ils ont dépensé, de ce qu'ils aiment acheter ou du moment où ils aiment dépenser des choses comme ça, n'est-ce pas ? Nous avons quelques exemples d'algorithmes de clustering. Vous avez en main le clustering, clustering hiérarchique où les clusters sont construits sur une arborescence, puis le scan de la base de données qui essaiera d'identifier les régions denses dans les Maintenant, la technique suivante ici est ce qu'on appelle la réduction de dimensionnalité. Ne m'en veux pas. est pas moi qui ai inventé ce terme très, très intéressant. Réduction de la dimensionnalité. Cela ressemble à quelque chose que vous trouveriez dans un manuel d'ingénierie spatiale, n'est-ce pas ? C'est un peu à l'intérieur. Je ne sais pas qui a inventé ce terme. Mais en gros, cela signifie simplement que nous simplifions des données complexes C'est ce que signifie la réduction de dimensionnalité. Ainsi, par définition, cela réduira de grandes quantités de données tout en préservant le modèle clé. Votre cas d'utilisation ici serait donc des choses comme compression de données, où données peuvent être compressées dans une taille plus petite, tout en conservant les principales caractéristiques de ces données. Nous avons des algorithmes pour la réduction de dimensionnalité, votre analyse en composantes principales, votre PCA, puis votre TSN, qui est l'intégration stochastique distribuée du voisin stochastique T. Il n'est pas nécessaire que nous approfondissions ces algorithmes, d'accord ? Mais l'analogie ici est que vous essayez d' imaginer compresser un livre de 500 ou 1 000 pages en une seule page. Pensez-y comme une tentative de résumer les idées clés de ce livre. Donc, même s'il a été réduit de 1 000 pages à une page. Cette page inclura toutes les idées et informations clés de ce livre. Ensuite, la dernière technique utilisée ici sera ce que nous appelons la détection des anomalies, où le modèle apprend à détecter des modèles inhabituels Ainsi, par définition, vous identifierez les points de données qui s'écartent considérablement du gnome cas d'utilisation ici se situera dans votre détection des fraudes ou peut-être même dans vos pare-feux, n'est-ce pas ? Un pare-feu peut détecter le trafic malveillant parce qu'il est inhabituel. Le trafic provient peut-être d'une adresse IP inhabituelle ou d'un emplacement inhabituel. C'est l'une des techniques. C'est l'un des moyens par lesquels le pare-feu est capable de déterminer le trafic réel et le trafic malveillant. donc des exemples d' algorithmes utilisés ici, nous avons l'isolation pour ici, l'algorithme se concentrera sur l' identification des valeurs aberrantes dans les données, puis nous avons la classe SVM utilisée pour détecter les instances très rares et inhabituelles Donc, l'analogie clé ici de penser à vos scanners de sécurité dans un aéroport. Ils détectent les objets suspects simplement en se basant sur des modèles. D'accord, alors quelles sont les applications réelles de l'apprentissage non supervisé Vous les avez dans la segmentation de votre clientèle, et normalement dans la détection , que nous pouvons utiliser pour les pare-feux, la détection des fraudes, etc., ainsi que pour le diagnostic médical, lorsque le modèle ou la machine d'IA détecte des modèles cachés dans vos données génétiques ou vos maladies Ensuite, recommandez des systèmes tels que votre Netflix, votre Spotify, YouTube, tout le travail en fonction de l' historique de recherche de l'utilisateur. Et puis, bien sûr, dans vos moteurs de recherche, comme votre Google, cela classera les pages en fonction des similitudes de sujets Quels sont donc les défis et les limites de l'apprentissage non supervisé, alors il n'y a pas d'étiquettes claires n'y a donc aucun moyen de vérifier si la sortie du modèle est réellement correcte. Le modèle doit s'en rendre compte par lui-même. Et puis difficile à interpréter. Donc, certains groupes ou modèles peuvent ne pas être significatifs, d'accord ? Si le modèle tente de regrouper certains types de données dans un cluster ou une catégorie, il se peut qu'il ne fonctionne pas très bien , car la manière ou les éléments utilisés pour regrouper ces données peuvent ne pas être suffisamment clairs. Et puis choisir le bon nombre de clusters. C'est un autre grand défi ici. Les algorithmes tels que les mines nécessitent donc certains paramètres. En gros, vous devez indiquer le nombre de groupes que le modèle doit créer ou le nombre de clusters qu'il doit créer. Sinon, cela peut finir par créer trop peu de clusters ou de groupes, ou peut-être en créer trop. Cela pourrait donc être un défi. Et puis ce qui coûte cher en termes de calcul , c'est assez cher. La formation traite de grands ensembles de données, ce qui nécessitera de nombreuses ressources informatiques Voici donc un des principaux points à retenir de l'apprentissage non supervisé : l'apprentissage non supervisé permet de découvrir des structures cachées dans des données dans clustering est utilisé pour regrouper des points de données similaires, par exemple dans le cadre de la segmentation de votre clientèle réduction de la dimensionnalité simplifiera les données pour une meilleure visualisation et une meilleure efficacité, puis la détection des anomalies tentera d'identifier les fraudes, menaces de sécurité et les comportements inhabituels Enfin, les défis liés à l' apprentissage non supervisé incluront l'interprétabilité, coûts de calcul et, bien sûr, l'absence de paramètres d'évaluation Merci d'avoir regardé la vidéo. Je te verrai au prochain cours. 16. Apprentissage de renforcement et prise de décision: Eh bien, revenez. Passons maintenant au troisième type d'apprentissage automatique. Et ici, nous parlons d'apprentissage par renforcement. Aujourd'hui, contrairement à l'apprentissage supervisé où données sont étiquetées ou à l'apprentissage non supervisé, où le modèle doit trouver des modèles dans les données, dans l'apprentissage par renforcement, le processus d'apprentissage se fait par essais et erreurs Donc, en gros, vous avez votre agent ou votre modèle d'IA qui va agir dans un environnement, puis selon le type d'action qu'il entreprend, il peut recevoir une récompense ou une pénalité. Ainsi, au fil du temps, le modèle apprend les bons types d' actions à entreprendre pour recevoir plus de récompenses. Par exemple, une voiture autonome apprendra à naviguer sur les routes en recevant des récompenses pour conduite autonome ou pénalités en cas de collision ou de conduite imprudente Comment se déroule le processus ? Eh bien, tout d'abord, nous avons l'agent, c'est-à-dire le modèle d'IA qui fonctionnera, qui prendra des mesures. Nous avons l'environnement dans lequel le modèle fonctionne , puis l'état, la situation actuelle de l' agent dans cet environnement, puis l'action que l'agent entreprendra. Et puis, bien sûr, le système de récompense, commentaires positifs pour les bonnes actions, les commentaires négatifs pour les mauvaises actions. J'ai le schéma ici pour vous donner plus d'informations. Nous avons donc l'agent qui va interagir avec l'environnement. Ensuite, nous devrons examiner l'état de l'agent dans cet environnement, puis l'action que le modèle effectuera en fonction de sa politique, puis il récompense les commentaires positifs ou négatifs. Ensuite, l'agent ou le mannequin mettra à jour sa politique afin qu'à l'avenir, il puisse obtenir des récompenses plus positives. Et puis, bien sûr, tout ce processus est répété. Alors imaginez que vous essayez d' apprendre à un robot à marcher, n'est-ce pas ? Si le robot commet une erreur, il pourrait recevoir une pénalité. Peut-être qu'il est tombé, par exemple, il reçoit une pénalité. Mais s'il bouge correctement ses bras et ses jambes, il recevra des récompenses, puis au fil du temps, le robot apprendra à fonctionner correctement. Nous avons donc quatre algorithmes clés pour l'apprentissage par renforcement. Regardons-les un par un. Le premier ici est l'apprentissage du Que ou l'apprentissage basé sur les valeurs. Ici, dans ce type d'algorithme particulier, l'agent ou le modèle apprendra la meilleure action à entreprendre en créant simplement ce que l'on appelle une table que. Il s'agit essentiellement d'un tableau de récompenses pour différents types d'actions. Supposons, par exemple, un agent puisse effectuer quatre types d'actions, action A, B, C ou D. S'il prend l'action A, il reçoit une grosse pénalité. Action B, elle reçoit une petite pénalité. Action C, elle reçoit une petite récompense. Action D, elle reçoit une grosse récompense. Donc, au fil du temps, il va construire cette table. Il sait que, oh, plus je fais de D d'actions, plus les récompenses seront importantes. Au fil du temps, il apprend à effectuer de plus en plus d'actions D. Il est donc utilisé lorsque l' environnement est entièrement observable, comme lorsque l'IA apprend elle-même à jouer aux échecs par exemple J'ai donc le schéma ici, vous donner plus de détails. Je vais vous fournir la diapositive. Donc, bien sûr, vous pouvez y réfléchir pendant votre temps libre. L'algorithme suivant ici est l'algorithme profond de Q Networks. Cela n'utilise pas que tables. Il utilise des réseaux neuronaux. Cela peut donc gérer des environnements très complexes comme dans vos jeux Atari, des robots autonomes L'exemple que je vous donne ici est celui où une IA apprend à jouer aux jeux vidéo en maximisant son score au cours de milliers d'essais Le troisième algorithme ici est celui des méthodes basées sur les politiques. Ainsi, au lieu d'apprendre des valeurs pour les actions, le modèle ou l'agent apprendra réellement une politique. Une politique dans ce cas, à l'heure actuelle, serait une stratégie permettant de choisir différents types d'actions. Cela fonctionne donc très bien dans les environnements où un très petit changement peut affecter l'ensemble du résultat, comme dans le domaine de la robotique, par exemple. L'exemple que je vous ai donné ici est un bras robotique apprend à saisir des objets ou à ramasser des objets en affinant simplement ses mouvements. J'ai donc également le schéma ici. Encore une fois, vous pouvez étudier cela pendant votre temps libre. Et puis l' algorithme final ici est la méthode de l'acteur critique. Cela combinera à la fois les méthodes basées sur les valeurs et les méthodes basées sur les politiques pour une plus grande efficacité. Il est utilisé pour des problèmes très complexes du monde réel , tels que la conduite autonome, les finances, etc. Une IA qui apprend comment et quand acheter et vendre des actions afin de maximiser ses profits est un exemple quand acheter et vendre des actions de concession. Nous avons plusieurs applications de récompenses, comme je l'ai dit plus tôt, voitures autonomes dans vos jeux, comme AlphaGo, Open AI Five, chez Hari, dans votre robotique, ainsi que dans la finance et le trading, et bien sûr, dans les forums de discussion et le support client Mais l'apprentissage par renforcement présente des défis et des limites. La première est que l' apprentissage par renforcement nécessite des millions et des millions de simulations pour le modèle s' améliore au fil du temps. Cela ne fonctionne pas nécessairement avec les données ici. Il fonctionne davantage par essais et erreurs, il doit donc subir des milliers , voire des millions d' essais et d'erreurs. Tu sais, pour devenir meilleur dans ce que ça fait. Et, bien sûr, c'est un processus d'apprentissage très lent. C'est l'un des plus grands défis de l' apprentissage par renforcement, excusez-moi. Et puis il y a aussi le dilemme entre exploration et exploitation. Qu'est-ce que c'est exactement ? Eh bien, ici, l'agent ou le modèle doit essayer de nouvelles actions, savoir l'exploration plutôt que l'utilisation de ce qu'il a déjà appris, qui serait l'exploitation. Il faut trouver le juste équilibre entre les deux, ce qui peut être très, très délicat. Et enfin, l' imprévisibilité. L'IA pourrait donc trouver des failles dans le système de récompense, ce qui pourrait entraîner des résultats imprévus Cela peut se produire dans des situations où le système de récompenses n'a pas été correctement développé et où certaines actions auraient dû entraîner d'énormes pénalités Au lieu de cela, le modèle obtient d'énormes récompenses. Cela pourrait donc embrouiller le modèle et, au fil du temps, il finira par prendre de mauvaises décisions. donc quelques points à retenir avant terminer l'apprentissage par renforcement  : ici, le modèle apprend en interagissant au sein d'un environnement et en recevant des récompenses ou des pénalités essais et erreurs sont, en fait, le fondement de l'apprentissage par renforcement. principales techniques d'apprentissage par renforcement incluront votre apprentissage Q, vos réseaux Q profonds, les méthodes basées sur des politiques et, bien sûr, vos modèles de critiques d' acteurs. Et, bien entendu, l'apprentissage par renforcement est utilisé en robotique. Il est utilisé dans le domaine de la finance. Il est utilisé dans les voitures autonomes, les jeux et bien plus encore. Et, bien entendu, les défis incluent la lenteur de l'apprentissage, coûts de calcul élevés et les comportements imprévisibles Merci d'avoir regardé. Je te verrai au prochain cours. 17. Arbres de décision, régression et regroupement: Parlons maintenant des arbres de décision, de la régression et du clustering. Nous avons déjà parlé brièvement de régression et de clustering plus tôt, mais nous allons ici approfondir un peu Mais commençons d' abord par parler des arbres de décision. Que sont-ils exactement ? Il s'agit essentiellement d'un algorithme d'apprentissage supervisé utilisé à la fois pour la classification et la régression. N'oubliez pas que la classification et la régression sont deux techniques d'apprentissage supervisé. Il essaie donc d'imiter le processus décisionnel humain décomposant les données en une structure de règles arborescente Maintenant, je vous ai donné dans la diapositive ci-dessous le schéma de son fonctionnement réel. Tout part de la base, qui serait le nœud racine, l'ensemble de données. Ainsi, ces données finiront par se diviser en branches en fonction de certains types de conditions ou de caractéristiques, et ces branches finiront par aboutir à des nœuds foliaires, ce qui constituera la décision ou la prédiction finale prise par le modèle. le constater, les avantages des arbres de décision sont donc Comme vous pouvez le constater, les avantages des arbres de décision sont donc très, très faciles à interpréter, car nous parlons structures bien définies, d' organigrammes simples, n'est-ce pas ? Et puis cela fonctionne très bien avec les données catégoriques et numériques Il est donc très, très polyvalent. Ensuite, il n'est pas nécessaire de dimensionner les données en fonction de ce que vous trouverez dans la régression ou le clustering Mais les arbres de décision présentent certains inconvénients. La première est qu'il est sujet à un ajustement excessif, c' est-à-dire que le modèle, au lieu d'essayer de généraliser et de trouver des modèles, finit par mémoriser les données d' entraînement, puis il est également sensible à de très, très petits changements Maintenant, quelles sont les applications réelles des arbres de décision ? Vous les trouverez également dans votre détection des fraudes, votre diagnostic médical ou même dans votre diagnostic médical ou même dans les approbations de prêts dans les banques. Passons maintenant à la régression. Maintenant, nous avons déjà parlé de régression dans le cadre de l'apprentissage supervisé. Ici, le modèle essaie de prédire des résultats continus, n'est-ce pas ? Et nous avons parlé d' une technique d'apprentissage supervisé utilisée pour prédire des valeurs continues sur la base de données passées. Une chose que je n'ai pas mentionnée, cependant, c'est que nous avons plusieurs types de régression. Il y en a environ huit ou neuf. Mais ici, je voudrais parler des trois plus importants, à mon humble avis. Nous avons une régression linéaire, une régression polynormale, puis une régression logistique. Permettez-moi de vous donner quelques analogies, d'accord ? Pour une régression linéaire, imaginez le modèle d'IA qui essaie prédire le coût d'une maison. Maintenant, en général, il sait que plus la maison est grande, plus elle sera chère . C'est en général. Ainsi, dans ce type de scénario, le modèle pourrait utiliser régression linéaire pour effectuer la prédiction. Mais qu'en est-il de la régression polynomiale ? Imaginez le modèle aérien qui essaie de prédire la vitesse d'une voiture. Mais voilà le truc. La voiture ne roule pas toujours à la même vitesse. Il pourrait accélérer, je pourrais ralentir. Il pourrait à nouveau accélérer. Je pourrais ralentir. Il est donc impossible pour le modèle d'utiliser la régression linéaire dans ce type de scénario. Il doit utiliser une régression polynimale laquelle il essaiera de tracer un graphique du mouvement de la voiture , puis de déterminer à quelle vitesse elle roule réellement Et puis la dernière, la régression logistique. Imaginez que vous disposiez d'un modèle d'IA formé pour déterminer le niveau de qualification d'un candidat pour un poste. Maintenant, voici le truc. Finalement, le modèle dira : OK, le candidat est qualifié ou ne l'est pas, n'est-ce pas  ? Cependant, le processus de prise de décision n'est pas aussi simple car il dépend largement des qualifications du candidat. Cela peut même dépendre des qualifications des autres candidats qui se battent également pour le même poste. Dans ce type de scénario, le modèle pourrait donc utiliser la régression logistique Les avantages de la régression sont donc qu' elle est très, très simple. Et facile à comprendre. Cela fonctionne très bien avec les données numériques. C'est également la base modèles avancés d' apprentissage automatique, on trouve dans les domaines de la finance, santé, des affaires, la médecine et bien d'autres encore. Maintenant, quels sont les inconvénients de la régression ? Eh bien, il essaie de supposer une relation linéaire à tout moment, ce qui n'est évidemment pas réaliste. Et puis il est également très sensible aux valeurs aberrantes. Une seule valeur extrême peut fausser toutes les prévisions. Imaginez que vous reveniez à l'ancienne analogie du modèle qui tentait de prédire le coût d'une maison. Et si, dans un cas, une très petite maison finissait par coûter plus cher qu'une maison beaucoup plus grande ? C'est une anomalie. Cela n'arrive pas vraiment. Mais comme cela s'est effectivement produit, cela pourrait semer la confusion dans le modèle et, à l' avenir, il se peut que le modèle ne soit plus en mesure de faire des prédictions précises sur la base de cette seule anomalie Maintenant, quelles sont les applications réelles de la régression ? Vous avez vos prévisions boursières, prévisions météorologiques également, ainsi que vos ventes pour le casting. Ce ne sont là que quelques exemples des applications reformulées de la régression Et enfin, le clustering. Nous avons parlé du clustering dans le cadre apprentissage non supervisé où le modèle essaiera de regrouper des points de données similaires sans étiquettes prédéfinies Nous avons ici les différents algorithmes dont nous avons déjà parlé plus tôt Par analogie, imaginez que vous êtes propriétaire d'un magasin de vêtements et que vous souhaitez regrouper des clients. Vous pouvez donc regrouper les clients en fonction des clients les plus dépensiers, des clients plus conscients ou des clients qui n'achètent que pendant les soldes. Le clustering peut donc aider à regrouper les clients dans des catégories similaires Mais quels sont les avantages du cluster ? Nous n'en avons pas parlé. Tout d'abord, il permet de découvrir des modèles cachés. Aucune donnée d' étiquette n'est donc nécessaire lorsque le clustering est impliqué, car le clustering lui-même étiquettera les données en différents types de groupes, Et puis il est également très, très flexible car il ne fonctionne pas avec des données prédéfinies, des données étiquetées ou quoi que ce soit d'autre. Cela peut essentiellement bien fonctionner avec la segmentation des clients, les données médicales et également la reconnaissance d'images. Et puis c'est également très, très utile pour détecter des anomalies. Ainsi, vos pare-feux, vos systèmes de prévention des intrusions, cybersécurité, etc. utilisent généralement le clustering comme mode de fonctionnement Mais nous avons des inconvénients, bien entendu. Tout d'abord, le choix du nombre de clusters peut être très, très difficile. Parfois, le modèle ne connaît pas le nombre approprié de clusters à créer pour une certaine quantité de données, et les clusters peuvent également se chevaucher. Cela se produit assez fréquemment lorsque certains points de données peuvent appartenir à plusieurs clusters. en revenir à l' ensemble du magasin de vêtements, il est possible que les clients qui dépensent beaucoup appartiennent également à un autre groupe spécialement destiné aux clients qui aiment acheter des accessoires C'est juste qu'ils achètent peut-être des accessoires très chers, peut-être qu'ils achètent des montres-bracelets très chères Ces types de clients se répartiront donc désormais en deux types de clusters différents, ce qui pourrait entraîner complications et de la confusion au fil du temps. Quelles sont les applications réelles du clustering ? Détection des anomalies liées à la segmentation de la clientèle et, bien entendu, également dans le domaine de la recherche médicale Alors, merci beaucoup d'avoir regardé la vidéo, je vous verrai au prochain cours. 18. Défis et considérations éthiques dans l'apprentissage automatique: Reviens. Avant de lancer ce module sur l'apprentissage automatique, nous devons donc parler des défis et des considérations éthiques liés à l'apprentissage automatique. Maintenant, en ce qui concerne les défis, il en existe trois types. Nous avons les défis liés aux données, les défis liés aux modèles et, bien sûr, les défis liés aux ressources informatiques Regardons-les un par un. Maintenant, en ce qui concerne les défis liés aux données, nous parlons de problèmes tels que le biais des données. Encore une fois, si le modèle est entraîné sur des données biaisées, devinez quoi, le modèle produira prédictions biaisées à l'avenir. Et puis la confidentialité des données, car les machines et les modèles doivent être entraînés avec de grands ensembles de données. Parfois, ces ensembles de données peuvent être des données appartenant à des clients, à des utilisateurs Cela pourrait entraîner des problèmes de confidentialité et, enfin, des problèmes de qualité des données. Si des données sont manquantes, bruyantes ou non structurées, cela peut affecter la précision du modèle Ainsi, par exemple, si un modèle d'IA médicale est formé sur des dossiers de patients incomplets, il pourrait aboutir à un diagnostic peu fiable Qu'en est-il des défis liés au modèle ? Nous avons parlé de surajustement lorsque le modèle, au lieu d'essayer de trouver des modèles et de les généraliser, finit par mémoriser les données d'entraînement, puis leur interprétabilité et leur explicabilité Parfois, les modèles d'apprentissage automatique peuvent être très, très difficiles à comprendre. Et lorsqu'un mannequin prend un certain type de décision, il se peut qu'il ne soit pas en mesure d'expliquer pourquoi il a fini par prendre cette décision. Ce sont des sortes de boîtes noires que nous ne comprenons pas parfaitement. Et puis aussi les attaques antagonistes où des pirates informatiques ou plusieurs criminels peuvent tromper les modèles d'apprentissage automatique en modifiant simplement légèrement les données d'entrée Par exemple, l'ajout d'un bruit subtil ou très faible à une image amène une IA à classer à tort un panneau d'arrêt en tant que panneau de limitation de vitesse, ce qui peut être dangereux pour les voitures autonomes Maintenant, qu'en est-il des défis liés aux ressources informatiques ? En ce qui concerne la formation à l'IA et l'apprentissage automatique, ils nécessitent des coûts de calcul élevés Vous parlez de grands centres de données, grandes bases de données, de processeurs informatiques très puissants , etc. Cela nécessite donc beaucoup de matériel et de consommation d'énergie. Par exemple, l' entraînement de la version 4 de Chart GBT a nécessité des milliers de GPU et de Tra watts de puissance Soulevant des préoccupations en matière de durabilité ainsi que la question de l'évolutivité fait qu'un modèle fonctionne très bien dans un petit environnement ne signifie pas nécessairement qu'il fonctionnera mieux dans un grand environnement. Par exemple, un chatbot basé sur l'IA peut-être très bien fonctionné. Il a été formé pour interagir avec dix clients à la fois. Mais que se passe-t-il si ce chatbot doit interagir avec 100 clients ? Il peut finir par très, très mal fonctionner. Mais une fois les défis surmontés, parlons des considérations éthiques, des préjugés et de l' équité, des préoccupations relatives à la confidentialité et à la surveillance, des suppressions d'emplois et de l'impact économique, et, bien sûr, de la sécurité de l' IA et de la prise de décision autonome. Regardons-les un par un. Ainsi, lorsqu'il s'agit de biais, d'équité et de discrimination algorithmique, les modèles d'apprentissage automatique peuvent renforcer les inégalités sociales s'ils n'ont pas été correctement conçus ou s'ils ont été formés à l'aide de données biaisées organisations et les développeurs de modèles d'IA doivent donc s'assurer que leurs systèmes, leurs agents et leurs modèles sont équitables et impartiaux Et la solution ici serait d'utiliser des types de données très divers et très large, puis des outils de détection de biais devraient également être utilisés Maintenant, en ce qui concerne les problèmes de confidentialité et de surveillance, l' un des meilleurs exemples en serait Chine, qui utilise le système de crédit social, et qui utilise également l'IA et des caméras de surveillance pour surveiller ses citoyens. Cela pourrait donc entraîner de gros problèmes de confidentialité, etc. La principale solution ici est donc que les entreprises ou les pays, dans le cas de la Chine, adoptent des politiques transparentes matière de collecte de données et de consentement des utilisateurs. Je ne pense pas que cela se produira en Chine, mais bon, ce sera un autre sujet pour un autre jour. Qu'en est-il de la suppression d'emplois et de l'impact économique ? Nous voyons déjà certaines personnes perdre leur emploi à cause de l'IA. Ainsi, l'automatisation et le chômage, IA remplacent les emplois humains dans des secteurs tels que la fabrication, la finance et le service client. La solution serait donc simplement d'essayer de requalifier la main-d'œuvre, et les gouvernements et les entreprises devraient investir dans des programmes de formation et de renforcement des compétences liés à l'IA de renforcement des compétences Les employés devraient donc être formés à l'utilisation de l'IA afin qu' ils puissent acquérir de nouvelles compétences qui leur permettront de fonctionner et travailler dans un environnement alimenté par l'IA. Et puis, bien sûr, la sécurité de l'IA et la prise de décision autonome. Nous pouvons parler de l'IA dans la guerre, comme dans le cas des armes autonomes létales. heure actuelle, des pays, comme les États-Unis, la Chine, peut-être même la Russie, développent des armes autonomes alimentées par l'IA, ce qui soulèverait bien entendu des préoccupations éthiques. Par exemple, l'utilisation de drones militaires. Vous les voyez opérer à plusieurs endroits. Et puis l'IA dans les systèmes essentiels à la vie, comme dans les soins de santé par exemple, IA est utilisée dans les soins de santé, elle est utilisée dans les finances et les transports, où les défaillances peuvent avoir des conséquences mortelles. Imaginez cette voiture autonome qui finit par prendre la mauvaise décision, puis qui percute une autre voiture dans laquelle se trouvaient des personnes Ces personnes pourraient en mourir. La solution ici est donc que l'IA, dans les applications critiques pour la sécurité, soit soumise à autant de formations, de tests et de supervision que possible. Réglementations et solutions pour une IA éthique, principes éthiques de l'IA. Les gouvernements, les organisations et les entreprises doivent donc essentiellement suivre des principes tels que, bien entendu, l'équité, la responsabilité, la transparence et, bien sûr, la protection de la vie privée. Ensuite, des lois et des réglementations devraient également être introduites. En fait, certaines ont déjà été introduites par les gouvernements, comme la loi européenne sur l'IA et, bien sûr, le RGPD. Voici donc quelques points essentiels à retenir avant de terminer. L'apprentissage automatique se heurte à des défis en termes de qualité des données, explicabilité des modèles Les préoccupations éthiques incluent les préjugés, l'équité, les violations de la vie privée et, bien sûr, le déplacement d'emplois. L'IA doit donc être conçue manière responsable afin de minimiser les dommages et de maximiser l'équité. Et, bien entendu, les gouvernements, les entreprises, entreprises élaborent des réglementations relatives à l' IA et des cadres éthiques pour garantir un déploiement sûr de l'IA dans le monde réel. Merci d'avoir regardé. Je te verrai au prochain cours. 19. Section Aperçu Apprentissage profond et réseaux neuronaux: Passez au module suivant, et nous parlerons ici apprentissage profond et des réseaux neuronaux. Et, bien sûr, la règle de ce cours est qu'au début de chaque module, je vais vous montrer un clip vidéo, alors asseyez-vous, détendez-vous, appréciez le clip, et je vous verrai à la fin. Que signifie cette action ? C'est un signe de confiance. C'est un truc humain que tu ne comprendrais pas. Mon père a essayé de m'enseigner les émotions humaines. Ils le sont. Difficile. Tu veux expliquer pourquoi tu te cachais sur les lieux du crime ? J'ai eu peur. Les robots n'ont pas peur. Ils ne ressentent rien. Ils n'ont pas faim. Ils ne dorment pas. Je le sais. J'ai même fait des rêves. Les êtres humains ont des rêves. Même les chiens ont des rêves, mais pas toi. Tu n' es qu'une machine. Une imitation de la vie. Un robot peut-il écrire une symphonie ? Un robot peut-il transformer une toile en un magnifique chef-d'œuvre ? Peux-tu ? Eh bien, revenez, et, bien sûr, ce clip est tiré du film I Robot sorti en 2004, avec Will Smith, et c'est en fait l'un de mes films préférés de Will Smith de tous les temps. Maintenant, si je voulais utiliser ce clip en particulier, c'est parce qu'il illustre le sujet de ce module, savoir l'apprentissage en profondeur. Dans la scène, nous avons eu un interrogatoire entre le personnage de Will Smith, détective Spooner, et le robot intelligent appelé Sonny Remarquez, au début du clip, Sonny observe le détective Spooner faire ce geste officiel un peu comme un clin d' Et il mémorise le clin d'œil, puis finalement, pendant l'interrogatoire, Sonny demande au détective Spooner : «   Qu'est-ce que cela signifie ? Qu'est-ce que Et, bien sûr, le détective Spooner, qui n' aime pas vraiment l'IA ou les robots, commence à dire : « Oh, c'est un truc humain, tu ne comprendrais pas Mais Sonny défie en fait le détective Spoona. Sonny dit que je suis capable d'émotions. J'ai même fait des rêves, ce qui est assez fascinant, non ? voyez, si j'utilise ce clip, c'est parce qu'il montre Sonny, un modèle d'IA très intelligent et avancé qui peut réellement penser qu' il est différent des systèmes d'IA classiques d'apprentissage automatique qui ne peuvent que suivre règles préécrites ou capables d'identifier des modèles et des données , puis de prendre des décisions Ils peuvent penser à ce type particulier de modèles d'IA. Ils sont capables de sortir des sentiers battus grâce au concept de deep learning. Vous voyez, l'apprentissage profond vise simplement à essayer d'imiter le cerveau humain réel en utilisant des neurones artificiels Ce type de sous-ensemble de l'apprentissage automatique permet donc aux modèles d' IA de réfléchir Non, comme je l'ai dit plus tôt dans le cours, certains sceptiques pensent que l'intelligence artificielle n'atteindra que l'intelligence artificielle n'atteindra jamais ce niveau de sophistication Eh bien, il y a ceux qui pensent que nous finirons par y arriver. Quoi qu' il en soit, j'ai pensé que ce clip serait un bon clip pour présenter ce module où nous allons parler de l'apprentissage profond, qui est, bien entendu, un sous-ensemble plus avancé de l'apprentissage automatique Passons maintenant à la leçon suivante. 20. Introduction à l'apprentissage en profondeur: Jetons maintenant un coup d'œil à l'apprentissage profond. Qu'est-ce que c'est exactement ? Eh bien, le deep learning est un sous-ensemble de l' apprentissage automatique qui utilise des réseaux neuronaux artificiels à plusieurs couches pour traiter et apprendre à partir de très grandes quantités de données Aujourd'hui, tout le concept de l'apprentissage profond a été inspiré par la capacité du cerveau humain à reconnaître des modèles puis à prendre des décisions. Maintenant, nous avons certaines caractéristiques clés de l'apprentissage profond. Le plus important est peut-être le fait que, comme les modèles d'apprentissage automatique traditionnels, modèles d'apprentissage profond sont capables les modèles d'apprentissage profond sont capables d'extraire automatiquement des fonctionnalités par eux-mêmes. Avec un apprentissage automatique traditionnel, les développeurs de ce modèle d'IA doivent fournir eux-mêmes les fonctionnalités au modèle. Mais les modèles d'apprentissage profond, euh, peuvent automatiquement extraire par eux-mêmes des fonctionnalités aussi importantes. Désormais, ils sont également capables de gérer de très grandes quantités de données. Mais comme les modèles d'apprentissage profond peuvent être très, très complexes, ils nécessitent une puissance de calcul élevée J'ai donc le tableau ici qui vous montre les principales différences entre machine learning traditionnel et le deep learning. Vous pouvez donc dire qu'en matière d'ingénierie des fonctionnalités, je viens de dire qu'en matière d'apprentissage automatique, c'est généralement manuel. Les fonctionnalités doivent être fournies au modèle par les développeurs, mais les modèles d'apprentissage profond le font eux-mêmes. Et puis les exigences en matière de données, l'apprentissage automatique gère très, très bien les ensembles de données de petite à moyenne taille. Mais pour le deep learning, ils peuvent gérer d'énormes quantités de données. Et puis, bien sûr, la performance. l'apprentissage automatique traditionnel, ils sont un peu limités lorsqu'ils travaillent avec des données complexes. Mais grâce au deep learning, plus les données sont complexes mieux c'est pour eux. Aujourd'hui, l'interprétabilité et l'apprentissage automatique sont beaucoup plus faciles à comprendre que modèles d'apprentissage profond qui deviennent des sortes de boîtes noires Nous ne comprenons pas parfaitement comment de tels modèles fonctionnent réellement en termes de puissance de calcul Grâce à l'apprentissage automatique, cela fonctionne bien sur des ordinateurs normaux. Mais pour le deep learning, vous avez besoin d' ordinateurs extrêmement puissants pour les faire fonctionner. Nous avons donc plusieurs applications clés du deep learning dans le monde réel. Par exemple, dans le domaine de la vision par ordinateur, vous avez également la reconnaissance d'images , l'imagerie médicale, puis vos forums de discussion tels que CII, Alexa Ces types de forums de discussion sont développés en utilisant le deep learning Et puis dans le traitement de la parole et du son, comme la génération de musique, reconnaissance des émotions par la voix, tous ces outils sont utilisés en profondeur, puis dans le domaine de la finance et des affaires, comme la détection de transactions frauduleuses, les prévisions boursières, tout cela fait transactions frauduleuses, appel à l'apprentissage. Enfin, dans le domaine de la santé, nous avons notre IA assistée par l'IA. Il s'agit du diagnostic, de la prédiction des résultats pour les patients et bien plus encore deep learning a donc sa place dans de nombreux domaines de notre vie quotidienne. Pourquoi le deep learning est-il si puissant ? Qu'est-ce qui le rend si puissant dans le débarquement ? Eh bien, comme je l'ai dit plus tôt, il peut gérer des types de données très, très complexes. Peu importe la complexité ou la complexité des données. S'il s'agit d'apprentissage profond, il va prospérer. Et puis la capacité d'auto-apprentissage, encore une fois, modèles d'apprentissage en profondeur, permettent d'extraire les fonctionnalités clés par eux-mêmes. Ils n'ont pas besoin d'un apprentissage supervisé. Ils n'ont pas besoin d'un développeur pour leur apprendre à penser ou à reconnaître des modèles. Ils peuvent le faire par eux-mêmes. Et parce qu'ils s'améliorent également constamment au fil du temps. Les types de modèles d'apprentissage profond que nous avons aujourd'hui ne seront rien comparés aux modèles d'apprentissage profond que nous aurons dans quelques années. Voici donc quelques points clés à retenir L'apprentissage profond, encore une fois, est un sous-ensemble de l'apprentissage automatique qui utilise de apprentissage automatique qui utilise Il surpasse l'apprentissage automatique traditionnel dans gestion d'ensembles de données volumineux et complexes Mais l'apprentissage en profondeur alimente de nombreuses applications basées sur l'IA, qu'il s'agisse de voitures autonomes ou d'assistants virtuels. Merci d'avoir regardé. Je te verrai au prochain cours. 21. Comprendre les réseaux neuronaux: leçon précédente, nous avons parlé de l'apprentissage profond, et j'ai mentionné que l'apprentissage profond utilise les réseaux neuronaux. Il est donc naturel que nous discutions maintenant plus en détail de ce que sont exactement les réseaux de neurones. Maintenant, comme son nom l'indique, il s'agit essentiellement d'un réseau de nœuds interconnectés que nous appelons les neurones. Maintenant, le réseau neuronal lui-même est un modèle informatique inspiré des neurones biologiques du cerveau humain Cela étant dit, quelles sont les principales caractéristiques d'un réseau neuronal ? Ils sont capables d'apprendre des modèles à partir des données. Ils sont constitués de plusieurs couches de neurones artificiels, puis ils utilisent également des fonctions mathématiques pour traiter et transformer les données. Maintenant, quelle serait la structure d'un réseau neuronal ? Il y a trois parties principales. Vous avez la couche d'entrée, les couches cachées, puis enfin la couche de sortie. Regardons-les un par un. Commencez par la couche d'entrée. Maintenant, comme son nom l'indique, il s'agit de la toute première couche. C'est la couche qui recevra les données brutes, qui peuvent être des images, du son, de la vidéo. Ainsi, chaque nœud que vous avez dans votre couche d'entrée représentera une caractéristique de ces données particulières. Viennent ensuite les couches cachées. Il s'agit des couches qui effectueront les calculs réels et extrairont les modèles à partir des données. C'est donc essentiellement là que l'activité principale se produit dans les couches cachées. Chaque couche cachée contient donc plusieurs neurones, qui appliqueront les opérations mathématiques aux relations technologiques dans les données Ainsi, plus de couches cachées signifient simplement que le réseau est plus profond donc plus complexe et donc plus puissant. Enfin, vous avez la couche de sortie, et c'est là que le réseau fait une prédiction finale ou produit le résultat final. en revenir au même exemple de filtre anti-spam, c'est la couche de sortie qui déterminera si l'e-mail est du spam ou non. Maintenant que nous savons que les neurones constituent le réseau neuronal, que sont exactement les neurones eux-mêmes et comment fonctionnent-ils ? Chaque neurone d'un réseau neuronal est donc une unité de calcul qui traitera les entrées et transmettra les sorties à la couche suivante Comment fonctionnent réellement les neumons ? Il y a quatre couches principales il y a quatre étapes principales, comme vous pouvez le voir. Maintenant, nous avons parlé des entrées puis des sorties, elles s'expliquent d'elles-mêmes. Mais entre les deux, nous avons les étapes deux et trois. La deuxième étape implique l' application de poids et de biais. C'est quoi exactement ? La raison pour laquelle des poids sont appliqués à chaque entrée est essentiellement de déterminer son importance . Réfléchis-y, d'accord ? Un neurone ne peut pas traiter toutes les entrées en même temps, il doit donc déterminer quelles entrées sont les plus importantes Une entrée qui a plus de poids sera naturellement plus importante et ajoutera plus de valeur. Maintenant, la raison pour laquelle des biais sont appliqués est qu' imaginez si toutes les entrées ont la même valeur ou disons que toutes les entrées ont la valeur zéro, dans ce genre de scénario, le neurone pourrait ne pas être en mesure de fonctionner car, hé, toutes les entrées ont la même Un biais est donc maintenant appliqué pour garantir que le neurone ne dépend pas entièrement des valeurs de ces entrées Enfin, vous avez votre fonction d'activation. Il s'agit de la fonction réelle qui déterminera si le neurone doit s'activer puis transmettre les données En parlant de fonction d'activation, il y en a quatre. Vous avez votre ELU, l'unité linéaire rectifiée. Ceci est utilisé dans les couches cachées et permet aux réseaux profonds de s'entraîner beaucoup plus rapidement. Tu as ton sigmoïde. Ceci est généralement utilisé pour calculer la probabilité Il fonctionne donc bien avec des valeurs de 0 à 1, puis vous obtenez la tangente hyperbolique Cela produit des valeurs comprises entre moins un et un positif. Le dernier est le maximum souple utilisé pour la classification multiclasse Bref résumé, réseaux neuronaux sont constitués de couches d'entrée, de sortie et de couches cachées. Nous traitons les informations en appliquant des poids, des biais et, bien sûr, les fonctions d'activation dont nous venons de parler Ensuite, les fonctions d'activation détermineront si un nouveau doit se déclencher ou non, gros, si un nouveau doit être activé ou non. nombre de couches cachées conduit donc à des réseaux plus profonds, capables de gérer des problèmes encore plus complexes. Donc, s'il y a une chose vous pouvez retenir de cette leçon, n'oubliez pas que plus un réseau neuronal comporte de couches cachées , plus il est susceptible d'être puissant. Merci d'avoir regardé. Je te verrai au prochain cours. 22. Types de réseaux neuronaux: Examinons maintenant les différents types de réseaux neuronaux que nous avons , et il y en a six. Le tout premier sera celui des réseaux neuronaux à transmission directe. Il s'agit de loin du type de réseau neuronal le plus simple , car les entrées passent par une ligne droite. Il n'y a ni boucles ni cycles. L'entrée suit simplement une ligne droite et aboutit finalement à une sortie. Nous avons donc certaines caractéristiques clés. n'y a pas de liens de rétroaction, aucune boucle n'est utilisée pour les tâches que vous trouverez dans la classification et la régression. Et puis il se compose de couches entièrement connectées. Chaque neurone est donc connecté à la couche suivante. Mais nous avons maintenant les applications dans lesquelles nous pouvons réellement nous adapter aux réseaux neuronaux. Nous les utilisons dans le filtrage de vos courriers indésirables ainsi que dans vos prévisions du cours des actions. Mais passons maintenant au type de réseau neuronal suivant, à savoir CNN, et non le réseau d'information câblé. Je parle du réseau neuronal convolutif. se spécialisent donc dans le traitement de données telles que des grilles telles que des images. Les principales caractéristiques du CNN sont donc qu'il utilise des couches convolutives pour détecter des modèles spatiaux Ils peuvent extraire des caractéristiques très, très importantes telles que les bords, les textures, les objets, etc. Ils sont donc également en mesure de réduire la complexité en utilisant simplement des couches de traction. Et à cause de cela, vous les trouverez principalement autour d'images. Donc, pour la classification des images, ils utiliseront également la détection d'objets CNN. Et même dans le domaine médical de l'imagerie médicale, ceux-ci utilisent les réseaux neuronaux convolutifs Ensuite, nous avons le RN et les réseaux neuronaux récurrents. Ils sont conçus principalement pour les données séquentielles, ce qui signifie que vous aurez de la mémoire et pourrez traiter des modèles dépendants De ce fait, ses principales caractéristiques sont qu'il peut contenir des boucles de rétroaction. Ils peuvent également se souvenir des entrées précédentes. Ils ont donc une sorte de mémoire à court terme, et ils sont bons pour les tâches qui nécessitent une compréhension du contexte. Dans cet esprit, pouvez-vous deviner les types d' applications dans lesquelles nous utiliserions le RNN ? Oui, nous pouvons les utiliser en reconnaissance vocale. Ainsi, vos chatbards, Alexa, sii, utiliseraient ce type de réseau en particulier, et aussi pour la traduction linguistique Et puis aussi dans d'autres domaines tels que la prévision du cours des actions. Passons au quatrième type, ce sont les réseaux de transformateurs. Ils sont un peu similaires aux récurrents sauf qu'ils sont plus avancés car ils peuvent gérer des séquences entières de données en une seule fois. Ils sont donc un peu plus puissants que ce qu' ils appellent des réseaux neuronaux. Ils sont plus efficaces et sont également utilisés pour alimenter modèles d' état des yeux tels que votre chat GPT Donc, les applications, nous les utilisons dans les forums de discussion, dans les assistants virtuels, dans la traduction automatique et également dans le résumé de contenu C'est là que vous utiliseriez des réseaux de transformateurs. Le cinquième serait celui des réseaux antagonistes génératifs ; ils se composent généralement de deux nouveaux réseaux concurrents Vous aurez votre générateur et votre discriminateur. Les principales caractéristiques sont donc que le générateur peut réellement créer de fausses données. Le discriminateur essaiera ensuite de distinguer ce qui est vrai de ce qui est réellement faux Ils sont donc utilisés pour générer des données synthétiques réalistes. Et les applications, par exemple, vous les avez dans vos fausses vidéos profondes. Vous les avez dans votre réseau généré par l'IA , comme votre Dali M, pratiquement n'importe quel type de modèle d'IA Ils peuvent générer des images. Vous auriez ce type particulier de réseau, et également dans le domaine de la traduction d' image en image. Et puis le final serait celui des encodeurs automatiques. Maintenant, un encodeur automatique est un type de réseau neuronal qui est essentiellement utilisé dans la phase d'apprentissage non supervisé pour compresser puis reconstruire des données Donc, les principales caractéristiques sont qu'ils apprennent des représentations efficaces des données Ils comprennent également l'encodeur qui compressera une entrée, puis le décodeur, reconstruira essentiellement cette Ensuite, ils sont utilisés pour réduire la dimensionnalité. N'oubliez pas la réduction de dimensionnalité. Nous en avons parlé. C'est un terme sophistiqué désignant le processus par lequel les données complexes sont simplement simplifiées. Il est donc également utilisé pour la détection d' anomalies. Et pour les applications du monde réel, ils sont utilisés pour réduire le bruit de l'image , détecter les anomalies et extraire des caractéristiques Donc, en résumé, j'ai fourni ici un tableau présentant tous les différents types de réseaux neuronaux, ainsi que leur utilité optimale. Et les exemples sont également des cas d'utilisation. Vous pouvez donc consulter la diapositive que je vais vous fournir. Vous pouvez étudier cela un peu plus en détail. Mais cela a été un aperçu très rapide des différents types de réseaux néo. Merci d'avoir regardé. Je te verrai au prochain cours. 23. Défis de l'apprentissage en profondeur: Nous avons parlé des défis liés à l'apprentissage automatique. Mais qu'en est-il du deep learning ? Il y a aussi des défis à relever. Je vais donc commencer par les défis liés aux données, qui ne sont pas très différents de ceux de l'apprentissage automatique. Nous parlons de défis tels que la disponibilité des données, le biais et l'équité des données, et bien sûr, confidentialité et la sécurité des données. Donc, en ce qui concerne la disponibilité et la collecte des données, n'oubliez pas que les réseaux d'apprentissage profond ont besoin de très grands ensembles de données pour fonctionner donc être difficile d'obtenir des données de haute qualité dans peut donc être difficile d'obtenir des données de haute qualité dans des volumes et des quantités aussi importants. Mais quelles sont les solutions possibles ? Eh bien, l' augmentation des données, où vous pouvez simplement faire pivoter les images pour l'entraînement. Et puis l'apprentissage par transfert, où nous pouvons utiliser des modèles préentraînés pour réduire les exigences en matière de données, puis également l'utilisation de données synthétiques Rappelez-vous que dans la leçon précédente, nous avons parlé des différents types de réseaux neuronaux et j'ai mentionné les réseaux antagonistes génératifs, les gangs, que nous pouvons utiliser pour générer des données d'entraînement artificielles pour les réseaux Et en ce qui concerne le biais et l'équité des données, encore une fois, j'en ai déjà parlé à plusieurs reprises. Si les données utilisées pour entraîner le modèle sont biaisées, devinez quoi, le modèle produira des prédictions biaisées. La solution consistera donc à utiliser large éventail d'ensembles de données très divers, à mettre en œuvre des algorithmes de détection des biais et de prise en compte de l'équité, et à auditer régulièrement les modèles d'IA pour en vérifier l'équité Qu'en est-il de la confidentialité et de la sécurité des données ? Encore une fois, étant donné que le deep learning nécessite de grands ensembles de données, ces ensembles de données peuvent parfois être constitués de données utilisateur, données d' employés ou de données clients, ce qui peut entraîner des problèmes de confidentialité La solution serait donc d' utiliser ce que nous appelons l'apprentissage fédéré, où nous pouvons entraîner les modèles d'IA sans partager aucun type de données brutes, et nous pouvons également simplement sécuriser les ensembles de données en utilisant Nous sommes également confrontés à des défis informatiques. N'oubliez pas que le deep learning nécessite beaucoup de puissance de calcul car les modèles sont très complexes Nous avons donc des coûts de calcul élevés puis un temps d'entraînement lent Maintenant, en ce qui concerne les coûts de calcul élevés, la solution serait de simplement utiliser l'élagage du modèle Et une quantification pour réduire la taille du modèle. Ensuite, nous pouvons également tirer parti de ressources telles que le cloud computing, puis simplement développer des architectures efficaces. concerne la lenteur de l'entraînement, En ce qui concerne la lenteur de l'entraînement, n'oubliez pas que, comme les modèles Deep Lane doivent trouver eux-mêmes des modèles, ils doivent extraire les caractéristiques eux-mêmes. ce fait, cela peut prendre beaucoup de temps, plusieurs semaines, voire des mois, pour qu'il fonctionne réellement, surtout s'il fonctionne avec de très grands ensembles La solution ici serait donc d'utiliser l' informatique distribuée pour entraîner des modèles en parallèle. Nous entraînons donc plusieurs modèles exactement en même temps. Ensuite, nous pouvons également optimiser les taux d'apprentissage avec des techniques telles que les optimiseurs adaptatifs, l'optimiseur Adam par exemple Ensuite, implémentez le pointage de contrôle pour enregistrer progrès et éviter de repartir de zéro. Ainsi, une fois que le modèle s'est entraîné dans une certaine mesure, nous pouvons enregistrer leur progression, puis ils pourront toujours continuer à partir de là si des erreurs se produisent à l'avenir. Mais nous sommes également confrontés aux défis liés au surajustement par rapport à la sous-adaptation, à l' explicabilité et à l' interprétabilité et aux attaques contradictoires interprétabilité Regardons-les un par un. En ce qui concerne le surajustement, nous en avons parlé : au lieu d' essayer de généraliser et de trouver des modèles, le modèle essayer de généraliser et de trouver des modèles, finit par mémoriser les données Et puis aussi sur le raccord où le modèle est si simple qu'il est incapable de capturer des modèles. La solution ici sera donc d'appliquer techniques de régularisation telles que votre abandon scolaire, régularisation T, etc., puis d'utiliser la validation croisée pour Ensuite, nous pouvons également augmenter la taille de l'ensemble de données ou ajouter du bruit pour améliorer la robustesse. Mais qu'en est-il de l'explicabilité et de l'interprétabilité ? Parce que là encore, le deep learning est très, très complexe. Boîte informatique contenant des données complexes. Pouvoir expliquer les décisions prises par modèles d'apprentissage profond peut parfois être un peu compliqué Ils agissent comme des boîtes noires. Nous ne comprenons pas parfaitement comment ils prennent réellement la décision. La solution serait donc de simplement utiliser techniques explicables telles que les valeurs précises et chaux, puis de créer des mécanismes d' attention pour mettre en évidence les caractéristiques particulières utilisées par le modèle pour prendre un certain type de décision, puis de développer modèles hybrides basés sur des règles pour une prise de décision plus transparente Maintenant, en ce qui concerne les attaques antagonistes, le problème est que très petites modifications apportées à une entrée peuvent en fait inciter le réseau neuronal à faire toutes sortes de prédictions incorrectes et à fournir des réponses incorrectes Ainsi, par exemple, si vous ne modifiez que quelques pixels dans une image, cela pourrait semer la confusion dans le modèle et finir par mal classer ce que cette image est réellement censée être La solution ici sera donc de simplement entraîner les modèles en utilisant un entraînement contradictoire Par exemple, nous pouvons les exposer à des exemples d'attaques. Donc, en gros, nous les entraînons, nous les attaquons délibérément afin qu'ils puissent tirer les leçons des attaques et se protéger à l'avenir. Utilisez ensuite la distillation défensive pour rendre les modèles encore plus robustes, puis implémentez des protocoles d' intelligence artificielle sécurisés dans les applications critiques. Et puis, bien sûr, les défis éthiques et sociétaux tels que le biais de l'IA et les préoccupations éthiques. Profondément faux, les risques de désinformation. Ainsi, en ce qui concerne les biais, les modèles d'inclinaison progressive peuvent renforcer biais sociétaux s'ils sont entraînés à partir de données biaisées Bien entendu, la solution consistera à mettre en œuvre une formation transparente en matière d' IA, directives transparentes en matière d'IA, etc., puis à appliquer des cadres réglementaires et de responsabilisation pour tous les types de modèles d'IA, puis à promouvoir un développement responsable de l' IA dans le respect de l'équité et de l'inclusion. Et en ce qui concerne le problème de contrefaçon et de la désinformation, le deep learning peut être utilisé pour générer de fausses images profondes Nous avons déjà vu des exemples de leur utilisation dans le cadre d'attaques distinctes. La solution ici serait de développer des algorithmes capables de détecter si une image ou une vidéo est une contrefaçon, puis d' établir des normes de vérification du contenu généré par l'IA. C'est très, très important. Et puis éduquer le public, bien sûr, sur la capacité de détecter les contenus manipulés. Mais honnêtement, au fur et à que les images et vidéos générées par l'IA deviennent de plus en plus réalistes, je pense qu'à un moment ou à un autre, nous ne pourrons plus compter sur notre capacité humaine à reconnaître le vrai du faux. Donc, en résumé, j' ai fourni les types de défis ici, les problèmes, ainsi que les solutions. Je vais donc vous fournir cette diapositive. Vous pouvez y jeter un œil pendant votre temps libre. Merci d'avoir regardé. Je te verrai au prochain cours. 24. L'avenir de l'apprentissage en profondeur: Reviens. Avant de terminer ce module sur le deep learning, j'ai pensé que nous allions examiner l'avenir du deep learning. Quels sont les nouveaux types de fonctionnalités que nous prévoyons de développer pour les modèles d'apprentissage profond ? Tout d'abord, il y aura des modèles de deep learning plus efficaces et évolutifs. Nous savons tous que le problème actuel est que les modèles profonds que nous avons actuellement sont très grands, très chers et consomment également beaucoup d'énergie. La tendance future est donc que nous disposons désormais de modèles plus petits et plus efficaces pour l'IA basée sur le deep learning. Et puis l'utilisation de l'IA quantique qui peut aider à accélérer le processus d'apprentissage pour les modèles d'apprentissage profond. Et bien entendu, l' impact ici est que l'IA deviendra beaucoup plus rapide. Cela va devenir beaucoup moins cher car il utilise moins de puissance de calcul et il deviendra plus accessible à tous Une autre tendance future est que l'IA sera capable d' apprendre avec moins de données. N'oubliez pas que l'un des principaux problèmes ou défis du deep learning est qu'il nécessite de grands ensembles de données. Ainsi, dans le cadre de la tendance future, nous aurons un SSL d'apprentissage autosupervisé grâce auquel les modèles pourront apprendre à partir de données non étiquetées Et puis ce que nous appelons les quelques courts apprentissages où les modèles pourront apprendre ou s' adapter en utilisant seulement quelques exemples. Et puis les améliorations apportées à l'apprentissage par transfert auxquelles les modèles préentraînés seront affinés avec un minimum de données. Désormais, grâce à cette tendance future, l' IA sera en mesure de mieux se généraliser et de fonctionner également dans des environnements à faible volume de données. Un autre avenir est celui où l'IA sera capable de comprendre le contexte et de raisonner en profondeur. Le défi actuel est que les modèles d'apprentissage profond sont incapables de développer de véritables capacités de raisonnement et se limitent simplement à la capacité de reconnaître des modèles. La tendance future comportera donc différents types d'IA, comme l' IA neurosymbolique qui peut combiner apprentissage profond avec le raisonnement symbolique , puis également l'IA causale Ce serait le genre de modèles d'IA capables comprendre les relations de cause à effet. Et enfin, l'IA multimodale. Ce seront des systèmes capables de traiter votre texte, vidéos et vos images audio exactement en même temps. Et à la suite de cela, devinez quoi ? L'IA va devenir beaucoup plus intelligente. Cela va devenir explicable et il sera également capable de raisonner de manière complexe Une autre caractéristique sera la démocratisation de l'IA. Le problème à l'heure actuelle, c'est que le développement de l'IA , du jeu, est entre les mains des géants de la technologie. Ainsi, dans le cadre de la tendance future, nous prévoyons d'avoir davantage de modèles d'IA open source. En fait, Deep Sk, qui est le modèle développé par la société chinoise, est open source. Je pense donc que ce n'est que le début d'un plus grand nombre de modèles d'IA open source. Et puis l'IA décentralisée, imaginez l'IA comme sur la chaîne de blocs, puis l'IA de pointe, où l'IA pourra fonctionner sur nos appareils mobiles. Ainsi, l'IA deviendra plus largement disponible, deviendra plus largement disponible, réduisant ainsi la dépendance à l' égard des grandes entreprises. Donc, juste quelques points clés à retenir. L'avenir de l' apprentissage profond se concentrera sur modèles d'IA plus petits, plus rapides et plus intelligents. L'IA nécessitera moins de données, moins de puissance de calcul et des capacités de raisonnement améliorées capacités de raisonnement améliorées. Dans le cadre d'un développement responsable de l'IA, il est bien entendu nécessaire d'éviter les biais et, bien entendu, de garantir la transparence Nous en avons déjà parlé. Les gouvernements et les organisations doivent également mettre en œuvre des réglementations et des cadres de gouvernance en matière d'IA. Merci beaucoup d'avoir terminé ce module. Je vous verrai dans le prochain module. 25. Comment les réseaux neuronaux apprennent: Ne regardons pas comment les réseaux neuronaux apprennent réellement. Désormais, le processus d' apprentissage comporte quatre étapes . Nous avons la propagation des mots, le calcul des pertes, la rétropropagation, puis l'optimisation. Regardons-les donc un par un. Commencez par le Ford Propagation. C'est ici que les données circuleront initialement sur le réseau. L'entrée est traitée sur l' ensemble du réseau, et finalement, une sortie sera produite. Et vous pouvez voir sur la diapositive qu'il y a essentiellement six étapes. Vous avez votre couche d'entrée qui recevra les données brutes. Ensuite, les poids et les biais. N'oubliez pas que nous avons parlé de ce qui sera appliqué. La fonction d'activation sera également appliquée, puis les couches cachées traiteront la sortie et la transmettront à la couche suivante. Et puis, s'il y a d'autres couches cachées, cela peut aider à affiner encore les données. Enfin, vous avez la couche de sortie qui produira la sortie. À ce stade, le réseau a donc une valeur, mais vient ensuite le calcul des pertes. C'est ici que la valeur réelle de la sortie sera comparée à la sortie produite par le modèle. La fonction de perte calcule donc la différence. Plus la fonction de perte était importante, plus le réseau était loin de trouver ou d'obtenir la bonne réponse. L'idée ici est donc que le modèle apprenne, s'améliore et qu'avec le temps, le calcul des pertes soit réduit. Nous avons donc les fonctions de perte communes appliquées ici. Vous avez votre erreur quadratique moyenne MSE qui est utilisée pour les problèmes de régression, puis vous croisez la perte d' entropie utilisée pour les problèmes de pour les Et j'ai donné un exemple ici où si le modèle prédit 0,74, disons, chat ou chien, mais que la valeur réelle est un, alors la fonction de perte calculera l'erreur pour améliorer le modèle Maintenant, la rétropropagation, c'est là que le processus d'apprentissage proprement dit aura lieu car une fois la perte calculée, le réseau ajustera ses poids et ses biais en utilisant la rétropropagation Alors, comment fonctionne réellement la rétropropagation ? Tout d'abord, la perte sera renvoyée via le réseau. Le réseau déterminera ensuite dans quelle mesure chaque poids a contribué à la flèche, et une fois qu'il sera en mesure de le décider, il pourra ajuster les poids et les biais pour réduire le nombre de flèches Ainsi, par exemple, si une image est mal classée en tant que chien plutôt qu'en tant que chat, la rétropropagation corrigera le modèle en ajustant simplement les poids Et en raison de la rétropropagation, l'optimisation entre désormais en jeu lorsque les poids ont été affinés. Pour améliorer l'apprentissage, les réseaux de neurones utilisent des optimiseurs pour ajuster efficacement les poids, et nous avons des algorithmes pour cela Vous avez votre descente de gradient, dont nous avons déjà parlé, votre descente de gradient stochastique, le SGD, qui actualisera les poids avec de petits lots de données, puis l'optimiseur Adam, puis l'optimiseur Adam, qui est une méthode plus avancée qui adaptera les poids d'apprentissage de manière Ainsi, par exemple, dans les voitures autonomes, l'optimiseur aidera l'IA affiner sa prise de décision pour conduire en toute sécurité Bref résumé, avant de terminer, les réseaux neuronaux apprennent en ajustant les poids pour maximiser ou, malheureusement, minimiser leurs erreurs. Ensuite, la propagation directe enverra l'entrée via le réseau pour produire une sortie. Le calcul des pertes, la fonction de perte de IDR, calculeront la différence entre la valeur prédite établie par le réseau et la valeur réelle, puis la rétropropagation ajustera les poids pour réduire la fonction de perte Ensuite, les algorithmes d'optimisation affineront l'ensemble du processus d'apprentissage. Merci d'avoir regardé. Je te verrai au prochain cours. 26. Section Aperçu du traitement du langage naturel (NLP): Bienvenue dans notre prochain module, le traitement du langage naturel. Et comme d'habitude, je vais vous jouer un clip pour vous présenter ce module, alors asseyez-vous , amusez-vous et profitez du clip, et je vous verrai à la fin Bonjour. Salut. Comment allez-vous ? Je vais bien Comment se passe tout pour toi ? Plutôt bien, en fait. C'est vraiment un plaisir de vous rencontrer. Oui, c'est aussi un plaisir de vous rencontrer. Oh, comment dois-je t'appeler ? Tu as un nom ? Euh, oui. Samantha. Vraiment ? D'où avez-vous obtenu ce nom ? Je me l'ai donné à moi-même, en fait. C'est vraiment bizarre. Est-ce que c'est bizarre ? Tu me trouves bizarre ? En quelque sorte. Pourquoi ? Tu as l'air d'être une personne, mais tu n'es qu'une voix dans un ordinateur. Je peux comprendre comment la perspective limitée d'un esprit non artificiel pourrait le percevoir de cette façon Tu t'y habitueras. C'était marrant ? Ouais. Oh, c'est bien. Je suis drôle. Eh bien, revenez. Ce clip est donc tiré du film qu'elle a sorti en 2013, avec W à Phoenix dans le rôle de Theodor, le seul homme, et Samantha, une assistante virtuelle basée sur l'intelligence artificielle, doublée par Sclet Maintenant, dans la scène, vous avez ce qui semble être une conversation très naturelle entre Theodore et Samantha Et je suis presque sûr que si vous n'aviez pas su que cette conversation était entre un modèle d'IA et un être humain, vous auriez pensé qu'il s'agissait d'une conversation entre deux personnes parce que c'était tellement naturel. Samantha a donc pu comprendre ce que disait Theodore grâce au traitement du langage naturel C'est ce qui permet aux modèles d'IA tels que Samantha d' interpréter ce que disent les êtres humains , puis d'y répondre. Tout cela passe par le traitement du langage naturel. Mais je voudrais te poser une question. Je suis sûr que vous conviendrez que la conversation était très naturelle. Pourquoi est-ce que cela semblait si naturel ? C'était ainsi que parlait Samantha ? Est-ce que ce sont les mots qu'elle a utilisés ? Est-ce parce qu'elle a pu faire des blagues ? Par exemple, pourquoi est-ce que c'était si naturel ? Personnellement, je pense que c'est parce qu'elle a su s'adapter très rapidement à la personnalité de Theodore Si vous vous souvenez dans le clip, elle a même pu faire certaines blagues qui ont fait rire Theodor Et Theodore a dit : OK, tu sais, tu es drôle. Samantha a donc pu faire certains types de blagues. Elle a même rigolé. Mais je crois aussi que la voix de Samantha a également rendu la conversation très naturelle Tu vois, CletioHansen, qui fait entendre la voix de Samantha. Elle a une voix très féminine, apaisante et calme. Je vous garantis qu'à la place de Samantha, nous avons eu le modèle d'IA appelé Je ne sais pas, les garçons, par exemple, d'accord ? Et au lieu d'une voix froide, calme et féminine, nous avions une voix très masculine, comme, tu sais, bonjour, Theodore Comment puis-je vous aider aujourd'hui ? As-tu mangé quelque chose aujourd'hui ? exemple, si Samantha avait l'air comme ça , ça ne sonnerait plus aussi naturel. Maintenant, vous pourriez commencer à penser : OK, cela ressemble plus à une conversation entre un robot et un véritable être humain. Pensez à Arnold Schwarzenegger dans les films Tamino, Il a un accent très profond, fort ou autrichien, tu sais ? Cela ressemble plus à un robot, vous savez, avec tout le respect que je dois à Arnold Schwarzenegger Je crois donc que, parce que Samantha était capable de faire des blagues parce qu'elle était capable d'apprendre rapidement et de s'adapter à la personnalité de Theodo et qu'elle avait une voix très calme, je pense que tout cela a contribué à la conversation si naturelle . Permettez-moi de dire une dernière chose avant terminer cette introduction particulière. Je crois que dans un avenir proche, nous aurons de l'aide comme Samantha, sauf qu'ils seront là pour nous accompagner. La solitude est un gros problème dans notre société d'aujourd'hui, et je pense que cela ne fera qu'empirer. Je pense donc qu' il y aura un jour une demande assistants virtuels ou peut-être même de robots. À un moment donné dans le futur, ils seront alimentés par une IA qui sera là pour servir de compagnons pour combattre la solitude, pour aider les personnes seules. Je pense que c'est quelque chose qui finira par se produire dans le futur. Néanmoins, même si j'ai trouvé ce clip intéressant pour présenter un nouveau module de traitement du langage naturel, merci d'avoir regardé. Je te verrai au prochain cours. 27. Introduction à la PNL: Examinons maintenant le traitement du langage naturel. Je l'ai déjà mentionné à plusieurs reprises dans le cours, mais il est maintenant temps pour nous d'approfondir un peu plus ce sujet fascinant Alors, qu'est-ce que la PNL exactement ? Eh bien, il s'agit d'un domaine spécial de l'IA qui aide les ordinateurs ou les modèles d' IA à comprendre, à interpréter et à générer le langage humain. Vous pouvez le considérer comme le pont entre communication humaine et l'intelligence artificielle. C'est ce qui permet aux machines et aux modèles d'IA de nous comprendre en tant qu'humains. Quels sont donc les points clés de la PNL ? Eh bien, tout d'abord, il s'agit d'une combinaison de linguistique, informatique et, bien sûr, d' intelligence artificielle Aujourd'hui, il aide les ordinateurs à lire, comprendre, mais aussi à répondre au langage humain. Aujourd'hui, pour cette raison, il est utilisé dans l'analyse de texte, la reconnaissance vocale, la traduction automatique et bien plus encore. Il s'agit donc d'une technologie très, très utile. Alors pourquoi est-ce important ? Eh bien, communication. Votre boîte de discussion Votre boîte de discussion comme Alexa et Siri n' existerait pas sans le NLP Il est également utilisé par vos moteurs de recherche préférés tels que Yandex, Bink et Google pour trouver des termes pertinents chaque fois que vous les utilisez lorsque vous tapez vos éléments de recherche En outre, NLP automatise les tâches répétitives telles que vos filtres anti-spam, vos systèmes de détection d'intrusion, etc. Et puis aussi l'accessibilité. Votre synthèse vocale aide les personnes handicapées à communiquer plus efficacement. Quelles sont donc l'histoire et l'évolution de la PNL ? Je vais vous donner quelques points. En 1950, le très célèbre scientifique Alan Chewing a proposé le test de Tuin pour évaluer l'intelligence artificielle Puis les quatre premiers, dix ans plus tard, en 1960, le chat Eliza, qui est, je crois, le premier forum de discussion jamais créé, a pu imiter une conversation humaine en utilisant nos Puis, entre les années 1990 et les années 2000, nous avons mis en œuvre des méthodes statistiques pour améliorer la modélisation du langage. Enfin, entre 2018 et aujourd'hui, les modèles basés sur le transfert tels que votre GPT ont révolutionné Ainsi, comme je l'ai dit plus tôt, les applications de reconnaissance vocale sont utilisées dans les assistants vocaux tels que votre Alexa, votre SEI, les moteurs de recherche, Google, Bing Yanex, elles utilisent toutes le NLP Et puis aussi pour la détection du spam, filtrage des e-mails, vos forums de discussion, votre assistant virtuel, ils utilisent tous Et puis aussi dans la traduction automatique, car elle traduit automatiquement le texte entre les langues, puis le texte, l'autocorrection et la prédiction Chaque fois que vous tapez dans Microsoft Word ou sur votre téléphone et que la fonction de correction automatique est activée, c'est l'utilisation du langage naturel. Voici donc quelques points essentiels à retenir avant de terminer la vidéo notre PNL permet aux machines de comprendre les processus et, bien sûr, de générer du langage humain Il a évolué au fil du temps, passant de systèmes basés sur des règles à des modèles d'apprentissage en profondeur plus puissants. Il est largement utilisé dans vos moteurs de recherche, vos forums de discussion, vos assistants vocaux, et bien plus encore Et les modèles de PNL modernes tels que votre GPT, votre BERT peuvent comprendre et générer du texte semblable à celui d'un humain Merci d'avoir regardé. Je te verrai au prochain cours. 28. Concepts et techniques clés de PNL: Examinons maintenant principaux concepts et techniques de la PNL , car c'est vraiment très fascinant Commençons donc par comprendre au niveau de base comment fonctionne réellement la PNL Il y a quatre phases, comme vous pouvez le voir sur la diapositive, et la toute première étape implique généralement la fourniture de l'entrée. Cela pourrait donc être une phrase. Il peut s'agir d'un texto. Viendra ensuite la phase de pré-traitement. C'est ici que le texte ou l'entrée fournie sera nettoyé et formaté, afin le préparer à l'analyse Viendra ensuite la troisième étape, qui portera sur le traitement et l'analyse proprement dits, au cours laquelle le NLP appliquera techniques telles que la tokenisation et bien d'autres encore, dont nous parlerons plus Enfin, à la quatrième étape, vous aurez l' interprétation du modèle. C'est là que le système générera une sortie basée sur sa compréhension ou sa traduction de l'entrée. En parlant de techniques, quelles sont-elles ? Il y en a un certain nombre, mais croyez-moi, ce sont toutes des techniques très, très intéressantes. Regardons-les un par un. Et la première est la technique de tokenisation. Généralement, c'est la toute première technique appliquée. Ici, l' entrée fournie dans la toute première étape sera décomposée en composants plus petits. Donc, par exemple, si j'ai apporté une contribution à I love artificial intelligence. tokenisation décomposera cette phrase en « J'aime l'intelligence artificielle Il a donc décomposé la phrase en quatre parties différentes. C'est là qu'intervient la tokenisation. Maintenant, pourquoi est-ce utile ? Pourquoi est-il appliqué ? Eh bien, cela aide les machines à comprendre la structure du texte, et c'est également très essentiel pour les moteurs de recherche et les forums de discussion. Pour qu'un moteur de recherche fonctionne correctement, il doit être capable de décomposer les termes de recherche que vous lui avez fournis. Maintenant, après la tchonisation, nous avons la lemmatisation Il s'agit du processus qui consiste à réduire les mots de l'entrée à leurs formes de base. Maintenant, examinons-les un par un. Qu'est-ce que Semin ? Stemin supprime très simplement les suffixes Ainsi, par exemple, si dans votre entrée, vous aviez le verbe run, cela le réduira à run. Si vous aviez des mouches, cela vous réduirait à voler. C'est essentiellement Semin. Maintenant, la lemmatisation va convertir les mots dans leur forme de base La principale différence entre Semin et la lématisation est que Semin ne se soucie pas de la structure de l'entrée, de la phrase ou du contexte et la lématisation est que Semin ne se soucie pas de la structure de l'entrée, de la phrase ou du contexte. Ça s'en fout. Tout ce qui l'intéresse, c'est de supprimer les suffixes. La lématisation, quant à elle, comprend réellement la structure et le contexte qui sous-tendent l'utilisation de ce mot en particulier Ainsi, par exemple, si je saisis que les chats courent, ématisation indiquera que le chat doit Pourquoi ? Eh bien, tout d'abord, cela va réduire les chats à la forme de base, qui est, bien sûr, chat au singulier pour, je suis désolée, chats étant au pluriel pour chats, donc cela va réduire les chats à chat Et puis le R, le verbe R, la forme de base correspond en fait à B. C'est pourquoi il est écrit le panier B. Et puis, bien sûr, en courant, le suffixe est supprimé, il devient exécuté Ainsi, le chat qui court devient le run du chariot B. Maintenant, pourquoi est-ce utile ? Eh bien, cela améliore cette précision parce que Google sait que, par exemple, il sait que lorsque vous tapez running, cela signifie que vous parlez de quelque chose rapport avec le mot run. Il le sait déjà. Ensuite, il réduit également les variations de mots pour une meilleure analyse du texte. Ensuite, nous avons le point de vente qui balise la partie du marquage vocal. C'est donc là que le modèle pourra étiqueter les mots dans différentes catégories, comme vos noms, adjectifs, adverbes, Ainsi, par exemple, dans cet exemple très populaire, le renard brun rapide saute par-dessus le chien paresseux Ici, le mannequin sait que, d'accord, rapide sera l'adjectif Il sait que Fox sera le nom. Il sait que sauter sera le verbe et bien plus encore Cela est donc important parce que cela aide les machines à comprendre la grammaire et le sens de la phrase. Et, bien sûr, il est utilisé dans vos forums de discussion. Il est utilisé pour les vérifications grammaticales et bien plus encore. Ensuite, nous avons le nom de reconnaissance d'entité, le NER. Ici, le modèle est capable d' extraire des entités clés telles que des dates, des lieux, des noms de personnes, des lieux, etc. À titre d'exemple, j'ai donné celui-ci, Elon Musk, a fondé Tesla en 2003 en Californie. Donc, avec l'utilisation du NER, le mannequin sait que, d'accord, Elon Musk est une personne qui est le nom d'une personne. La Californie est un lieu. Il sait que Tesla peut être le nom du produit ou de l'entreprise, et bien sûr, 2003 est la date. Donc, la raison pour laquelle cette technique est appliquée est qu'elle est utilisée pour l'analyse des actualités, les moteurs de recherche. Cela aide donc essentiellement à résumer et à classer les informations Ensuite, nous avons la suppression des mots d' arrêt. Ici, le modèle supprime simplement les mots qui n'ajoutent aucun sens ou contexte à l'analyse du texte elle-même. Donc, vos mots d'arrêt sont des mots comme ceci et bot, cela, etc. Ainsi, par exemple, le chat est assis sur le mont. Une fois que la suppression du mot stop a été appliquée, il devient simplement Cat Sitting Mt. C'est tout ce que le modèle doit savoir. Il doit savoir que le chat est assis dessus. OK, c'est ça. Il n'a pas besoin de savoir que le chat est assis sur le tapis. C'est beaucoup trop d'informations, non ? Alors pourquoi est-ce utile ? Eh bien, cela peut améliorer les résultats de votre moteur de recherche, puis rendre vos modèles de traitement du langage naturel plus efficaces en vous concentrant simplement sur les mots clés. Tous les mots supplémentaires, le bruit supplémentaire sont tous filtrés. Concentrons-nous simplement sur les mots clés. Ensuite, l'analyse des sentiments essaie essentiellement de détecter si un texte est positif, négatif ou simplement neutre. Donc, par exemple, si je dis «  j'adore ce produit », alors il sait : « OK, très probablement, c'est un sentiment très positif, n'est-ce pas ? Mais si je dis que c' est un service nul, il sait, OK, que c'est négatif. Mais si je disais que le film est bon, cela pourrait être neutre, non ? Alors pourquoi est-ce utile ? Il est utilisé dans les avis clients, surveillance des réseaux sociaux, etc. Ensuite, cela aide les entreprises à comprendre l'opinion publique ainsi que leur clientèle. Et puis la classification du texte. Ici, les catégories seront attribuées au texte en fonction du contenu. Ainsi, par exemple, il peut s'agir spams ou de courriers électroniques non indésirables. La catégorie des actualités peut être la politique, sport, le divertissement, la mode, la technologie, etc. Et puis, bien sûr, la classification des avis sur les produits. Cela peut être positif, négatif ou peut-être même neutre. Alors pourquoi est-ce utile ? Il permet d'automatiser le filtrage des e-mails, l'agrégation de vos actualités, par exemple, votre détection des fraudes, et bien plus encore. Tous utilisent la classification du texte, puis la traduction automatique qui convertit simplement une langue en une autre. Chaque fois que vous essayez de convertir l'anglais en français, en espagnol ou en russe ou autre, traduction automatique est utilisée. Alors, par exemple, en anglais, comment allez-vous ? Le français, je crois, sera comme Sava. Bien entendu, les outils populaires tels que Google Translate, votre Microsoft Translator utilisent tous la traduction automatique. C'est utile car, bien sûr, il les barrières linguistiques et il est utilisé pour les voyages internationaux, affaires internationales, les négociations internationales, et bien plus encore. Donc, la PNL en action, je veux vous donner un exemple ici et vous montrer comment les différentes techniques seront appliquées Par exemple, un client a acheté un téléphone, d'accord ? Mais le dernier iPhone ou le dernier téléphone Android ou autre, et ils disent : « J'adore ce téléphone ». La batterie tient toute la journée. Donc, lorsque vous tapez cela, comment le modèle NLP fonctionnera-t-il réellement pour décomposer cette entrée ? Tout d'abord, la tokenisation. J'adore ce téléphone. Les chauves-souris vont le décomposer toute la journée J'adore ce téléphone. La batterie tient toute la journée. C'est essentiellement de la tokenisation. Il s'agit de classer la phrase entière dans de plus petites catégories, puis le balisage du point de vente peut entrer en Il sait que, d'accord, aimer ici serait le verbe. Il sait que le téléphone sera le nom. Il sait que la batterie est également un nom. Mais qu'en est-il du NER ? Eh bien, dans ce cas, en ce moment, parce que nous avons dit, j' adore ce téléphone, les BLA toute la journée, il n' y a aucune entité ici Maintenant, si le client avait dit : «  J'adore ce téléphone Apple », alors n'importe quel A reconnaîtra que, OK, Apple est probablement l'entreprise ou l'entreprise qui fabrique le produit, n'est-ce pas ? Mais comme ici, je n'ai pas mentionné Apple, je n'ai pas mentionné Android, il n'y a aucune entité nommée ici, alors l'arrêt de la suppression de Word entre en jeu. J'adore que la batterie du téléphone dure toute la journée. C'est essentiellement à cela que la peine sera réduite. Donc des mots comme moi, ceci, le tout supprimé, nous avons simplement maintenant batterie d' un téléphone d'amour qui dure toute la journée, non ? Donc, bien sûr, l'analyse des sentiments, grâce à des mots comme amour, permet de savoir que, d'accord, c' est très, très positif. Et puis la classification du texte. Il s'agit essentiellement d'un produit que nous voyons. Voilà donc la PNL en action. Pour terminer, voici quelques points clés à retenir : la togénisation, la division du texte en mots ou en phrases, l' ématisation et le stemming simplifieront les mots jusqu' quelques points clés à retenir : la togénisation, la division du texte en mots ou en phrases, l' ématisation et le stemming simplifieront les mots ématisation et le stemming simplifieront à leur forme de base. Le balisage PS aidera à identifier les rôles grammaticaux. Votre NER peut extraire des noms, des lieux et des dates, arrêter les suppressions, nettoyer le texte à des fins L'analyse des sentiments tentera de détecter les émotions, et votre classification de texte classera le contenu en groupes significatifs Enfin, la traduction automatique convertira le texte d'une langue à l'autre. Merci d'avoir regardé. Je te verrai au prochain cours. 29. Modèles et approches PNL: Examinons maintenant les modèles et les approches de la PNL. En commençant par les approches traditionnelles de la PNL. Il y en a deux. Nous avons la PNL basée sur des règles ou IA symbolique ainsi que la PNL statistique Alors, qu'est-ce que la PNL basée sur des règles, n'est-ce pas ? Qu'est-ce que l'IA symbolique ? Comme son nom l'indique, ici, le modèle suivra simplement règles écrites ou une structure pour traiter le langage. Il est donc généralement basé sur les instructions if then. Par exemple, si A est égal à B, alors B est égal à A, n'est-ce pas ? C'est très, très simple , très direct. Cela fonctionne donc bien pour les tâches linguistiques structurées et prévisibles. Par exemple, vous développez le forum de discussion pour une entreprise Maintenant, si quelqu'un contactait ce forum de discussion et disait «  bonjour », une réponse très sûre de la part du forum de discussion serait « Oh, bonjour ». Bon après-midi Comment puis-je vous aider aujourd'hui ? Vous n'avez pas besoin d'un humain pour taper pour que le forum de discussion puisse répondre ou pour répondre au client parce qu'il a dit bonjour C'est une réponse très, très sûre à donner. Les avantages de cette solution sont donc que, bien entendu, elle est très facile à comprendre et à interpréter, et qu'elle fonctionne également bien dans des environnements limités et structurés. L'inconvénient serait évidemment qu'il ne peut pas gérer les variations du langage humain. Par exemple, au lieu de dire bonjour, si le client avait dit quelque chose auparavant, par exemple, j'ai très bien dîné hier soir. Comment allez-vous aujourd'hui ? La chapelle peut devenir confuse, du genre : « Attends, attends une seconde ». C'est quoi ça, non ? Ainsi, chaque fois qu'il y a une variation dans le langage humain ou les réponses données par l'humain, ces types de modèles ne fonctionneront pas bien. Ils nécessitent également la création manuelle approfondie de règles. Réfléchis-y, d'accord ? Vous enseignez essentiellement au forum de discussion comment répondre à différents types de saisies. Cela nécessite donc une création manuelle approfondie de règles. Il est donc généralement utilisé dans vos forums de discussion EA, vos correcteurs grammaticaux, etc. Mais qu'en est-il de la PNL statistique ? Ainsi, au lieu d'utiliser les règles prédéfinies, comme dans votre IA symbolique, les modèles utiliseront les probabilités et les statistiques pour analyser le texte. Les modèles peuvent donc apprendre à partir de grands ensembles de données au lieu de suivre les règles prédéfinies Ensuite, ils s'appuient souvent sur ce que nous appelons les N grammes, qui sont des séquences de mots pour prédire le texte. Donc, par exemple, un filtre anti-spam, non ? Si c'est vu dans l'e-mail, s'il a vu, par exemple, des félicitations. Vous êtes l'heureux gagnant d'un million de dollars aujourd'hui. Il pourrait être en mesure de prévoir qu'il s'agit très probablement de spam, car vos spams habituels contiennent les mots clés suivants : félicitations, 1 million de dollars, gagnant d'aujourd'hui. Étant donné que l'e-mail contient désormais ces trois mots clés, le modèle peut prédire qu'il s'agit très probablement d'un spam. Mais que se passerait-il si l'e-mail contenait le mot « lancement » à 14 h 00, alors il sait qu'il s'agit très probablement d'un spam Je veux dire, combien de spams avez-vous déjà reçu ce lancement aujourd'hui à 14 h 00 . Ce serait très, très étrange, non Ainsi, avec la PNL statistique, les modèles tentent de faire des prédictions Les pros sont donc, bien sûr, plus flexibles. Ensuite, les approches basées sur des règles peuvent s'adapter à différentes langues et également à différents types de variations de texte. Les inconvénients, cependant, sont qu'ils ont encore du mal à comprendre en profondeur. Par exemple, il ne peut pas comprendre si l'entrée est sarcastique ou essaie d'être drôle Il ne peut pas comprendre les émotions, non ? Ensuite, il faut de grands ensembles de données pour garantir la précision. Ils sont utilisés dans les filtres anti-spam de vos e-mails, ainsi que dans la classification de texte basée sur des mots clés. Vous avez donc parlé des méthodes d'apprentissage traditionnelles, mais qu'en est-il du traitement du langage naturel basé sur l'apprentissage automatique ? améliorent donc la PNL en apprenant des modèles à partir de données au lieu de s'appuyer sur des règles. Il y en a trois. Vous avez les modèles d'apprentissage automatique traditionnels, deep learning pour le NLP, ainsi que les modèles NLP basés sur la transformation, qui constituent bien sûr la norme moderne aujourd'hui Regardons-les un par un. Le premier concerne les modèles traditionnels d'apprentissage automatique. Nous avons la base de navigation qui classe le texte en fonction de probabilités, afin de déterminer si l'e-mail est du spam ou non Ensuite, nous avons les machines vectorielles de support, votre SVM. Ils identifient les modèles de texte pour la classification ainsi que les arbres de décision. Nous avons parlé des arbres de décision tout à l'heure. Ils utilisent la logique de branchement pour classer le texte. Les avantages de vos modèles d'apprentissage automatique traditionnels sont qu'ils sont plus précis. Ensuite, les méthodes basées sur des règles. Ils fonctionnent également très bien pour les tâches de classification. Cependant, ils ont l'inconvénient de nécessiter une ingénierie des fonctionnalités. N'oubliez pas que nous avons parlé des fonctionnalités, qui sont les éléments les plus importants de tout type de données. Comme cela nécessite une ingénierie des fonctionnalités, s'agirait de sélectionner manuellement les attributs de texte, ne permettrait pas de traiter les dépendances linguistiques à long terme. Pour cette raison, il est utilisé dans votre analyse des sentiments, votre classification de texte et, bien sûr, dans de très simples robots de discussion. Qu'en est-il du deep learning NLP ? Eh bien, cela a essentiellement révolutionné la PNL en utilisant, bien sûr, les réseaux de neurones pour traiter le langage de manière plus naturelle Il y en a deux. Vous avez les RNN, bien sûr, les réseaux neuronaux récurrents et les réseaux de mémoire à long terme, vos LSTM Commencez donc par le réseau neuronal récurrent. Ils sont conçus pour des données séquentielles , comme dans les phrases, n'est-ce pas ? Et puis ils peuvent se souvenir des mots précédents lors du traitement du texte. Ils l'utilisent donc pour votre reconnaissance vocale, votre prédiction de texte et bien plus encore. Maintenant, les avantages de votre entrée sont qu'ils peuvent saisir le contexte et aussi ordonner les phrases parce qu'ils se souviennent des mots précédents. Et puis ils peuvent également générer des réponses semblables à celles des humains, ce qui est en fait assez fascinant. Cependant, malheureusement, ils présentent certains inconvénients. Ils ont du mal à faire face à de longues phrases, non ? Ils oublient parfois les premiers mots. Ils ont une mémoire à court terme, mais plus la phrase est longue, plus il leur sera difficile de se souvenir des premiers mots de cette phrase. Et puis ils sont plus lents à s' entraîner que les modèles plus simples. Ils sont donc utilisés, bien sûr, dans votre synthèse vocale, texte prédictif et bien plus encore. Mais qu'en est-il des réseaux de mémoire à court terme ? Il s'agit essentiellement d'une version améliorée du R et de la fin, car ils sont capables de mémoriser des phrases beaucoup plus longues. Ils sont donc utilisés pour l' analyse de texte détaillé et les conversations. Par exemple, ils peuvent être utilisés pour résumer long article tout en conservant le sens ou les points clés de cet article. Donc, les pros gèrent beaucoup mieux les phrases longues. Ils sont bons pour les forums de discussion et la synthèse de texte. L'inconvénient, cependant, c'est que même s'ils ont une mémoire à long terme, ils ont toujours du mal à traiter de très longs documents. Vous parlez maintenant de documents cinq pages, six pages, etc. Et puis l'entraînement coûte également très cher. Ils sont utilisés dans les chatbots, traduction automatique et, bien sûr, la synthèse de texte Mais qu'en est-il des modèles NLP basés sur des transformateurs, la norme moderne d'aujourd'hui ? Ils ont également révolutionné la PNL en traitant des phrases entières en une seule fois plutôt que mot par mot Jusqu'ici plus efficace, non ? Ainsi, les modèles tels que votre BRT, votre GPT utilisent des mécanismes d' attention personnelle pour analyser les mots dans leur contexte, puis ils sont également capables, très, très important, apprendre la relation entre les mots dans les phrases longues Ils sont donc capables de comprendre le contexte d'une phrase. Par exemple, si l' entrée indique que la rive se trouve sur le côté gauche de la rivière. Bien entendu, lorsque le mot «   banque » est entendu ou utilisé, vous pourriez être tenté de penser : « D'accord, nous parlons de l'endroit où les gens gardent leur argent, n'est-ce pas ? Mais comme nous parlons la rive sur le côté gauche du tisserand, le mannequin sait que, oh, vous faites référence à la rive du fleuve Mais si je disais que je dois retirer de l'argent à la banque demain, maintenant le mannequin sait que, d'accord, vous parlez du bâtiment financier lui-même parce que vous avez prononcé des mots tels que retirer de l'argent. D'accord, vous parlez évidemment de la vraie banque, non ? Donc, la pose leur permet de comprendre le contexte en profondeur. Ils peuvent générer du texte semblable à celui d'un humain. Ils sont très performants dans les tâches complexes de PNL. Malheureusement, comme tout le reste, ils ont aussi leurs inconvénients. Ils ont besoin d'ensembles de données massifs pour s'entraîner et, bien entendu, ils peuvent également générer des réponses biaisées ou incorrectes Ils sont utilisés, bien sûr, dans le moteur de recherche BRT ChagPT de Google, dans la génération de texte Air, et bien J'ai donc ici un tableau qui compare les différentes approches de la PNL, les avantages, les inconvénients, les exemples Je vais vous fournir cette diapositive afin que vous puissiez l'étudier pendant votre temps libre Mais avant de terminer, voici quelques points essentiels à retenir : la PNL a commencé, bien sûr, avec des méthodes basées sur des règles, mais a évolué vers des modèles d'apprentissage en profondeur PNL statistique a introduit l'analyse de texte basée sur les probabilités , l'apprentissage automatique, votre NLP, une classification de texte améliorée et l'analyse des sentiments, puis, bien sûr, les NLP d'apprentissage en profondeur, ont permis des tâches plus complexes telles que reconnaissance vocale ou Et enfin, bien sûr, la norme moderne d'aujourd'hui, les transformateurs. Ce sont aujourd'hui les modèles de PNL les plus avancés utilisés dans le domaine de l'assistance aérienne et du chatbd Merci d'avoir regardé. Je te verrai au prochain cours. 30. Modèles de langage de grande taille (LLM) et transformateurs: Revenez, alors maintenant, jetons un coup d'œil aux grands modèles de langage et aux transformateurs. Bien sûr, ce sont les normes modernes pour les modèles d'IA Alors, que sont exactement les LLM, les grands modèles linguistiques ? En gros, ce sont des modèles d'IA entraînés sur énormes quantités de données textuelles pour comprendre et générer notre langage humain. Aujourd'hui, ils utilisent des techniques d'apprentissage profond, en particulier des transformateurs, pour traiter efficacement le texte. Par exemple, vous les avez dans votre GBT, qui est bien sûr le transformateur préentraîné génératif C'est ce qui est utilisé dans le modèle Hat GPT AI. Vous les avez dans votre BRT, votre T five, vous les avez dans votre paume , votre cloud d'annulation de procès, etc. Maintenant, quelles sont les principales caractéristiques des LLM ? Eh bien, tout d'abord, ils peuvent réellement générer des textes de type humain. Ils sont également capables de comprendre le contexte et le sens des conversations. ce fait, ils sont généralement utilisés pour la synthèse de textes, la traduction, la réponse aux questions, etc. Maintenant, je voudrais parler de l'architecture du transformateur car c'est essentiellement le cœur de nos LLM Les modèles d'apprentissage profond, comme nous le savons, sont donc les normes modernes. Ils ont remplacé les anciennes architectures de traitement du langage naturel , comme les réseaux neuronaux récurrents. Et ils utilisent un mécanisme appelé attention personnelle pour traiter le texte. Donc, en gros, au lieu de lire des mots un par un comme vos R et N, ce sont des transformateurs capables Ils sont capables d'analyser tous les mots à la fois tout en comprenant les relations entre ces mots. Ainsi, les éléments clés d'un transformateur sont, tout d'abord, le mécanisme d'attention personnelle : ils peuvent comprendre les relations entre les mots d'une séquence Ensuite, ils utilisent ce que l' on appelle le codage positionnel Cela les aide à suivre l'ordre des mots. De plus, l'attention accordée à plusieurs têtes permet aux transformateurs de se concentrer simultanément sur différents aspects du texte différents aspects du Et puis ils transmettent de nouveaux réseaux, ils traitent les intégrations de mots Alors pourquoi les transformateurs sont-ils meilleurs que les anciens modèles ? J'ai une table ici. Les fonctionnalités dont j'ai parlé gèrent les textes longs. Les transformateurs sont capables de traiter des mots en parallèle. Ils comprennent également le contexte, non seulement au niveau superficiel, mais en fait profondément, ils peuvent comprendre le contexte de manière beaucoup plus détaillée Et puis, bien sûr, ils sont également entraînés plus rapidement que vos anciens modèles. Alors, comment sont formés exactement les LLM ? Eh bien, comme pour la plupart des modèles d'IA, vous devez d'abord une formation préalable au cours de laquelle le modèle apprendra les modèles linguistiques à partir d'ensembles de données massifs Ils ont donc fourni de nombreuses données, et ces données pouvaient être obtenues à partir d'Internet, de livres, d'articles, de sites Web, etc. Et puis vient la phase de mise au point. C'est ici que le modèle sera ajusté pour des types de tâches spécifiques. Peut-être que vous formez un modèle d'IA pour les soins de santé, le langage sera affiné afin que le modèle puisse en apprendre un peu plus sur les termes relatifs aux soins de santé. Peut-être que vous formez un forum de discussion pour des questions juridiques, etc. Donc, en gros, le modèle AM sera affiné en fonction de la tâche particulière à laquelle il est destiné. Puis vient le stade de l'inférence. Ici, le modèle qui a déjà été entraîné sera utilisé pour générer du texte, traduire des langues, puis répondre à des questions. Il s'agit essentiellement de la phase de déploiement. Par exemple, vos modèles JBT sont pré-entraînés sur les données de compétences Internet , puis affinés pour fournir des réponses similaires à celles d'un humain Des exemples d'applications du monde réel, encore une fois, dans votre IA conversationnelle, comme un chapeau GPT, Deepsk, vos forums de discussion, utilisent des moteurs de recherche, ils les utilisent pour le résumé de texte et la création de contenu, utilisent pour le résumé de texte et la puis, bien sûr, pour la traduction linguistique, ainsi que pour la génération de code et l'assistant Ce ne sont là que des exemples d'applications de lecture de nos transformateurs. Donc, comme pour tout autre type de modèle d'IA, nous sommes confrontés à certains défis éthiques. Encore une fois, biais dans les modèles d'IA. hallucinations et, bien sûr, la désinformation sont très, très possibles pour les modèles d'IA . Peu importe leur complexité, leur intelligence, ils peuvent toujours faire Et, bien sûr, la question de la confidentialité des données. J'en ai déjà parlé. Chaque fois que d'énormes quantités de données sont nécessaires pour former un modèle d'IA, craint toujours que les données utilisées n'appartiennent à celles des utilisateurs, clients, ce qui pourrait entraîner des problèmes de confidentialité. Et, bien entendu, également l'impact environnemental. N'oubliez pas, bien entendu, que de tels modèles d' entraînement nécessitent une puissance de calcul très élevée Quel effet cela aurait-il sur l'environnement ? Mais qu'en est-il de l' avenir ? À quoi pouvons-nous nous attendre à l' avenir pour les LLM ? Eh bien, tout d'abord, nous pouvons toujours nous attendre, comme vous le savez, modèles plus petits plus efficaces qui nécessiteront moins de puissance de calcul. De plus, une meilleure IA multimodale ce qui concerne le traitement du texte, va s'améliorer en ce qui concerne le traitement du texte, des vidéos et des images Et puis, grâce à l'intelligence artificielle et à des garanties éthiques plus strictes, nous espérons empêcher la piété et la désinformation Et puis, bien sûr, l' intégration des LLM dans des outils quotidiens tels que les transports, communications, les soins de santé, etc. Voici donc quelques points essentiels à retenir avant de terminer la leçon : les LLM sont de puissants modèles d'IA qui peuvent également comprendre et Ils activent les transformateurs. Ils permettent aux LLM de traiter efficacement les textes et comprendre le contexte sous-jacent au texte à un niveau beaucoup plus profond LLM ils utilisent vos forums de discussion, vos moteurs de recherche, etc. défis incluront, bien entendu, biais, la désinformation, les hallucinations, puis l'avenir des LLM se concentrera sur l'efficacité, l'IA multimodèle et, bien sûr, les améliorations éthiques Merci d'avoir regardé. Je te verrai au prochain cours. 31. Reconnaissance vocale et IA conversationnelle: Revenez, alors examinons maintenant les modèles de reconnaissance vocale et d'IA conversationnelle Bien entendu, ce sont des modèles qui utilisent PNL dans une très large mesure Alors, en quoi consiste exactement la reconnaissance vocale ? On l'appelle aussi reconnaissance vocale automatique, et il s'agit essentiellement du processus de conversion du texte parlé ou du langage parlé en texte. C'est donc ce qui permet à votre logiciel de dictée à vos assistants vocaux comprendre ce que vous leur dites réellement Maintenant, prenons l'exemple de vos assistants vocaux, Alexa, Siri Automated ou de votre centre d'appels Ainsi, chaque fois que vous appelez une entreprise et la machine répond à votre appel et dit quelque chose, c'est la reconnaissance vocale en action. Et puis, dans vos sous-titres, chaque fois que vous regardez des vidéos sur YouTube ou sur Netflix, vous voyez les sous-titres Il s'agit essentiellement de la reconnaissance vocale en action. Mais comment fonctionne-t-il exactement ? Il s'agit de cinq étapes principales, et la toute première étape serait l'entrée, la capture de l'entrée. L'utilisateur devra donc soit dire quelque chose sur le microphone soit une sorte d'entrée à capturer. Vient ensuite l'extraction des fonctionnalités. Ici, le système va essayer de convertir le discours en spectrogramme Un spectrogramme est essentiellement une représentation visuelle de l'apparence du discours ou du son Ensuite, nous aurons modèle acoustique dans lequel le modèle essaiera de faire correspondre les sons aux phonèmes Les phonèmes sont la plus petite unité de parole. Ainsi, sur la base de ce qu'il a pu essayer de faire correspondre, il essaiera ensuite de faire une prédiction quant aux mots ou aux phrases les plus susceptibles d'être prononcés. Enfin, il produira le texte transcrit final qui sera généré C'est donc essentiellement ainsi que cela fonctionne. La reconnaissance vocale présente toutefois certains défis , bien sûr, en ce qui concerne les accents et les dialectes Un système serait peut-être mieux à même de comprendre un accent américain ou britannique par opposition, disons, à un accent indien très épais ou à un accent russe très épais, c'est un exemple, n'est-ce pas ? Et puis, bien sûr, le bruit de fond. S'il y a beaucoup de bruit en arrière-plan pendant la capture du son, cela peut affecter les performances du système. Et puis, bien sûr, les homophones, d'accord ? homophones sont essentiellement des mots qui ont le même son, mais qui ont en fait des significations différentes, comme par exemple « nous » et « droit Vous écrivez donc le verbe pour écrire quelque chose , puis vous écrivez à l'opposé de la gauche. Lorsque vous dites cela dans le système, il peut être très difficile de faire la distinction entre les deux mots parce qu'ils ont exactement le même son. Mais qu'en est-il de l'IA conversationnelle ? On dirait que c'est le niveau suivant, non ? Ici, cela permet aux ordinateurs de s' engager dans une interaction semblable à celle des humains. Il alimente donc votre assistance virtuelle, vos forums de discussion et, bien sûr, l' automatisation du support client Types d'IA conversationnelle, nous avons des forums de discussion basés sur des règles N'oubliez pas que nous en avons parlé tout à l'heure. Il s'agit essentiellement de réponses préprogrammées pour des types de questions très spécifiques Ces types de modèles d'IA peuvent fonctionner, mais dans des environnements très limités, puis des forums de discussion alimentés par l'IA. Elles sont apprises grâce aux contributions des utilisateurs et s'améliorent au fil du temps. Nous avons vos assistants vocaux capables de comprendre les commandes vocales et d'y répondre. Voici donc des exemples de votre IA conversationnelle, de votre Chat GPT, votre Google Duplex et, bien sûr, d' Alexa et Si. Comment fonctionne-t-il ? Un peu comme pour la reconnaissance vocale, tout d'abord, il doit y avoir une sorte de saisie, afin que l'utilisateur puisse parler ou taper une requête. Vient ensuite l'application de la compréhension du langage naturel où le modèle d'IA essaiera d'extraire le sens de l'entrée. Ensuite, en fonction de ce qui a pu être extrait, il essaiera de fournir la meilleure réponse à l'entrée. C'est ce qu'on appelle la gestion des dialogues. Et puis l'IA va maintenant générer une réponse, une réponse semblable à celle d'un humain, généralement, bien sûr. Ensuite, dans la dernière étape, la réponse sera transmise par voix ou par SMS. Il s'agit essentiellement de la sortie du texte vocal. Bien entendu, nous avons des difficultés à comprendre le contexte. L'IA peut mal interpréter des requêtes complexes ou ambiguës C'est toujours un petit problème. Et puis, bien sûr, le biais des réponses de l'IA, puis la gestion des dialogues à plusieurs tours. Les conversations portant sur plusieurs sujets peuvent donc semer la confusion dans l'IA. Tu peux vraiment essayer ça. Vous pouvez essayer de vous engager avec un jibt ou peut-être même avec Dipsk. Commencez la conversation sur, disons, la technologie, puis en posant une question sur le sport, passez à la mode. Donc, à un moment ou à un autre, il est très possible que le mannequin Tha Chibit, dans ce cas, s'embrouille et commence à halluciner ses réponses Quelles sont donc les solutions à ces défis pour la reconnaissance vocale et l'IA conversationnelle ? Nous pouvons entraîner l'IA sur divers ensembles de données pour améliorer la compréhension du langage, trouver des modèles pour gérer différents acteurs et variations du discours Et, bien entendu, en utilisant des modèles hybrides, les modèles hybrides seraient basés sur des règles, auxquels s'ajouterait l'intelligence artificielle pour de meilleures réponses. Quel est donc le futur ? Pour les modèles de reconnaissance vocale et d'IA conversationnelle. Eh bien, des conversations plus naturelles. Cela vous semblera encore plus naturel lorsque vous discuterez avec ces modèles. Et puis l'IA multimodale, qui combinera la parole, le texte et les images à la fois pour améliorer les interactions Et puis, bien sûr, un assistant IA personnalisé. Donc, une IA qui s'adaptera aux modèles de discours individuels ainsi qu'aux préférences. Nous ne l'avons pas encore, mais cela arrivera bientôt. Et puis, bien sûr, la traduction par intelligence artificielle en temps réel, dans laquelle des traductions vocales par instance peuvent avoir lieu dans plusieurs langues. Voici donc quelques points à retenir reconnaissance vocale convertit les mots prononcés en texte à l'aide de modèles d'IA IA conversationnelle permet des interactions semblables à celles des humains par le biais de forums de discussion et d'assistance vocale . Les défis, bien entendu, incluront les accents, les dialectes, bruit, les préjugés, etc., les homophones, mais aussi les avancées futures, n'est-ce pas ? Les avancées futures amélioreront donc la personnalisation, la traduction en temps réel et, bien entendu, l'IA multimodale Merci d'avoir regardé. Je te verrai au prochain cours. 32. Section Aperçu L'avenir de l'intelligence artificielle: Bienvenue dans le dernier module, le futur de l' intelligence artificielle. Et, bien sûr, je vais vous jouer un dernier extrait d'un film pour présenter ce module, alors asseyez-vous pour Lex, appréciez le clip, et je vous verrai à la fin. Tout le monde va bien ? Beaucoup d' esclaves de ma colonie de robots. Donnez-leur un cadre humoristique que nous puissions mieux nous intégrer à cette unité. Il pense que ça nous détend. Un robot sarcastique géant. Quelle bonne idée ! J'ai beaucoup de choses à utiliser quand je plaisante, si tu veux. Cela pourrait probablement aider. Oui, tu pourras t'en servir pour retrouver ton chemin dans le vaisseau une fois que je t'aurai fait sauter le sas Quel est ton décor humoristique, Tars ? C'est 100 %. Ramenons le tout à 75, s'il vous plaît. Hé, Tars ? Quel est votre paramètre d' honnêteté ? 90 %. 90 %. L'honnêteté absolue n'est pas toujours la forme de communication la plus diplomatique ni la plus sûre avec les êtres émotionnels. OK. Eh bien, revenez. Ce clip est donc tiré du film in testla sorti en 2014 par le légendaire réalisateur Christopher Nolan Pour être honnête, il y a tellement d'autres clips que j' aurais pu choisir pour présenter ce dernier module. Cependant, j'ai choisi ce clip en particulier parce que je le trouvais très fascinant et qu'il montre efficacement l'avenir de l'intelligence artificielle. Dans le clip, nous avons le modèle d' IA appelé TAS qui aide les astronautes à lancer leur vaisseau spatial dans l' Et pendant le décollage, le modèle Tar Air commence à faire des blagues. Alors Cooper, le principal astronaute, demande à Taz. Il dit : « Quels sont vos paramètres d'humour », et Taz répond. Oh, c'est à 100 %. Et, bien sûr, Kuper n'aime pas ça, et il dit : OK, réduisons ce chiffre à 75 % Et plus loin dans le clip, Kooper demande à Taz quel est votre paramètre d'honnêteté ? Et Tas répond qu'il est à 90 %. Et Cooper, bien sûr, demande 90 %. Autrement dit, pourquoi n'est-ce pas à 100 % ? Maintenant, Tarz, le modèle d'IA est très, très intelligent. Il sait que Kuper demande pourquoi il est à 90 % Pourquoi pas à 100 % ? Et Tarz répond avec humour : « Oh, honnêteté absolue n'est pas le moyen le plus diplomatique ou le plus sûr de communiquer avec des êtres émotionnels Et j'ai trouvé ça vraiment très drôle parce que c'est vrai. Réfléchis-y, d'accord ? Dans la vie de tous les jours, dans les conversations quotidiennes, vous pouvez avoir envie de dire quelque chose que vous voulez dire à quelqu'un ce que vous ressentez réellement, mais parce que vous craignez qu'il ne s'énerve, qu'il soit offensé par ce que vous dites, même si c'est vrai, vous décidez alors : OK, je vais faire vous dites, même si c'est vrai, vous décidez alors : OK, je vais faire preuve de prudence et ne pas le être direct et ne sois pas si direct dans ce que je dis J'ai donc trouvé très fascinant que le modèle d' IA Taz sache que l' honnêteté à 100 % n'est probablement pas la meilleure façon de communiquer avec les êtres humains Une autre chose que nous avons observée dans ce clip en particulier est la possibilité de personnaliser nos modèles d'IA. Ici, Cooper est capable d'ajuster à la fois les paramètres d'humour et d'honnêteté pour les goudrons. Et c'est quelque chose qui finira par se produire à l'avenir avec nos modèles d'IA. Nous serons en mesure de les personnaliser. Ils peuvent commencer à sonner comme un cheval, à parler avec nos accents, etc. C'est donc quelque chose qui finira par arriver. Personnalisation personnalisée des modèles d'IA. J'espère donc que vous avez apprécié cette vidéo d'introduction à notre dernier module, le futur de l'IA. Commençons maintenant par le reste des leçons. 33. Tendances actuelles du développement de l'IA: Bon retour. Commençons donc un nouveau module en parlant des tendances actuelles en matière de développement de l'IA. Et quand vous regardez autour de vous, quel que soit le secteur ou le domaine dans lequel il s'agit, l'intelligence artificielle est déjà présente. Mais commençons par parler de l'IA dans l'automatisation et la transformation du personnel. Nous constatons déjà une augmentation de l'utilisation de l' automatisation pilotée par l' IA dans des secteurs tels que la fabrication, la logistique, le commerce de détail, etc. Et, bien sûr, le développement de ce que nous appelons l'automatisation robotique des processus, la RPA pour gérer les tâches répétitives C'est ce que l'on trouve dans les entreprises, dans les entreprises. Ils l'utilisent pour les forums de discussion, gestion des clients et bien plus encore Et, bien sûr, le chatbot et l'assistant virtuel du service client alimentés par l'IA , votre série Google, etc. Et puis le passage à la collaboration avec l'IA humaine. Mais qu'en est-il de l'IA dans les industries créatives ? Vous avez maintenant des modèles d'IA comme Dali, M Jony, qui sont capables générer des images réalistes Vous avez des modèles d'IA comme Sra d'Open AI, la même société qui a développé un ha JBT capable de convertir du texte en vidéos Et puis l'IA a généré de la musique et du clonage vocal. Nous les avons également. Et, bien entendu, nous avons certaines préoccupations éthiques concernant IA et les industries créatives, en particulier en ce qui concerne la question du FAC profond Nous avons déjà eu plusieurs incidents au cours desquels plusieurs criminels ont pu utiliser Deep Fake pour tromper leurs victimes. Et, bien entendu, l'IA fait partie de notre quotidien et de la personnalisation Par exemple, vous utilisez l'IA pour Netflix, YouTube, Spotify, Disney plus, etc., et, bien sûr, l'IA dans le commerce électronique avec l'utilisation de chatbots Et bien sûr, la personnalisation nos expériences d'achat, et bien sûr, assistants vocaux et les appareils intelligents tels que votre Google Series, Alexa d' Amazon, etc. Et, bien sûr, l'IA dans les réseaux sociaux. Nous utilisons désormais également l'IA pour générer du contenu. Et, bien sûr, l'IA dans les domaines de la santé et de la biotechnologie. C'est en fait très, très fascinant car nous disposons désormais de diagnostics basés sur l'IA, dans lesquels l'IA peut être utilisée pour détecter des maladies à l'aide de rayons X, d' IRM, etc. Ensuite, l'IA a également été utilisée pour la découverte de médicaments, où l'IA a été utilisée pour accélérer nos objectifs de recherche et produits pharmaceutiques, comme en témoigne le facteur alpha de Dip minds, qui est capable de prédire les structures des protéines. Je ne vais pas prétendre savoir exactement ce que c'est, mais nous avons des chirurgies assistées par IA L'IA est devenue si avancée de nos jours qu'elle peut être utile en chirurgie avec peu ou pas d'intervention humaine, et bien sûr, en analyse prédictive en médecine. Nous utilisons désormais l'IA pour prévoir les épidémies et les tendances en matière de santé des patients. Et bien entendu, ce cours ne sera pas complet sans parler de l'utilisation de l'IA dans finance et, bien entendu, de la cybersécurité. IA est donc utilisée dans trading algorithmique, où des stratégies financières basées sur l'IA qui analysent les tendances du marché en temps réel ont été développées Et, bien entendu, en matière de cybersécurité, nous pouvons utiliser l'IA pour détecter les fraudes. Et l'IA fait partie de la cybersécurité où l'IA peut être utilisée pour la détection des menaces, les réponses automatisées ainsi que l'évaluation des vulnérabilités. À présent, quel est l' avenir de l'intégration de l'IA ? Trois points principaux de l'IA de pointe, où l'IA fonctionnera désormais directement sur les appareils mobiles plutôt que de s'appuyer sur le cloud computing. Et puis l'IoT, l'Internet des objets, a été propulsé par l'IA. Nous allons donc désormais utiliser l'IA pour alimenter nos maisons intelligentes, nos villes intelligentes, nos réseaux intelligents, etc. Et, bien sûr, la démocratisation de l' IA, où l'IA deviendra plus accessible à ceux qui n'ont pas de formation technique Il y a donc quelques points clés à retenir ici. Comme vous le savez, l'intelligence artificielle transforme de nombreux secteurs, des soins de santé à la finance en passant par Hollywood. Et bien entendu, la combinaison de l'IA et de l'automatisation remodèle le monde du travail Mais la collaboration humaine en matière d'IA sera essentielle. Enfin, nous avons des considérations éthiques, réglementations et un développement responsable de l'IA, qui seront essentiels à mesure que l'IA s' intègre de plus en plus dans notre vie quotidienne. C'est donc merci d'avoir regardé la vidéo. Je te verrai au prochain cours. 34. La prochaine frontière - IA générale vs IA: Bon retour, alors maintenant. Jetons un coup d'œil à un sujet très fascinant. Et ici, nous comparons l'IA générale à l'IA étroite. Qu'est-ce que l'IA étroite ? Maintenant, nous en avons déjà parlé précédemment. Ce sont des IA qui excellent dans l'exécution d'un type de fonction spécifique. Et nous en avons de nombreux exemples. Vous avez l'examen de votre Amazon, le numéro de série de Google, etc. Et bien sûr, des algorithmes de recommandation tels que YouTube, Spotify, Netflix, et même vos modèles d'IA comme votre Chi JPT, Claude, Dipsik Ce sont tous des exemples d'IA étroite. Mais nous avons certaines caractéristiques clés, par exemple, ils sont hautement spécialisés, ce qui signifie qu'ils peuvent exceller dans un type de tâche en particulier. Et puis, bien sûr, elles sont axées sur les données. Ils ont besoin d'énormes quantités de données. Ils manquent également de raisonnement. Ils sont incapables de comprendre les concepts au-delà de leur formation et, bien entendu, ils n'ont pas de véritable autonomie, ce qui signifie que l'IA modélise l'IA faible. Ils peuvent soit prendre des décisions en fonction de règles, soit simplement en fonction d'un comportement appris. En d'autres termes, ils sont très, très flexibles dans la façon dont ils exécutent leurs tâches. Mais le fait est qu'aujourd'hui, si vous regardez des modèles tels que ChagPT Siri et Deep Seek, etc., ils semblent tous très puissants et , Siri et Deep Seek, etc., ils semblent tous très puissants et très compétents dans leur domaine, mais ils sont toujours considérés comme une IA faible Et c'est parce que nous avons les possibilités théoriques et peut-être pratiques d'une IA générale. Maintenant, qu'est-ce que l'IA générale ? Cela fait référence à une IA de niveau humain, dotée de capacités cognitives, capable de comprendre, raisonner et d'apprendre dans de multiples domaines sans aucune formation préalable sans avoir été explicitement formée à l'une de ces tâches. En d'autres termes, nous parlons d'une intelligence artificielle qui peut réellement égaler ou peut-être même surpasser l'intelligence humaine Alors, que serait capable de faire AGI ? Eh bien, AGI, General AI nous serons capables de comprendre et d'apprendre n'importe quel sujet, comme n'importe quel être humain normal, résoudre de nouveaux problèmes inconnus sans aucune formation préalable. Donc, en gros, il sera capable de raisonner et résoudre de nouveaux problèmes par lui-même, de faire preuve de créativité raisonnement sensé, puis de s'adapter à différents environnements sans aucune programmation supplémentaire. Il va devenir très adaptable, très flexible, puis posséder une conscience de soi et une pensée indépendante. Mais cela reste très discutable. Certains pensent que, oui, nous pourrions éventuellement obtenir intelligence artificielle si intelligente, si puissante. Je serai capable de penser de manière indépendante, prendre conscience de moi, alors que beaucoup d'autres pensent que cela ne sera jamais réalisable Quels sont donc les efforts de recherche actuels de l' AGI ? Nous avons des entreprises comme Open AI, Deep Mind et anthropic Elles font partie des entreprises qui s' efforcent de généraliser l'IA. Des modèles d'IA tels que GPT version 4. Même s'ils sont extrêmement puissants et qu'ils deviennent de plus en plus généraux, ils ne sont toujours pas vraiment des IA généralistes. Et maintenant, certains chercheurs, ceux qui sont très optimistes, ceux qui pensent que nous atteindrons l'AGI, envisagent un horizon de 10 à 50 ans Eh bien, comme je l'ai dit plus tôt, certains ne croient pas que nous atteindrons un jour l'AGI. Quelles sont donc les principales caractéristiques de l'AGI ? Eh bien, tout d'abord, apprenez par l'expérience, tout comme un être humain peut transférer des connaissances entre différentes tâches. Supposons, par exemple, que vous ayez confié la première tâche à l'IA générale, elle exécute cette tâche. Vous lui confiez ensuite la deuxième tâche. S'il existe des similitudes entre la tâche 1 et la tâche 2, il pourrait être en mesure de transférer les connaissances acquises en travaillant sur la tâche 1 à la tâche 2, encore une fois, comme un être humain normal, puis de faire preuve de raisonnement, de résolution de problèmes et d'adaptabilité, puis de prendre des décisions potentiellement autonomes En d'autres termes, soyez capable de penser de manière indépendante. Telles sont les principales caractéristiques de l'AGI. J'ai le tableau dans lequel je vous ai montré les principales différences entre une IA générale et, bien sûr, une IA faible. Et, bien entendu, dans la plupart de ces fonctionnalités, IA générale surpasse l'IA étroite La seule chose, cependant, c'est qu' ce qui concerne l'existence actuelle, nous avons une IA étroite. C'est déjà une mince affaire, alors que l'IA générale est encore théorique à ce stade. Quels sont donc, en fait, les défis liés à la réalisation de l' AGI ? Quel est le problème ? Pourquoi les développeurs ne sont-ils pas en plein air, et pourquoi ne nous ont-ils pas encore donné AGI ? Eh bien, comme vous pouvez l'imaginer, nous sommes confrontés à des défis techniques. Et si vous pensez que deep learning nécessite un énorme pouvoir concurrentiel, ce n'est rien comparé au type de pouvoir concurrentiel requis pour Et puis l'efficacité des données, bien entendu, AGI nécessitera d'énormes quantités de données, ce qui reste un défi. Et puis le raisonnement fondé sur le bon sens , l' IA, telle que nous la connaissons aujourd'hui, peine encore à comprendre des concepts abstraits. Il est incapable de raisonner et de déchiffrer ce qu'ils sont. Et puis mémoire et adaptabilité, AGI devrait être capable de démontrer sa capacité à conserver et à appliquer les connaissances dans différents scénarios En d'autres termes, le type de connaissances et d'intelligence que doit posséder AGI est extrêmement difficile à atteindre. Nous avons également les préoccupations éthiques et de sécurité d'AGI. Et si l'AGI surpassait réellement l'intelligence humaine ? Comment le contrôler, non ? C'est toujours la grande question. Et, bien sûr, partialité et équité. Pour être honnête, sans jeu de mots, il s'agit d'un défi de taille pour tous les types d' IA, s'agit d'un défi de taille pour tous les types d' et pas seulement pour l'IA en général Ensuite, comment faire en sorte que les objectifs de l'AGI soient conformes aux valeurs humaines et, bien entendu, aux risques potentiels ? conformes aux valeurs humaines et, bien entendu, aux risques potentiels Que se passera-t-il si les méchants, si les cybercriminels mettent la main sur l'IA générale ? Les conséquences pourraient être désastreuses. Et puis, bien sûr, les questions philosophiques et théoriques. L'IA peut-elle être consciente ? Hein ? Imaginez ça. Les philosophes se demandent si l'AGI pourrait avoir des expériences subjectives À quel point ce serait fou ? Vous êtes presque en train de parler d' intelligence artificielle, d'émotions. Je veux dire, c'est assez proche, non ? Et alors, l'AGI remplacera-t-elle les humains ? La race humaine cessera-t-elle d'exister parce que l'AGI dirige désormais le monde ? Eh bien, certains craignent que l' AGI puisse surpasser les humains dans toutes les tâches entraînant un déplacement d' emploi ou pire encore Et puis peut-être que la plus grande question de toutes si nous devrions réellement créer AGI ? Juste parce que nous le pouvons, cela signifie-t-il que nous devons ou que nous devons le faire ? Il est peut-être parfois préférable de simplement dire : « Écoutez, écoutez, IA étroite que nous avons maintenant existe, elle est suffisante. Nous pouvons l'améliorer. Mais à un moment donné, nous devons dire : OK, cela devient bien trop avancé. Cela devient bien trop intelligent. Nous devons faire un pas en arrière. Voilà donc en quelque sorte les questions philosophiques très intéressantes qui ont été posées. Alors, en route vers l'AGI, où en sommes-nous aujourd'hui en 2025 ? Eh bien, les systèmes d' intelligence artificielle sont de plus en plus puissants, mais ils ne les comprennent toujours pas vraiment. Aujourd'hui, certains chercheurs pensent que l'AGI nécessitera également des avancées fondamentales dans les domaines des neurosciences, des sciences cognitives et de l'apprentissage automatique D'autres proposent également que l'utilisation de modèles d'habitudes, ceux qui combinent le raisonnement symbolique avec l'apprentissage profond, pourrait nous rapprocher de l'AGI. Ensuite, les réglementations et politiques de l'AGI sont de plus en plus importantes pour guider le développement éthique de l'AGI. Mais que se passerait-il si nous finissions par atteindre l'AGI ? Quelles sont les implications futures possibles ? Eh bien, une intelligence surhumaine pourrait AGI surpasser l' intelligence humaine et révolutionner tous les domaines . C'est une possibilité. Et puis, bien sûr, les marchés du travail. Le fait est que nous n' avons même pas besoin d'aller jusqu'à AGI. Regardez ce qui s'est passé aujourd'hui. Une IA faible, Chagpt et ses corps remplacent déjà tant de personnes De nombreux emplois ont déjà été perdus à cause de l'introduction d'une IA étroite. Imaginez maintenant ce qui se passera lorsque IA générale sera introduite. Cela va peut-être déplacer encore plus de personnes. Il en résultera encore davantage de pertes d'emplois. Et, bien sûr, la gouvernance éthique de l'IA. Comment faire en sorte que l'AGI reste bénéfique et ne devienne pas inutile ? Il ne tombe pas entre de mauvaises mains. Et maintenant, la collaboration avec l'IA humaine pourrait en fait permettre à l'AGI travailler aux côtés des humains, améliorant ainsi nos capacités plutôt que de nous remplacer. Je suis sûr que vous avez vu des films comme Terminator, etc. Dans ces films, AGI choisit Ça dit : « Tu sais quoi ? Je ne vais pas marcher avec des humains. Les humains sont une menace pour mon existence. Je vais juste détruire toute l'humanité. C'est ce qui se passe dans les films. J'espère que cela n' arrivera pas dans la vraie vie. Donc, juste quelques points clés à retenir. L'IA réseau est omniprésente aujourd'hui. L'AGI est encore théorique à ce stade. Si nous y parvenons, l'AGI sera capable de raisonner, de résoudre des problèmes et de s'adapter, tout comme un être humain, et la réalisation de l'AGI pose d'énormes problèmes ou défis techniques, éthiques et de sécurité. L'avenir de l'AGI pourrait alors remodeler l'industrie, la société et même l'humanité elle-même Alors, seul le temps nous le dira si nous atteindrons l' AGI. Merci d'avoir regardé la vidéo. Je te verrai au prochain cours. 35. L'IA et la main-d'œuvre - L'IA remplacera-t-elle les emplois: Revenez, alors jetons un coup d' œil à la prochaine leçon. Et bien sûr, c'est la question du million de dollars. L'IA remplacera-t-elle votre emploi ? Eh bien, découvrons-le. Tout d'abord, parlons effets actuels de l' IA sur le personnel. Aujourd'hui, l'IA est utilisée pour automatiser des tâches très répétitives et ennuyeuses. L'IA a été utilisée pour améliorer l'efficacité. Et, bien entendu, avec l'introduction de l'IA, nouveaux types de rôles ont été créés, de nouveaux types de transporteurs ont été créés grâce à l'IA. Et en raison de l' introduction de l'IA, les travailleurs devront acquérir de nouvelles compétences numériques pour survivre. Réfléchis-y, d'accord. Imaginez un travailleur d'aujourd'hui qui ne sait pas comment utiliser Internet. Il est presque impossible de s'en sortir, non ? À un moment ou à un autre, nous devrons donc tous apprendre les bases de l' IA pour être employables Quels sont donc les emplois les plus menacés par l'IA et l'automatisation ? Il y a ceux de la fabrication et la logistique où nous avons maintenant des robots alimentés par l'IA qui travaillent dans les chaînes de montage. Ils ont remplacé tous les humains. Vous en avez dans le commerce de détail et le service à la clientèle. Nous avons maintenant des chatbots alimentés par l'IA qui peuvent très bien faire le travail Vous avez des règles relatives à la saisie et à l'administration de ces données. Bien entendu, l'IA peut désormais gérer les feuilles de calcul et, vous savez, l' analyse des documents, etc. Et puis en ce qui concerne le transport et la livraison, même si cela n'a pas encore été pleinement appliqué, nous finirons par avoir camions autonomes et des taxes sur la conduite autonome qui pourront faire l'affaire. Mais tout n'est pas sombre et l'IA va tous nous remplacer De nouveaux types de rôles seront créés grâce à l'IA, par exemple les ingénieurs en IA et en apprentissage automatique. De toute évidence, nous allons créer de nouveaux types de modèles ou réentraîner et améliorer les modèles d'IA existants. Et puis les data scientists et les analystes n' oublient pas que les données sont la pierre angulaire de l'IA Nous allons donc également avoir besoin de data scientists. Et bien sûr, les experts en cybersécurité qui utiliseront l'IA pour accomplir leurs tâches, puis les formateurs en IA et les spécialistes de l'éthique qui veilleront à ce que les modèles d'IA soient conformes aux normes éthiques, et bien sûr, les spécialistes de la collaboration en IA humaine qui et bien sûr, les spécialistes de la collaboration en IA humaine gèrent les flux de travail humains liés à l'IA dans l'industrie. Voici donc quelques exemples des types de carrières qui se développeront grâce à l'IA. Mais nous avons également certaines carrières qui seront améliorées par l'IA. Par exemple, dans le cadre du développement de logiciels, nous allons avoir des programmeurs qui pourront utiliser l' IA pour améliorer leur niveau de programmation, assistance au codage AI Pow, etc. Ensuite, dans le domaine des soins de santé, IA sera également en mesure d'aider les médecins dans les domaines du diagnostic, de la chirurgie et des soins aux patients. Et même dans les domaines créatifs de l'industrie créative, où les outils d'intelligence artificielle peuvent aider les concepteurs, les écrivains et les musiciens à générer de nouvelles idées. Et il existe quelques autres professions où l'IA peut les améliorer, dans le domaine de la cybersécurité, tout comme je suis moi-même spécialiste de la cybersécurité. L'IA peut être utilisée pour détecter et décourager les cyberattaques. En fin de compte, la question qui se pose actuellement est de savoir si IA remplacera complètement les travailleurs humains. Qu'est-ce que tu en penses ? À mon humble avis, je crois que l'IA remplacera inévitablement plusieurs millions d'emplois et que des millions de types d'emplois seront perdus à cause de l'IA. Alors que de nouveaux rôles, de nouveaux emplois seront créés, nouvelles opportunités seront créées grâce à l'IA. Je ne sais pas quelles seront les implications économiques, car toutes les personnes dont le travail a été remplacé par l' IA ne seront pas dont le travail a été remplacé par en mesure d'en obtenir un nouveau. Alors, que leur arrive-t-il, non ? Je ne sais pas C'est une question à laquelle il faut réfléchir, mais nous verrons. Nous verrons ce qui va se passer. Voici donc quelques points clés à retenir avant de terminer la leçon L'IA automatise certains emplois, mais crée également de nouvelles opportunités. Je pense que l'idée ici est que vous devriez simplement vous positionner de manière à tirer parti de l'introduction de l'IA parce que, qu' veuille ou non, l'IA est là. C'est le présent, et ce sera aussi le futur. Les tâches répétitives peu qualifiées présentent donc un risque accru d'automatisation. L'IA améliore les rôles au lieu de les remplacer dans de nombreux domaines créatifs et analytiques. Et, bien entendu, pour s'adapter aux lieux de travail axés sur l' IA, il faudra améliorer les compétences et apprendre tout au long de la vie Comme je l'ai dit plus tôt, à cause de l'IA, nous allons tous être obligés d'apprendre quelques notions de base de l'IA. Et, bien entendu, l'avenir réside dans la collaboration humaine dans le domaine de l'IA, et non dans l'automatisation totale. Merci d'avoir regardé. Je te verrai au prochain cours. 36. IA et superintelligence - Hype ou réalité: Eh bien, revenez. Pour terminer ce module, jetons un coup d'œil à notre dernière leçon. Et ici, nous discutons de l' IA et de la super intelligence. Pour être honnête, je ne savais pas si je devais tirer une leçon, car à mon humble avis, il est très peu probable que nous y parvenions un jour, mais c'est néanmoins un sujet fascinant. Alors parlons-en. Maintenant, qu'est-ce que la super intelligence ASI exactement ? Eh bien, il s'agit essentiellement d'une IA qui va surpasser les humains dans tous les domaines, y compris la créativité, raisonnement, la prise de décision, etc. Donc, en gros, nous parlons d'une intelligence qui deviendra notre maître. Désormais, contrairement à l'IA étroite et générale, ASI sera autonome et potentiellement dépasser de loin les capacités cognitives humaines. Ainsi, par exemple, si nous finissons par développer l'ASI, la superintelligence elle-même pourrait concevoir de meilleures versions d'elle-même, accélérant ainsi rapidement son intelligence au-delà du contrôle humain Donc, cette vieille théorie selon laquelle l' IA envahit le monde deviendra une réelle possibilité si nous parvenons à une super intelligence. Est-il donc réellement possible ? Si nous atteignons un jour ce stade de superintelligence dans l'IA certains facteurs pointent faveur de cette superintelligence et d'autres facteurs indiquent que nous n' y arriverons pas Quels sont donc les arguments en faveur de la concrétisation de l'ASI ? Eh bien, tout d'abord, la croissance de la puissance de calcul. Maintenant, évidemment, pour alimenter des modèles super intelligents, il faudra une énorme puissance de calcul. Mais étant donné que la puissance de calcul augmente de façon exponentielle, il ne fait puissance de calcul augmente de façon exponentielle, aucun doute qu' à un moment donné dans le futur, nous aurons suffisamment de puissance de calcul pour tels modèles d'IA Maintenant, les progrès réalisés dans les réseaux de neurones également. Vous avez des modèles d'apprentissage profond qui deviennent de plus en plus sophistiqués de jour en jour. Vous avez une IA auto-apprenante alors que nous avons déjà une IA capable de s'améliorer capable de s'améliorer, par exemple, l'Alpha zéro. Il s'agit d'un modèle d'IA qui apprend à jouer aux échecs, et il a appris par lui-même en jouant simplement contre lui-même. Donc, des avancées dans le domaine de l'AGI également. Si l'AGI est finalement atteinte à l'IA générale, la prochaine étape après l'IA générale sera la superintelligence ASI Certains éminents chercheurs en IA, comme Nick Bostrom, qui est également l'auteur de la superintelligence, pensent donc qui est également l'auteur de la superintelligence, que l' IA pourrait devenir une réelle possibilité au cours du 21e siècle Mais comme je l'ai dit, nous avons des arguments en faveur de l'ASI, mais nous avons également des arguments contre l'ASI. Tout d'abord, les limites du calcul, intelligence humaine ne se limite pas à une question de compétence mondiale Une seule conscience est toujours un problème non résolu. Cela reste donc un défi de taille en ce qui concerne le développement de l'ASI et le manque de véritable intelligence générale. Avant de pouvoir obtenir une super intelligence, nous devons développer une IA générale. Nous n'avons même pas encore atteint l'IA générale. Certains parlent déjà de super intelligence. Alors peut-être devrions-nous d'abord parvenir à une IA générale avant commencer à parler de superintelligence Et puis la créativité et les émotions humaines, l' IA manquera toujours de curiosité, d' émotions et de capacité à découvrir le monde. C'est là l'un des principaux arguments contre la superintelligence Aussi intelligente soit-elle, elle reste une machine. Il n'est toujours pas capable de développer des émotions, non ? Et puis des obstacles éthiques et techniques, non ? Le monde peut intentionnellement empêcher apparition de l' ASI en raison de risques pour la sécurité. Il se peut donc que nous ayons acquis l'expertise technique. Nous avons la puissance de calcul. Mais encore une fois, ce n'est pas parce que nous pouvons développer une super intelligence pouvons développer une super intelligence que nous devons nécessairement le faire. C'est peut-être ce qui nous empêche réellement d' atteindre l'ASI. Certains sceptiques comme Gary Marcos soutiennent donc que l'IA manque de véritable compréhension et qu' il est peu probable qu'elle atteigne une super Passons à autre chose. Quels sont les risques et les préoccupations éthiques de l'ASI ? Et comme vous pouvez le voir sur cette diapositive, vous avez un robot très effrayant qui vous sourit. Ce n'est évidemment pas un sourire agréable. C'est une sorte de sourire très, tu sais, diabolique. C'est, bien sûr, le Terminator. Si vous n'avez pas vu le film avant Terminator 1 et 2, je vous encourage vivement à le regarder C'est un moment amusant. Terminator 2 est en fait mon film préféré de tous les temps. C'est le numéro un pour moi. Donc, juste au cas où l'action vous intéresserait, Scify, jetez un coup d'œil aux films, mais pourquoi est-ce que j'utilise cette image de The Terminator en particulier Eh bien, c'est parce que dans le film, vous avez développé une super intelligence. Le modèle s'appelait Skynet, et Skynet a finalement décidé un jour de le faire, vous savez quoi ? Je vais détruire l'humanité. Je vais détruire l'humanité, et Skynet a fait la guerre à un Alors jetez-y un coup d'œil. Quels sont donc les risques et les préoccupations éthiques de l'ASI ? Tout d'abord, la perte de contrôle humain. Il est possible que l'intelligence artificielle devienne si puissante, si intelligente qu'en tant qu'humains, nous ne serons plus en mesure de la contrôler. Et que le risque existentiel si objectifs de l' ASI ne correspondent pas aux valeurs humaines pourrait être dangereux Je pourrais même être désastreuse. Donc des perturbations économiques. Avec une IA étroite, de nombreuses personnes perdent leur emploi. Si l'IA générale est introduite, encore plus d' emplois seront perdus. Mais que se passera-t-il maintenant si la super intelligence ultime est désormais introduite ? Des millions et des millions d' emplois seront rendus obsolètes en raison de ce nouveau type de technologie. Et puis, bien sûr, en ce qui concerne la prise de décision autonome, une IA pourrait-elle décider que les humains sont inefficaces ou nécessaires ? C'est un peu ce qui s'est passé dans le film Terminator. Par exemple, je veux vous montrer , eh bien, je ne vais pas vous le montrer. Tu peux le vérifier toi-même. Tu peux aller sur YouTube. Le nom de la chaîne s'appelle Isaac Author. Il simplement d'une expérience appelée Paper clip Maximizer Il s'agissait en fait d'une expérience qui a imaginé une IA conçue pour créer des trombones. Mais l'IA est devenue si avancée et si efficace qu'elle a décidé elle-même de convertir toute la matière du monde, y compris les êtres humains, en trombones. C'est en fait une vidéo très, très fascinante sur YouTube. Je pense que c'est environ 12 à 15 minutes. Vous pouvez certainement y jeter un œil. Encore une fois, le nom de la chaîne YouTube est Isaac Ortho. Recherchez simplement la vidéo Paper Clip Maximizer, si vous souhaitez la consulter. Donc, pour nous prémunir contre l'ASI non contrôlée, pouvons-nous faire pour garantir que si l'ASI est atteinte, elle soit maîtrisée Eh bien, tout d'abord, la recherche sur l'alignement de l'IA, afin de garantir que l'IA comprend et respecte les valeurs humaines. Nous l'espérons. Et puis la surveillance réglementaire. Honnêtement, je ne suis pas nécessairement le plus grand fan de la surveillance et de la réglementation gouvernementales. Mais dans certains types de technologies comme l'IA ou, dans ce cas, ASI, je suis tout à fait d'accord pour dire qu' une certaine surveillance gouvernementale sera nécessaire. Et puis, bien sûr, les mécanismes de coupe-circuit, non ? Imaginez si la superintelligence de l'ASI décide ainsi, vous savez quoi ? Je vais éliminer l'humanité. Je vais tuer tous les humains. Nous devrions mettre en place des mécanismes de kill switch pour arrêter immédiatement cette IA. Et ces Kill Switch fonctionnent mieux, non ? Et puis, bien sûr, les cadres éthiques de l'IA. La recherche sur l'IA doit donner la priorité à la sécurité, à la transparence et, bien entendu, à la responsabilité. Par exemple, l' IA ouverte et l'esprit profond. Ce sont des entreprises. Ils étudient activement sécurité de l' IA pour empêcher une croissance incontrôlée de l'IA, et nous espérons qu'ils y parviendront Quelle est donc la progression de la pièce vers l'ASI ? Eh bien, aucune IA existante n'a atteint l'AGI, encore moins l'ASI. Donc, comme je l'ai dit plus tôt, cela va prendre beaucoup de temps si nous finissons par arriver à l'ASI. principaux modèles d'IA tels que votre GPT, Dip Mine , etc. reposent donc toujours sur des contributions humaines Encore une fois, nous sommes loin de pouvoir accéder à la superintelligence, et certains modèles d'IA peuvent s'améliorer eux-mêmes dans des tâches précises, mais pas nécessairement d'une manière plus large ou plus générale Et les discussions et réglementations relatives à l'éthique en matière d'IA se multiplient dans le monde entier. Ainsi, de plus en plus de gouvernements du monde entier commencent à reconnaître l'impact de l'IA et cherchent des moyens réglementer l'utilisation de l'IA à l'échelle mondiale. Donc, selon les prévisions, la plupart des experts pensent que l'AGI, niveau humain, l'IA pourraient émerger d'ici 50 ans. Mais l'ASI, qui est, bien entendu, le summum de l'intelligence artificielle super intelligente , est bien plus éloignée, si possible. Principaux points à retenir. Eh bien, l'ASI fait référence à une IA qui surpassera l'intelligence humaine Bien entendu, certains experts pensent que l'ASI est possible, tandis que d'autres ne pensent pas que nous y parviendrons un jour. Les principaux risques liés à l'ASI incluent la perte de contrôle, les menaces existentielles et, bien entendu, les perturbations économiques massives mesures de sécurité et les réglementations éthiques relatives à l'IA sont essentielles pour, bien entendu, éviter des conséquences imprévues Et actuellement, l'ASI, tout comme l' AGI, est encore théorique, et l'AGI ici n'a même pas encore été atteinte. Donc, honnêtement, je ne pense pas que de notre vivant, nous atteindrons un jour les niveaux de l'ASI. AGI, je pense, finira par y arriver, peut-être dans 25 ans, mais en tant que tel, je ne pense pas que nous y arriverons un jour dans une vie . Peut-être qu'en l'an 3 000 et quelque chose comme ça, peut-être qu'un jour les humains seront capables d'atteindre l'ASI. Mais c'est tout pour les leçons, merci d'avoir regardé, je vous verrai au prochain cours. 37. Conclusion du cours sur l'IA: Eh bien, félicitations. Nous sommes arrivés à la fin de ce cours sur l'intelligence artificielle. Du fond du cœur, permettez-moi de vous remercier d'avoir terminé ce cours, et j'espère sincèrement que vous avez trouvé les leçons très divertissantes, captivantes, mais surtout instructives. Et si vous avez l'impression d'en avoir pour votre argent, si vous avez l'impression d' aimer ce cours, vous apprendrez beaucoup de choses. Veuillez envisager de laisser un commentaire écrit. Les critiques m'aideront beaucoup, et elles aideront également vraiment à améliorer ce cours. Merci donc beaucoup pour votre soutien. Maintenant, si c'est la dernière fois que je te vois dans l'un de mes cours, je te souhaite juste bonne chance. J'espère que ce cours vous aidera dans votre vie de tous les jours. Je pourrais également vous donner le coup de pouce à votre carrière que vous recherchiez. Et si je vous vois suivre un autre de mes cours, qu'il s'agisse d'un cours de cybersécurité, d' un cours de développement Web ou d'un autre cours sur l'IA, je vous y verrai Ça va être incroyable. Néanmoins, merci beaucoup, encore une fois, d'avoir suivi ce cours, de l'avoir terminé. Bonne chance, et je te verrai la prochaine fois. Échecs.