Transcription
1. 1: Bonjour à tous. Je suis sûr que vous
avez vu et lu la guerre et l'
intelligence artificielle à plusieurs reprises. Et très probablement,
vous êtes déjà utilisateur tous les
outils basés sur l'IA de votre vie. Maintenant, vous vous demandez comment tout
cela fonctionne à un niveau élevé ? Et
aimeriez-vous en savoir plus façon dont votre travail et votre vie transformeront la façon dont ils meurent. Au cours des cinq prochaines années. L'IA a-t-elle
des limites ? Enfin, où allons-nous
avec cette technique qui
évolue rapidement ? Si vous avez l'une de
ces questions, veuillez
vous
inscrire au cours. Je vais vous donner un bref historique
de l'IA, comment fonctionne l'instinct ici. Je vais vous donner différents
exemples provenant de différents secteurs et de la façon dont
ils utilisent actuellement l'IA. Et je vais essayer de démystifier
certains mythes entourant l'IA, ce que vous pouvez et ne pouvez pas attendre de l'IA au cours
des cinq prochaines années. Enfin, où
allons-nous alors que nous collectons davantage de données et développons des algorithmes d'
IA plus avancés ? À la fin de ce cours, vous serez en mesure d'utiliser
ces informations pour
planifier votre vie
et votre propre carrière. Mon nom est dit, j'ai étudié l'intelligence naturelle et
artificielle à l'université de Cambridge,
puis j'ai pris mon thé, également cofondateur
de cognitively t, une société d'IA
dédiée à l'amélioration de la santé . Merci de votre attention et j'espère
vous voir en classe.
2. 2. Projet: Super. En ce qui concerne le projet de cours, je voudrais que vous réalisiez une vidéo
de vous-même décrivant un outil ou une
application que vous utilisez actuellement et qui
est alimenté par l'IA. Et je veux que vous
décriviez dans votre vidéo comment vous pensez que l'IA utilise
actuellement ce produit. Et essayez peut-être de mentionner les principales fonctionnalités ou points forts qui sont
particulièrement alimentés par l'IA. Et si vous pouviez
essayer de prédire ou de
comprendre comment ces fonctionnalités
auraient existé ou n'auraient pas existé sans interface utilisateur,
cela constituerait une valeur ajoutée. Enfin, j'ai essayé voir comment cette application ou cet
outil que vous décrivez évoluera dans les cinq
prochaines années, évoluera dans les cinq
prochaines années car je vais
progresser davantage. Sur la base de ce que vous
entendrez dans les prochaines leçons, cela vous aidera
à vous faire une idée de la direction que
nous prenons avec les
nouvelles avancées en matière d'IA. Si complet, cela vous aidera
à prévoir ce qui va
se passer au cours des
cinq prochaines années. Super. Enfin, lorsque vous aurez terminé, veuillez
publier vos projets dans la galerie de projets.
3. 3. L'heure et l'historique de l'IA: Très bien, aujourd'hui c'est notre première séance
et je vais vous présenter un
bref historique
de l'œil, d'
où nous avons
commencé et où nous en sommes aujourd'hui, et de la sorte de prise de conscience
qui pourrait se produire dans le futur. Ce sera
une chronologie rapide. Je pense qu'il est juste de dire qu'
Alan Turing,
en 1951 , faisait probablement
partie des premiers à
rêver d'IA. Il avait de l'imagination et je vais lui lire
le code. Il a dit qu'à un moment donné, nous devrions
donc nous
attendre à ce qu'elles prennent le contrôle de ces
machines . C'était donc une sorte d'imagination
rythmique à l'
époque, en 1951. Bien sûr, si les choses ne
se sont pas passées aussi rapidement, c'était
apparemment beaucoup plus difficile que ce que les
générations humaines ont connues au départ. Donc, en cas d'échec par la suite. En 1957. Il y avait ces
variances initiales des réseaux de neurones. En termes simples, les réseaux de
neurones sont ces grands réseaux
de connexions. Et vous leur donnez des informations, vous les multipliez par un ensemble de poids et vous
obtenez une altitude. Il s'agit d'une couche de
ces réseaux neuronaux. Ce réseau neuronal à couche unique. Ils s'appelaient
perceptron et ne pouvaient résoudre que des problèmes linéaires. Ils sont donc devenus très
populaires de 1957 à 1960 auprès de Frank Rosenblatt. Il était l'un des
principaux acteurs visuels à l'origine de l'
introduction de ces perceptrons. Et après 1960,
l' engouement autour de ces
réseaux a commencé à diminuer. En particulier parce
qu'ils ne pouvaient résoudre que des problèmes
linéaires et qu'ils
étaient lourds à entraîner. Il n'y avait donc pas suffisamment d'unités
de traitement
puissantes pour pouvoir former
ces réseaux. Et les ensembles de données n'étaient pas
assez volumineux. Il s'agissait donc de deux
limites principales, ou de trois limites principales concernant
les précepteurs. Quelques années plus tard, une
autre caractéristique, peut-être, a été la publication de ce document, que nous appellerons VLSI analogique, implémentation de systèmes
neuronaux. Nous pourrions peut-être marquer
cela comme une autre marque de fabrique. Mais le professeur Deep Blue était encore plus
enthousiasmant en
1997. Celui-ci, Kasparov aux échecs. Il s'agissait donc d'une
décision historique en 1997. Et comme nous y reviendrons plus tard dans
l'une des sessions, je vais simplement le souligner ici. Cette très grosse machine. C'était son principal
avantage,
car les humains avaient une
très grande mémoire. Donc, quel
que soit
le mouvement du chapeau de Kasparov, cela aurait permis de créer un
très grand arbre de décision et de prédire quel
serait le meilleur coup suivant. Si Kasparov vient avec
celui-ci ou celui-ci. Cela permettrait donc de prédire
toutes les manières possibles jusqu'à la fin du jeu dans
un très grand arbre de décision. Et c'est un peu comme ça que l'
algorithme, nous allons l'appeler. On pourrait dire que c'est un algorithme
intelligent qui fonctionne. Le principal avantage
était donc d'avoir une très
grande mémoire et de
pouvoir construire
cet arbre de décision. Maintenant, dans les années 2000, quelque chose d'excitant est apparu. C'est ce qu'on appelle simplement les unités
de traitement graphique. Et il ne s'agissait pas
d'une avancée matérielle. Et les unités de traitement graphique permettent le
traitement parallèle d'une opération. Traitement parallèle massif, une seule opération. C'était en fait quelque chose qui pouvait beaucoup aider
avec les réseaux de neurones. Nous y reviendrons maintenant,
en 2012‑2010, aux alentours de cette date. D'accord, donc en 2 000, nous avons
donc eu cette
introduction des GPU. Comme je l'ai dit plus tôt, l'
une des limites
des premiers réseaux de neurones,
les perceptrons. Outre le matériel, il y avait le manque de données, mégadonnées et de mégadonnées étiquetées. Ainsi, en 2009 et vers 2009-2010, les universités, les
instituts, etc., ont commencé à créer
ces grands ensembles de données étiquetés. L'ImageNet est
peut-être le plus populaire à l'heure actuelle. Le monde du traitement visuel, de la reconnaissance
visuelle d'objets. Ce concours ImageNet
qui existait au MIT. Il s'agit d'un très grand ensemble de données, de
millions d'images
étiquetées en fonction des objets qu'elles contiennent. Je veux dire, cette
année, nous avons beaucoup plus de jeux de données étiquetés. C'était donc une sorte d'
invite, une autre caractéristique. Aujourd'hui, en 2010, nous avons ces GPU et de grands ensembles de données
étiquetés. Alors, que se passera-t-il ensuite ? En 2012, il y a ce concours
ImageNet et un nouveau réseau de neurones que les
élèves appellent désormais algorithmes d'apprentissage
profond,
a été introduit par Alex Krizhevsky
dans l'équipe commerciale en compétition et il a remporté tous les autres
algorithmes en termes de distance. Donc, pour faire simple, c'était une sorte de perceptron
multicouche. Maintenant, parce que les GPU
et les grands ensembles de données étiquetés ont permis ou compensé les limites de
ces perceptrons. Donc, c'est devenu un peu
possible prix, bien sûr, ils avaient aussi quelques innovations
et nouveautés. Faites fonctionner l'algorithme. Moins de paramètres n'étaient
pas étroitement liés. Juste là en 2014. Nous avons grandi avec quelques autres enfants. Nous avons montré qu'il existe de fortes
similitudes entre façon dont les humains traitent les images visuelles et les réseaux neuronaux profonds. Plus les
modèles de fourniture d'objets
deviennent similaires à ceux des humains pour être réellement
plus performants dans le monde réel. En 2016. Ce n'est pas une grande marque de fabrique. Et c'est alors qu'AlphaGo, certains d'entre vous ont peut-être entendu parler de Google DeepMind à Londres. Ils ont construit cet algorithme d'IA, qui était basé sur l'apprentissage en profondeur
et l' apprentissage par renforcement. Et il pourrait jouer
au jeu de Go, qui est beaucoup plus difficile si vous voulez
compresser la poitrine. Parce qu'aux échecs, comme je l'ai dit, on pouvait prédire ou construire cet arbre de décision
en bourgeonnant dans le jeu de Go. Cela n'est pas possible. De la même manière, vous pouvez décider d'
avoir des mouvements possibles
plus anciens. Parce qu'on pourrait dire que c'est un nombre infini
de mouvements possibles. Très différent en termes de détérioration du jeu de golf par rapport aux échecs. Ce dont vous avez besoin ici, c'est d'une
sorte d'intuition, plutôt que d'avoir une grande mémoire. Comment ils l'ont fait en termes simples. Le
réseau neuronal profond a été entraîné par les jeux auxquels jouent les
champions du Go. Et en regardant ça, c'est
la scène du jeu. Maintenant, c'est le meilleur
coup que ce champion a fait. Vous entraînez l'algorithme
avec une telle inflammation ? Et en 2016,
l' algorithme s'est développé quand il
était le champion du jeu. Et une chose intéressante,
peut-être liée aux codes
que j'ai dits
au début de la part d'
Alan Turing, c'est codes
que j'ai dits
au début de la part que dans l'une des versions
de l'algorithme, il
faut des modèles d'IA
concurrents. les uns contre les autres. Et l'un d'eux s'
améliore de plus en plus en jouant avec
cet autre modèle d'IA. Aujourd'hui, nous avons des voitures autonomes et nous passons à présent. De nombreuses applications qui
nous entourent bénéficient d'
une sorte d'algorithme d'IA. Soit il s'agit de
la reconnaissance faciale, de la conduite autonome, la reconnaissance
vocale et
de la traduction, de la recherche sur
Google, etc. Des publicités intelligentes, des recommandations
personnalisées. Et nous essaierons d'en mentionner
quelques-unes et de
vous donner d'autres exemples
tout au long du cours. Cette étape dans laquelle nous nous trouvons est également appelée
industrie 4, qui est la combinaison de l'IoT, de l' Internet des objets et de l'intelligence
artificielle. L'IoT est
chargé de collecter les données et de connecter les apparences et les objets les uns
aux autres. Et puis le processeur Ai
vous donne des informations supplémentaires, n'est-ce pas ? Et en route vers le futur. Reste avec moi. Au cours des prochains cours, vous verrez ce qui est susceptible de se produire dans les
cinq à dix prochaines années. Je ne pense pas que nous puissions
prédire avec précision bien plus que cela, mais nous verrons comment et comment l'IA
remplacera certains emplois. Quel serait l'impact
potentiel sur votre carrière et sur notre vie ?
4. 4. L'apprentissage automatique et l'IA de bonne vieille mode: Aujourd'hui, nous allons en apprendre davantage sur l'apprentissage automatique et la
bonne vieille IA, également appelée objectif 5. Alors, qu'est-ce que l'apprentissage automatique ? La définition de l'apprentissage automatique
est donc essentiellement
une étude qui donne aux ordinateurs la capacité d'apprendre sans
être explicitement programmés. Donc, essentiellement, nous
apprenons aux machines à apprendre à faire des choses sans les programmer
explicitement. Et dans cette histoire que j'ai racontée, la session précédente, nous avons vu certains des jeux que techniques
d'apprentissage automatique
et d'IA ont réussi à conquérir, tels que les chaises dans les années 1990. Et puis récemment,
le jeu de Go. Il s'agit donc d'une sorte de
chronologie de l'IA et définition de
haut niveau de ce qu'est l'
intelligence artificielle, qu'est-ce que l'apprentissage automatique ? Qu'est-ce que le deep learning ? Je suis sûr que vous avez entendu toutes ces
terminologies différentes et, si vous vous demandez, laquelle fait référence à ce qui fait exactement cela
alors. Donc, le terme
intelligence artificielle, c'est le terme le plus large. Il s'agit de n'importe quelle technique, de toute technique
d'apprentissage automatique ou de tout algorithme qui permet aux machines d'
imiter le comportement humain. Cela pourrait être envisagé,
cela pourrait signifier, en parlant,
pourrait se situer dans n'importe quel autre domaine. C'est ce que l'on appelle généralement
l'intelligence artificielle. Donc, quelle
que soit l'application qui relève, on l'appelle application IA. Plus précisément,
ils constituent une sous-catégorie d' algorithmes que l'on appelle
apprentissage automatique. La terminologie a commencé
vers les années 1980. C'est alors que les machines
apprennent efficacement. Et c'est aussi dans cette session que nous allons parler des différentes branches
de l'apprentissage automatique. Une sous-catégorie de ce type
est donc appelée apprentissage profond, qui est basé sur les réseaux de
neurones. Bien entendu, ces éléments se
chevauchent. Donc, si nous voulons
séparer les deux, nous avons ces
techniques d'apprentissage automatique qui
ne sont pas basées sur des réseaux de neurones, telles que des classificateurs simples, des
régressions, etc. Et nous avons une machine
basée sur le réseau Raul apprentissage. Et lorsque la profondeur de
ce réseau neuronal dépasse quelques couches on parle d'apprentissage
profond. Aujourd'hui, je vais vous présenter les catégories plus larges
de l'apprentissage automatique. Ensuite, lors de la prochaine session, lorsque nous parlerons de l'IA moderne, je vous donnerai quelques informations sur la
compréhension
de haut niveau de ce qu'est deep learning et de certaines
applications. Hein ? Quels sont donc les différents types d'apprentissage pour les machines ? Et en fait, ce n'est pas seulement pour les
machines, même pour les humains, nous avons l'apprentissage supervisé, l' apprentissage
non supervisé et l'apprentissage par
renforcement. L'apprentissage supervisé
est efficace lorsque nous indiquons à l'agent ici
soit l'algorithme, soit l' être
humain, soit même le
dressage d'animaux. Ensuite, vous leur donnez un stimulus, un objet, une image, et vous leur dites de quoi il s'agit. Il s'agit donc d'un apprentissage supervisé. Et vous répétez ce
processus encore et
encore jusqu'à ce que vous vous assuriez qu'
ils ont bien compris. C'est un apprentissage supervisé. L'apprentissage non supervisé
est efficace il
suffit de donner des
images ou des stimuli. Vous ne donnez ni
étiquettes ni annotations. Ils ne
savent peut-être pas exactement de quoi il s'agit, mais en fonction des caractéristiques des images ou des stimuli que
vous leur avez donnés, ils seront capables de
les regrouper et de
les séparer, comme par exemple, accord, ceux-ci Ce sont des pommes
et des oranges, non ? Je ne connais peut-être pas l'étiquette, le nom de ce fruit. Mais je sais qu'ils
se ressemblent et que ces autres se
ressemblent. Ces deux éléments sont différents. Les algorithmes de clustering relèvent de l'apprentissage
non supervisé. Ensuite, nous avons également ce concept
d'apprentissage par renforcement, dont je parlerai
plus en détail lors de la prochaine session. Mais d'une manière générale, dans l'apprentissage par
renforcement, c'est la capacité d'apprendre
par exploration. Vous placez un agent
dans un environnement. Et en explorant
l'environnement et en
découvrant les limites
de cet environnement, ils apprennent à faire des choses. Et les enfants humains sont un très bon
exemple de ce scénario. Les bébés ne
savent pas marcher, ils ne savent pas comment
réagir ou réagir. Ou essentiellement, non, très
peu à leur naissance. Et en explorant
l'environnement et en étant naturellement exposé
à différentes choses. Recevoir une récompense ou une pénalité. Par cette exploration. Il y a des choses qu'ils
facturent et qui peuvent être difficiles, alors ils les éviteront la prochaine fois. C'est une sorte de peine
naturelle. Ou ils peuvent manger quelque chose et
le trouver très délicieux, alors ils
continueront à le faire. Il s'agit donc d'une sorte d'apprentissage
par renforcement. Parcourez cette exploration à vélo,
ils obtiennent des récompenses ou des pénalités,
puis sur cette base, ils décident de répéter cette
action ou de ne pas la répéter. C'est en quelque sorte ainsi que
l'apprentissage se déroule dans le monde de l'apprentissage par
renforcement. Très bien, maintenant je
vais vous présenter
deux exemples ici. Deux sous-catégories principales
d'apprentissage, l'apprentissage supervisé et l'apprentissage
non supervisé. Donc,
comme je l'ai mentionné, l'apprentissage supervisé, nous donnons le modèle. Il peut s'agir de n'importe quel modèle. Il peut s'agir d'un bon vieux modèle d'IA,
tel qu'un classificateur, ou d'un réseau de neurones. Donc, quel que soit
le modèle, ce type d'apprentissage est
appelé apprentissage supervisé. Nous montrons une image d'entrée ou donnée
d'entrée ici,
une série de pommes. Ensuite, nous indiquons au modèle que les
étiquettes sont des annotations. Nous leur racontons quelques cas. Regardez ces photos, ce sont des pommes et
voici les étiquettes. Nous faisons donc quelques
répétitions pour nous assurer que le modèle a compris
et appris les données d'entrée. Ensuite, nous passons à la phase de test. Nous avons donc formé le modèle. Le modèle a appris
le concept des pommes. Nous montrons donc une pomme. Et ensuite, qu'
attendons-nous qu'ils disent tous ? Eh bien, nous nous attendons
à ce qu'ils disent tous que c'est une pomme. Cela s'appelle l'apprentissage
supervisé. Maintenant, un très bon exemple
d'apprentissage
supervisé, que vous
connaissez sûrement, est Face ID. C'est un smartphone. Et voici quelques-uns
des capteurs situés à l'avant de l'iPhone. Et ce sont les instruments qui vous permettent
de saisir les
données essentiellement, n'est-ce pas ? Il lira donc les données de votre visage
et me laissera regarder la vidéo. Voilà, c'est la phase
d'entraînement, non ? Vous verrez que l'iPhone regardera
essentiellement votre visage sous différents
angles. Et il comprendra
la géométrie de son visage. Et il créera un modèle de l'
apparence de votre visage. Il s'agit donc essentiellement de donner
les données et de les étiqueter, afin d'entraîner le modèle. Maintenant, ce qui se passe ensuite,
c'est que vous pouvez voir dans cette vidéo à travers
les capteurs situés devant la caméra. C'est, nous allons voir le visage
qui construit ce modèle maintenant. Ensuite, lors de la phase de test, qui consiste à
configurer votre Face ID, puis à rechercher
votre téléphone portable, vous verrez s'il
va se déverrouiller ou non. S'il a reconnu votre visage
plus qu'il ne le fera comme ici, l'idée est qu'il devrait
être capable de déverrouiller votre visage. Quels que soient les changements dans votre mode de vie quotidienne ou
les changements que vous pourriez avoir, même vos périodes de croissance. Donc voilà, c'est en
quelque sorte l'idée. Il crée un
modèle de visage qui s'adapte aux changements de votre visage. C'est ce que l'on appelle la reconnaissance
faciale invariante. Donc, quels que soient les
changements sur votre visage, tant que les changements que
notre identité préserve, le Face ID
devrait être capable de
reconnaître votre visage, n'est-ce pas ? C'était donc un exemple
d'apprentissage supervisé Qu'est-ce
que l'apprentissage
non supervisé ? Il s'agit donc d'un ensemble de fruits. Et comme nous n'avons pas les
étiquettes dans cet exemple, nous ne disons pas au modèle qu'il s'agit de bananes
ou de pommes. Nous donnons simplement les
images au modèle. Et le modèle
sera capable de
les séparer en fonction de leur
similitude. Les pommes
se ressemblent visuellement, puis les bananes piquent, sorte qu'elles se répartissent en trois grappes
différentes. Les algorithmes de clustering sont donc un exemple d'apprentissage
non supervisé. Donc tu ne l'es pas, tu ne leur as pas
donné le label. Vous ne
leur avez pas attribué toutes les étiquettes fonction des
caractéristiques importantes du modèle. Dans ce cas, la similitude
visuelle. Les clusters seront formés. Votre oh boo intelligent en est un exemple. Donc par exemple, ici, si vous vous rendez par exemple
vers vous ou vers tout boum, vous verrez que
sur la base des photos que vous avez
prises précédemment, l'iPhone a classé pour vous. Les gens sont groupés,
élèves ou ont des visages différents. Et même si vous ne les avez pas
étiquetés, c'est vrai, dans cet exemple, l'
individu possède des étiquettes, mais vous n'êtes pas nécessairement
obligé de les étiqueter. Ce qui se passe, c'est
que l'identifiant
du visage, le visage est détecté et les visages similaires sont
classés en un seul groupe. Ensuite, vous pouvez choisir d'y ajouter une étiquette ou non. C'est à toi de décider. Si vous souhaitez en savoir plus sur les
coulisses, que se passe-t-il ? C'est ce qui
se passe sur une photo donnée. La phase de l'algorithme détecte les visages et le haut du corps,
puis fait correspondre les deux. C'est-à-dire que ce visage
appartient à ce corps. Et puis ça passe, cette partie passe par son modèle de visage et celle-ci passe
par un modèle corporel. Donc, la partie que je voulais souligner ici concerne le
regroupement des parties. Les visages qui
se
ressemblent sont
regroupés dans une seule catégorie, alors vous pouvez choisir de les
étiqueter ou non, n'est-ce pas ? C'était donc
un autre exemple concret d'apprentissage non supervisé.
5. 5. IA moderne: Cette session traite en quelque sorte de
l'IA moderne, en particulier sur des sujets liés à l'apprentissage en
profondeur et à l'apprentissage par
renforcement. Nous avons donc brièvement discuté de
ce qui est traditionnellement I. Et voici quelques
autres exemples. Des systèmes experts, les réseaux neuronaux
Michele, que nous avons mentionnés dans
l'histoire de l'IA. La logique floue est un bon exemple lorsque certaines de ces langues, langues spécifiques
A-I, A-I, probablement. Ce sont là quelques-unes des
plus anciennes avancées de l'IA. Nous avons ensuite réalisé quelques avancées
en matière d'apprentissage automatique
et de vision par ordinateur. Nous avons mentionné l'IBM Deep Blue. Le principal avantage
du Deep Blue était d'
avoir une grande mémoire, pouvoir créer un arbre de recherche des
actions possibles. Je vais donc faire le jeu
et donc être en
mesure de nous donner des cœurs et de prédire
quel serait le meilleur
prochain coup pour l'ordinateur. En passant à l'IA moderne, nous pouvons le marquer principalement par deux avancées
en matière de matériel et de GPU. Et puis de grands ensembles de données étiquetés
tels que ImageNet. Donc, les réseaux de neurones profonds, sont des réseaux neuronaux qui
ont une profondeur supérieure à une. Techniquement, c'est un peu
fait référence à eux. Plus le réseau est profond. En général, vous avez
plus de paramètres, vous créez des ensembles de données d'entraînement plus volumineux. Et il y aura
plus de non-linéarité que l'algorithme traversera. B peut également mentionner les statistiques bayésiennes et les algorithmes
bayésiens comme l'un
des outils modernes et de l'IA. Mon objectif sera
principalement de
vous donner une meilleure compréhension de ce qu'est un réseau
neuronal profond. En quoi
consistent les opérations ? Un niveau assez élevé. Et puis un bon exemple de cela serait également
le jeu de Go. Le jeu de Go est l'un des jeux de stratégie
les plus complexes. Peut-être gâter mille ans, lequel de ces jeux de société ? Et par rapport
à la poitrine, à la poitrine. Après les deux premiers mouvements, environ 5400, les prochains mouvements sont
possibles. Il est donc facile de créer
tous les mouvements possibles et d'attribuer un score
à chacun d'entre eux. Mais dans Go, il y a près de 130 000 mouvements
possibles et la recherche est basée, c'est plutôt dernier. Ce nombre sera supérieur à celui des atomes de l'univers. Il n'est donc pas possible de prévoir tous les mouvements futurs
possibles. Et c'est là que leur
intuition entre en jeu. Et donc dans ce cas,
l'AlphaGo, qui était l'
algorithme créé par DeepMind qui a blessé le
champion du jeu. Il était basé sur un apprentissage par
renforcement profond et une sorte d'apprentissage en
observant et en apprenant la politique et en
attribuant des notes aux
futurs mouvements
possibles sans créer tous
les mouvements, n'est-ce pas ? Alors, oui, qu'est-ce qu'un réseau
neuronal convolutif profond ? C'est donc en quelque sorte la première couche de réseaux neuronaux profonds où l'
on a découvert des livres. Il s'agit de l'image d'entrée. Et il y aura
des opérations comme la tige. Vous pouvez voir ici qu'
on les appelle convolution. Ce sont donc des filtres qui sont
convolués sur l'image. Et puis vous obtenez une sortie. Ainsi, différents filtres
sont appliqués sur
l'ensemble de l'image et vous créez
différentes cartes de caractéristiques. Et ces cartes de caractéristiques
passent par une opération non linéaire. La plus populaire est l'
opération que vous voyez ici, fonction linéaire rectifiée. Ensuite, ils passent par
un pool local, ce qui signifie que, dans cette fenêtre bleue, tout est rassemblé, close est mappé en une valeur sur la couche ou le fournisseur suivant. Et puis ils passent par
une normalisation locale. Il s'agit donc de la première couche, puis chaque couche a des opérations très
similaires à celle-ci. Et tu peux l'avoir. Plusieurs couches sont à
l'origine les couches AlexNet 20128. Je vais également vous
en montrer un chiffre. Mais avant cela, voici à quoi cela pouvait ressembler. Voici donc l'image d'entrée et voici les filtres
appliqués à chaque lettre. Ensuite, ils peuvent sortir avec une couche et devenir l'
entrée de la couche suivante. Et vous disposez d'une série de
couches qui sont considérées comme extracteurs de
fonctionnalités ou des outils d'apprentissage
d'entités. Ils mappent l'image ou les données
d'entrée dans une entité. Et puis tu ne l'as pas fait pour toi. Généralement, des couches entièrement connectées qui effectuent la tâche
de classification. Ils obtiennent donc la
carte des entités, puis ils l'
associent à vos étiquettes finales. Ces couches plus fines sont ou sont
entièrement connectées car chaque nœud ici est connecté à tous les
nœuds du suivant. C'est pourquoi on les
appelle « entièrement connectés ». Très bien, alors j'ai pensé que ça
pourrait être intéressant pour toi. Il s'agit du dessin original
des 2 000 articles. Le même type de réseau neuronal
profond, un modèle qui veut rivaliser avec
ImageNet. C'est ainsi que cette nouvelle vague de réseaux neuronaux profonds a commencé. Cela a été entraîné par un apprentissage
supervisé utilisant
1,2 million d'images. La sortie ici
est de catégorie 1000. Il peut donc prédire ou classer des milliers de catégories
d'images différentes. Et en termes de
nombre de paramètres, il y avait 60 millions de
paramètres au total, et 650 000
neurones sont des nœuds. Hein ? Et comme je l'ai dit, il
y a sept couches. Ou vous pourriez envisager,
avec votre contribution, qu'il pourrait y avoir des dépliants. C'est donc le réseau
Krizhevsky des années 2000. Maintenant, nous avons parlé brièvement de l'apprentissage
par renforcement. J'ai pensé que ce
serait une bonne idée de vous donner un
exemple de haut niveau ici. C'est quelque chose que vous avez
probablement vu de nombreuses fois. Que se passe-t-il ici ? L'agent ici, le chien et l'environnement ici, la fille qui
lance tout ça. Il s'agit d'un cas typique de
renforcement plus facile
à comprendre lorsque l'agent suit et va chercher le bâton, et après
cela, il est récompensé. Donc, l'agent
observe ce qui se passe dans
l'environnement. Ensuite, en se basant sur l'observation d'obtenir des
récompenses ou de se faire pénaliser, il répétera les
actions qui mènent à plus de récompenses
et à moins de pénalités. Cela s'appelle l'apprentissage
par renforcement. Dans le contexte des algorithmes et du concret,
n'est-ce pas si différent ? Voici donc un jeu Atari lequel il utilise l'apprentissage par
renforcement profond. Le concept est très similaire à ce que je viens de décrire en termes
d'apprentissage par renforcement. Je vais lancer la vidéo pour que vous puissiez
voir de manière générale de quoi il s'agit. Voici donc le jeu. Ce n'est donc pas une cible
et vous avez probablement joué quand vous étiez plus jeune. Voici donc les résultats
du jeu Atari après seulement
dix minutes d'entraînement. Vous voyez donc que c'est le jeu lui-même. Alors, comment fonctionne la formation ? C'est très simple. La seule chose que l'
algorithme connaît, c'est l'entrée, qui est ce que vous
pouvez également voir à
l'écran et sur le score. Donc, l'algorithme
se déplace essentiellement autour de ces petites plaques et il est soit
récompensé au hasard, soit pénalisé. Après chaque mouvement. Il recalcule sa compréhension
de leur environnement et apprend à répéter les actions qui
mènent à cette récompense. Gagner un score ou
rater votre score. éviter évitera les
activités ou les actions qui ont causé une pénalité de
ne pas atteindre ce score. Donc oui, c'était au
bout de dix minutes. Maintenant, après 120
minutes d'entraînement, vous pouvez voir que c'est très bien un jeu
pro tem. Et c'est un exemple d'apprentissage par
renforcement. n'y a donc aucune autre
formation à ce sujet. Le curieux algorithme
prédéfini ou quoi que ce soit d'autre n'est qu'une politique. Et l'agent ici
apprend à le
faire simplement et en obtenant commentaires qui s'améliorent
au fil du temps en étant dans l'environnement et en
essayant des choses. Faire face. Nous avons donc parlé d'apprentissage par
renforcement, nous avons parlé d'apprentissage profond. Et dans cet exemple, il s'agit d'un apprentissage par
renforcement profond. Et la seule chose
qui diffère
d'une
valeur de renforcement classique, c'est
qu'elle d'une
valeur de renforcement classique, c'est permet de prédire ce score, cette récompense, cette pénalité. L'algorithme utilisé ici utilise un élément différent
pour le faire. Pour ce faire, prédit
quel est le score de chacun et pour
l'eau prélevée que l'algorithme
va produire. Et cela utilise un réseau neuronal
profond. Sinon, c'est la même chose que n'importe quel autre algorithme d'
apprentissage par renforcement. Cool.
6. 6. l'IA dans les soins de santé: Dans les soins de santé et les applications
de l'IA dans les soins de santé C'est donc un sujet qui
me passionne le plus. Bien sûr. Je vais commencer par ce
livre de notes, Deep Medicine. De la part d'Eric Il y a un manteau et le livre
dit : Quel est le mauvais jeu ? système de santé d'aujourd'hui,
ce sont ceux qui n'ont pas Et la façon dont cela est
lié à cela est d' utiliser une
intelligence artificielle qui peut sembler
contre-intuitive, mais en fait, si l'IA intègre l'IA notre tueuse Nicole et à notre cabinet
médical, bonnes mesures sont en place, il y a de fortes chances que
les cliniciens puissent consacrer plus de temps à participer de
manière plus humaine au processus
de transport des patients. Voilà comment, c'est
le thème du livre, et c'est ce que l'
IA peut apporter aux soins de
santé dans un avenir proche. Donc, en termes de calendrier vous savez à peu près où la réalité virtuelle, en termes d'
adoption de l'IA dans les soins de santé. Vous en êtes conscient pour les révolutions
industrielles. Et je pense que lors de la
première séance, j' fais également
brièvement référence. Il est juste de dire que médecine ou les soins de santé
sont à peu près là. Nous sommes encore pleinement engagés dans la quatrième
révolution industrielle dans le domaine de la santé. Cela est dû en partie à
la réglementation et à certaines autres
frictions qui existent dans le domaine des soins de santé. Et des transformations numériques. vous permettra de consacrer un peu
plus de temps à ce secteur. Et c'est certainement plus sensible parce que des
vies humaines sont en jeu. Maintenant, ce que je veux
passer en revue ces quelques minutes c'est examiner différents scénarios dans lesquels l'IA peut être
utilisée dans les soins de santé. Vous avez peut-être déjà vu
certaines de ces applications. L'un consiste à améliorer les infrastructures et
l'accès aux soins de santé. Ce qui conduit à réduire les coûts des soins de santé,
améliore la qualité. Elle rend les soins de santé plus
accessibles et plus abordables. Cela le rend en quelque sorte
évolutif, car de nombreuses personnes, quels que soient leur lieu de résidence, langue, etc., peuvent
accéder aux soins de santé. Un de ces bons exemples, je dirais nos chatbots dans le domaine des soins médicaux et des conseils
médicaux. Babylon GP, le GP, un tanh possède déjà un tel
chatbot. Intégrez-le pour que nous puissions
consolider le chat, mais cela vous
donne un diagnostic initial si vous le souhaitez, ou, vous savez, vous
donne une idée du moment où
vous nous demandez des conditions, cela vous donne une idée de ce qui pourrait être potentiellement faux. Ensuite, il
vous met en contact avec un
professionnel de la santé , un médecin, un médecin généraliste, etc. Maintenant, c'est
une sorte d' infrastructure qui
rend les soins de santé accessibles à une grande variété de personnes quel que
soit leur lieu de résidence. Je pense que c'est
un bon exemple, mais il reste encore
beaucoup à faire pour
améliorer l' accès aux soins de santé grâce à ces
transformations numériques. Un autre scénario, qui est assez évident et
vous avez peut-être entendu la nouvelle, est l'utilisation de
l'
IA et de l' apprentissage automatique
dans les diagnostics. Ou huit pour le diagnostic vous
donneront deux exemples ici. L'une est la capacité
cognitive et cognitive. Nous avons développé cet outil, qui est un outil basé sur l'IA pour détecter les troubles
cognitifs. Et il utilise l'IA. IA explicable. Un autre exemple est qu'il existe
une variété d'applications. Voici un exemple
qui utilise des images, vos images échographiques, pour
détecter les signes du cancer du sein. Il existe d'autres
algorithmes pilotés par l'IA qui
fonctionnent, par exemple, sur des images du cerveau
pour détecter tumeurs et quelques autres applications de
ce type. Je dirais donc que le diagnostic est l'un des domaines dans lesquels l'
IA est le plus adoptée. Et il est un peu plus intuitif,
si vous voyez ce que je veux dire, diagnostics 8 pour le diagnostic prennent de l'ampleur
en ce moment. troisième exemple est l'utilisation de l' IA et de l'apprentissage automatique pour
la prévention et la surveillance. Cela gagne également en popularité, en particulier en ce qui
concerne les variables. Nous avons donc des variables,
si nous collectons plus de données auprès d'un individu au fil du temps. Apple HealthKit en est un
bon exemple. Il permet de recueillir votre exercice, sommeil et d'autres activités. Également. Il suit votre rythme cardiaque. Il peut effectuer une surveillance de l'ECG. Donc, en rassemblant toutes
ces données, cela peut vous donner un aperçu votre vie et de votre santé
cardiovasculaire. Et si vous appliquez ces informations, vous pouvez potentiellement détecter
des signes de problèmes
cardiovasculaires potentiels cardiaques. Vous les prenez tôt afin que nous puissions prévenir ou améliorer
votre vie. Un autre exemple pour les gars est l'optima,
une application de bien-être. Mesure objectivement votre type de performance
quotidienne, encore une fois, par rapport à vos mesures de
style de vie, et vous pouvez l'utiliser pour
améliorer votre vie restant largement axé sur
la prévention, sur la surveillance. Et nous aimerions que l'IA, qui est en fait l'
une des tendances en
matière de soins de santé, s'oriente vers
la prévention
plutôt que vers la détection tardive des maladies, ce qui coûte plus cher. Enfin, la quatrième dimension
ou scénario
que je voulais apporter
ici est le traitement. Par rapport aux trois
autres que j'ai mentionnés, traitements sont, je dirais, en
retard. Il y a des exemples. Je choisirais cet
arbre. Découverte de médicaments. Il s'agit d'un choix évident. Utilisation de l'IA et de l'apprentissage automatique. Les sociétés pharmaceutiques peuvent
accélérer le processus de
découverte de nouveaux médicaments
sur la base de médicaments déjà approuvés. s'agit donc de réduire
la liste des médicaments
susceptibles d'agir sur un nouveau trouble et de lancer des essais cliniques sur une
liste limitée ou restreinte de médicaments potentiels. Et au lieu de
mener de nombreux
essais cliniques sur la liste plus large, ce qui coûte beaucoup plus cher
et prend plus de temps. La chirurgie robotique est un autre domaine qui peut être utile. La thérapeutique numérique est également un terme utilisé
récemment, plus souvent. Et cela peut faire référence à certains
traitements numériques. On peut vous le donner
sur ordonnance, etc. C'est encore un stade assez précoce, mais certaines applications
existent déjà. Certains d'entre eux, par exemple, ou des jeux qui pourraient
vous aider à améliorer
votre état mental. Et certains de ces jeux, sains pour améliorer le TDAH. Si vous recherchez sur Google, vous
constaterez que certains d'entre eux ont
déjà été approuvés par la FDA. Il s'agit donc d'un domaine
qui
évolue bien entendu et dont applications sont
très limitées pour le
moment. Mais il y a de fortes chances
qu'il prenne de l'ampleur
au cours des cinq à dix prochaines années. Oui, si vous voulez en savoir
plus sur d'autres histoires, d'autres scénarios potentiels
qui pourraient se produire. Avec l'IA dans les soins de santé C'est un bon livre
que je recommande. C'est un livre électronique. J'espère que cela vous plaira. Je te verrai dans la prochaine leçon.
7. 7. IA, société et emplois: Au cours de cette session, je
vais parler IA et de son impact sur la
société et l'avenir de l'emploi. Commençons donc par ceci. Nous savons que l'IA et l'Internet des objets pour vendre des technologies
sont activés. Et si nous les examinons sous
cet angle dans le domaine des soins de santé, c'est l'exemple que nous avons
suivi lors de la dernière session. Nous constatons que les mêmes services que ceux que
nous recevons aujourd'hui peuvent être fournis de manière
plus efficace via l'IE. Ils peuvent devenir plus
largement accessibles, plus abordables, et peuvent être
donnés avec une meilleure qualité. Cela vaut pour l'éducation, les
finances, les soins de santé, etc. Et je vais vous donner deux
exemples tirés de l'éducation. Et puis dans le commerce de détail. Dans l'enseignement. Imaginez
les écoles de demain. Pas demain, peut-être qu'
aujourd'hui nous en avons déjà
vu un
petit goût, mais peut-être pas dans le cadre de nos systèmes éducatifs
formels. Imaginez donc que nous avons
ces nouvelles technologies. Vous pouvez être éduqué
à tout moment et votre
plateforme éducative s'adaptera
aux besoins que vous avez,
aux besoins des étudiants. Le programme serait
personnalisé en fonction de la carrière. Vous recherchez des mentors
rituels annuels. Les examens seront personnalisés en
fonction de ce que vous souhaitez
atteindre et l'ensemble de la plateforme
pourra vous permettre de vous battre. Dans le commerce de détail C'est peut-être quelque chose que
nous connaissons mieux, Beth. J'ai vu des moteurs de recommandation tels qu'
Amazon et Google, où vous pouvez obtenir
des recommandations personnalisées en fonction vos intérêts et de votre historique. Vous avez peut-être déjà
vu des chatbots qui fournissent une sorte de
support client 24 heures sur 24. L'exemple des chatbots, j'ai également mentionné dans la session précédente
comment ils peuvent aider dans soins de
santé à fournir des recommandations de haut
niveau. Hein ? Voici donc quelques exemples de la façon dont l'IA peut être utilisée à différents
jours, dans différents services, et fournir les trois
fonctionnalités que nous avons mentionnées, les
rendant plus accessibles
à une population plus large, en les rendant plus abordables et en leur donnant également
une meilleure qualité. Alors, est-ce que j'offre
des opportunités aux pays
en développement
ou est-ce uniquement utile aux pays développés ? Nous savons que les États-Unis et la Chine
sont actuellement à la pointe de l'IA. Mais l'IA possède de nombreux territoires
inexplorés
et offre de nombreuses possibilités de croissance dont de nombreux pays
peuvent bénéficier. Et je vais vous donner l'exemple d'
un concept appelé saute-à-faux, qui explique comment
les économies en développement peuvent réellement
utiliser la technologie et qui explique comment
les économies en développement peuvent réellement
utiliser la technologie et
discuter de l'IA pour faire
quelques pas en avant et peut-être
rattraper le retard. Maintenant, imaginez cette icône
noire ici. Il s'agit d'une économie développée. Auparavant, ils
devaient franchir toutes les étapes, construire une infrastructure
étape par étape jusqu'à
ce que l'on en arrive là. Où vous avez une économie
développée avec tous ces services
dans les domaines de la santé, finance comme de l'éducation, etc. Maintenant, imaginez si vous êtes
une économie en développement. Maintenant, vous pouvez utiliser la technologie. Ici. Il s'agit d'un équipement de
saut. Vous pouvez l'utiliser pour sauter et sauter quelques pas et sauter ici et efficacement le
jour où je le fais. Mais prenons l'exemple
de l'éducation. Lorsque vous fournissez cette plate-forme, une communication
à distance, une assistance
en ligne et une automatisation. Il existe de nombreux services dans
différents secteurs,
notamment la santé, l'éducation, finances qui peuvent être
fournis par ce biais, la même infrastructure que
vous n'avez construite qu'une seule fois. Donc, au lieu d'aller
dans un pays, construisez de nombreux hôpitaux, de
nombreuses écoles plutôt que de les
entretenir. Vous créez ici
une infrastructure unique pour ces plateformes mobiles
et ces communications mobiles. Et grâce à
cette plateforme, vous
fournissez tous ces services. Grenouille sauteuse Maintenant, la question que l'on
me pose souvent est de savoir comment l'IA peut affecter les
emplois à l'avenir. Allons-nous opter pour
des chocolats ? Donc, eh bien,
voici une bonne visualisation de la
façon dont l' automatisation et le futur, futur
proche, affecteront chacune de ces
différentes industries. La référence est toujours C, D. Et vous voyez sur la droite, il
s'agit d'une probabilité d'
automatisation par secteur. Donc, en plus, le nettoyeur
d'aide à la préparation des aliments est utile, et cetera. Ces tâches ont la plus forte probabilité
d'être automatisées. Il y aura donc
une implication moins humaine si vous voulez. Parce qu'il y aura de l'automatisation. Peut-être qu'ils n'en
ont pas besoin de beaucoup. Du travail créatif, ou ils n'ont pas
certains des aspects des capacités humaines
uniques
tels que la prise en charge, etc., dont je vous
parlerai peut-être lors de la
prochaine, prochaine, prochaine session. Ce sont donc les types d'
emplois qui sont les plus susceptibles d' être remplacés ou remplacés
par l'IA ou les machines. Alors qu'au fur et à mesure que vous parcourez
la liste, il y a emplois tels que les professions
d'enseignant, les professions de
la santé. Ce sont donc les emplois
qui engagent, qui
ont tous deux besoin de plus de créativité
et aussi de cet aspect de la
communication interhumaine, de la protection sociale. Ces aspects y sont forts. Ce sont ces aspects qui
sont forts chez l'homme, mais moins chez les machines à coudre. Par conséquent, les chances
d'automatisation ou moins. Mais dans l'ensemble, cette quatrième révolution
industrielle n'
est pas si différente des révolutions
précédentes. Et ce qui s'est passé auparavant
est susceptible de se produire. Et cela permet de
prédire que oui, ils seront déplacés d'emplois. Mais il est plus probable que nous créerons plus de nouveaux emplois
que les emplois qui seront supprimés.
8. 8. Résumé et conclusions: Très bien, c'est
notre dernière séance. Nous allons avoir un bref résumé de ce que
nous avons appris ensemble. Au départ, nous avons parlé de
cette chronologie de l'IA, évolution de l'IA et de la façon dont nous en sommes arrivés là. Et surtout, nous avons discuté IA en tant que moteur de la transformation de
différents secteurs. Et c'est comme l'
impact que nous pouvons avoir. Cela peut rendre les choses
plus accessibles,
abordables et de meilleure qualité. Nous en avons discuté
dans le contexte des soins de santé en tant qu'
exemple de poste, donné des exemples de
l'éducation, du commerce de détail, et vous pouvez généraliser
ces autres secteurs. Nous avons également parlé des
limites de l'IA et
de certains personnages humains uniques. En particulier. J'espère que vous nous présenterez ce v comme diagramme bidimensionnel où la compassion, la créativité
et une stratégie. Ce sont
des personnages
humains uniques personnages dans
lesquels les humains sont forts par rapport à des choses
que l'IA essaie simplement de saisir, comme l'optimisation et les choses
qui peuvent être automatisées. Nous avons également discuté de la
manière dont je peux modifier les emplois actuels et
les emplois futurs. En particulier, nous avons
discuté du fait que l'IA ne détruirait tous les emplois et que nous
deviendrons une ancienne liste d'emplois. Au lieu. Semblable à d'autres
révolutions industrielles du passé. Certains emplois
seront déplacés et de nouveaux emplois apparaîtront. En particulier les tâches plus faciles à automatiser,
elles seront supprimées. Et les emplois qui ne sont ni
l'un de ces aspects humains, plus, apparaîtront,
ils le resteront. De nouveaux emplois seront donc créés dans ces
deux dimensions particulières. Je l'ai mentionné. Je
voulais donc souligner l'importance de l'
apprentissage et de l'éducation tout au long de la vie, en particulier en ce qui concerne les compétences humaines de
base. Nous devons donc
améliorer notre réflexion stratégique, créativité et nos compétences
plus douces interaction interhumaine, de relations interhumaines,
de liens d'
interaction interhumaine, de relations interhumaines,
de liens, de
compassion et de compassion. Ce sont donc les compétences sur
lesquelles nous pouvons travailler. Discrimine et se
distingue de l'IA, si vous le souhaitez. Hein ? Merci à tous d'être venus
avec moi jusqu'à présent. Vous espérez que nous avons
pu faire la lumière sur certains mythes entourant
l'IA. J'espère que cela vous
donnera
des informations qui vous permettront de voir comment nous utilisons actuellement l'IA et
comment l'IA
va peut-être changer notre façon de vivre
et de travailler à l'avenir. Et j'espère que vous pourrez en
bénéficier en planifiant à l'avance. Passez une journée fantastique et j'espère vous revoir
dans les prochains cours.
9. Bonus : l'avenir des soins de santé avec l'IA (médecine de précision): Nous voulons
vous expliquer ici l'impact
que l' intelligence artificielle
peut avoir sur les soins de santé. Pour ce faire, commençons
simplement par
localiser les secteurs où les soins de santé sont friables à l'Est en ce qui concerne l'
adoption de nouvelles technologies. Comme vous le voyez dans cette figure, santé est encore en
retard dans l'adoption de l'IA. Il y a plusieurs
raisons à cela, dont nous parlerons
dans une autre session. Mais pour l'instant, cela se
présente à la fois comme une opportunité car il
y a beaucoup à faire, mais aussi comme un défi. Maintenant, une question que vous pouvez vous poser est si nous adoptons une interface utilisateur, où cela nous mène-t-il ? Cela nous permettra donc de passer
du domaine de la médecine
intuitive et je suis plutôt de la médecine du rhume
à la médecine de précision. Donc, en médecine intuitive, c'est à ce moment que le clinicien
utilise son intuition. Il n'est donc pas basé sur des données
ou des preuves protocolaires. Basé sur l'intuition. Ils peuvent suggérer un diagnostic
ou un plan de traitement. En médecine utilisant
le protocole M, le clinicien utilise les données limitées dont il
dispose et peut-être un entretien clinique avec le patient en regardant
certaines images, etc. Et sur cette base,
ils proposent
un diagnostic possible et un plan de traitement
probable. Et peut-être que dans six mois, ils reverront le patient pour voir si la vérité
n'a pas fonctionné. Il s'agit donc en quelque sorte d'expérimenter
avec le patient pour voir ce qui se passe ensuite si
le traitement avec Park. Pour notre médecine de précision, sur la
base des données, d'une mine de données qui peuvent être collectées auprès d'un patient
au fil du temps et de variables, pourquoi ces signes, etc. Le clinicien, à l'aide
de cela et puis moi, en donnant un sens à ces données, je
peux établir un diagnostic
précis, un diagnostic personnalisé précis, puis le traitement suivra. Permettez-moi donc de vous donner
une analogie. Lorsque vous achetez une voiture, le constructeur garantit que la voiture sera
fonctionnelle pendant 34 ans. Ils le font donc en
fonction des ensembles et qualité la qualité de la voiture
qu'ils ont fabriquée. Dans les établissements de santé. Lorsque vous vous rendez à l'hôpital, pouvez-vous vous attendre à ce qu' garantissent un diagnostic ou plan de
traitement
qu'ils vous donneront ? Non C'est parce qu'il y a
tant d'incertitude. Le domaine de la médecine
intuitive et impro contre le
rhume dont le
résultat ne peut être garanti. Mais en passant à la
médecine de précision, à l'aide de l'IA, nous pouvons nous attendre
à passer de cette incertitude au
domaine de la certitude. Et dans de tels scénarios,
lorsque vous pouvez établir diagnostic précis et
un plan de traitement précis, même les
services de santé peuvent être garantis.
Seyed Khaligh-Razavi, AI & Entrepreneurship (AM Cambridge Uni)
