Ce soir, MZ vous propose de faire un point sur une question qui excite les imaginations : l’Intelligence Artificielle.
L’émission avec Benoit sur le Darknet : Emission n°352 : « Cyberdéfense et Darknet, où en sommes-nous ? »
Pour approfondir le sujet, quelques sites
Machine learning
Scikit-learn (Python) : https://scikit-learn.org/stable/
R : https://www.r-project.org/
Matlab : https://fr.mathworks.com/
Octave : https://www.gnu.org/software/octave/
ML Plateforme
Data Iku : https://www.dataiku.com/
Rapid Miner : https://rapidminer.com/
Knime : https://www.knime.com/
SAS : https://www.sas.com/fr_fr/home.html
ML dans le cloud
Amazon machine learning : https://aws.amazon.com/fr/machine-learning/
Microsoft : https://azure.microsoft.com/fr-fr/
Big ML : https://bigml.com
Google Machine learning : https://cloud.google.com/products/ai/?hl=fr
Scalable ML
Mahout : https://mahout.apache.org/
Spark ML : https://spark.apache.org/docs/latest/ml-guide.html
H2O AI : https://www.h2o.ai/
Deep Learning
Apache Singa : https://singa.incubator.apache.org/
Caffe : https://caffe.berkeleyvision.org/
Microsoft CNTK : https://docs.microsoft.com/en-us/cognitive-toolkit/
MXNet : https://mxnet.apache.org/
Tensor Flow : https://www.tensorflow.org/
Theano : http://deeplearning.net/software/theano/
Torch : http://torch.ch/
6 Comments
Pavé pavé ! Quelques réflexions sur cette émission propice pour un commentaire afin d’aider, j’espère, les forumeurs à la compréhension du problème.
* Oui! L’usage de termes anglais par des français journalistes-communiquants-chercheurs déforme la signification des mots et la nature des techniques qui sont employées dans ladite « IA ».
Si je parle de « machine learning », « big data », « réseaux de neurones », un péquenot pourrait s’imaginer un cerveau-logiciel en train de réfléchir sur des données obèses dont la nature est insaisissable, ce qui n’avance pas bien loin la compréhension du sujet…
Il y a pourtant une manière de contourner cet écueil en refusant d’employer tout ce langage de communiquant illettré, et en parlant simplement de … statistique et d’optimisation. Tout le reste est de la littérature moderniste…
* Petit cours de maths…
Pour faire simple, le « machine learning/ big data » ne sont rien d’autre que des techniques utilisées en statistique. Souvenez-vous de vos cours de maths sur les fonctions y=f(x): on traçait une courbe dans un espace en 2D. Imaginez maintenant qu’au lieu d’avoir une courbe, on ait un nuage de point en 2D.
-Les statistiques peuvent dans un premier temps essayer de coller une fonction y=f(x) simple sur le nuage. C’est la « régression statistique ».
-Si le nuage de points en 2D se sépare en deux nuages renvoyant à des objets différents, les statistiques permettent d’identifier l’existence de ces deux nuages (ce qui n’est pas évident pour l’ordinateur au départ), et par la suite d’accoler des étiquettes indiquant le nuage auquel un nouveau point appartiendrait. C’est la « classification ».
Ces deux variantes des statistiques sont basées sur une « technique » unique qu’on appelle « l’optimisation ». L’optimisation est, pour dire les choses simplement, un programme qui trouve la meilleure solution à un problème dont on nous aurait donné la méthode de résolution.
Que fait-on avec cela?
-La régression permet d’identifier un « modèle y=f(x) » (trouver les valeurs numériques de f) qui permet d’anticiper des valeurs futures.
-La classification permet de produire des critères d’affiliation à une catégorie.
Exemples:
-Avec mon modèle de régression, je sais qu’au vu des données du chômage et de l’investissement au jour J, il y aura tant de chômage et d’investissement au jour J+1 (banque de france, maintenance industrielle, etc).
-Avec mes critères de classification, je sais qu’un individu qui achète ça, ça, ça, et ça sera intéressé par ça (amazon, santé, etc).
Comme l’a indiqué Benoit (min 11), les statistiques parfois se trompent. C’est parce que l’optimisation donne le meilleur résultat pour un modèle et des mesures (x,y) donnés. Si le modèle/mesures est pourri, la statistique ne collera pas bien à la réalité. S’il fonctionne bien, la statistique peut servir d’assistance à la décision.
* Quant au « réseau de neurone », « deep-learning » et toussa, il s’agit « simplement » d’une technique d’optimisation qui donne des régressions/classification performantes et qui est très répandue aujourd’hui dans le cas où les mesures sont très nombreuses.
Quand Wilsdorf demande si le réseau de neurones fonctionne, on peut répondre que mathématiquement oui, un simple réseau à 3 couches permet de tout modéliser.
* Oui, l’IA-statistique basée sur le réseau de neurone est très coûteuse en temps-énergie, et n’est utilisée quand dans des situations « lentes ». Cela est lié au temps de calcul pour mener l’optimisation à son terme.
* Tout ça pour dire qu’il n’y a rien de magique dans l’IA en statistique.
* Bref, et pour répondre à ta question Wilsdorf, dites vous que lorsqu’on vous parle d’IA en général, il y a toujours en pratique un programme d’optimisation ou alors une liste d’ordres séquentiels qui est écrit par un ingénieur derrière. La machine reste l’outil de l’homme. Comme le dit Alryck, une machine ne transgresse pas les règles qu’on lui fixe.
L’intelligence de l’IA n’est pas exactement la même chose que l’intelligence de l’intelligence humaine.
* Concernant l’instrusivité de l’IA, il faut bien fixer les termes. Elle correspond mathématiquement parlant à la récupération des données (x,y). Mais elle ne récupère que ce que vous voulez bien lui donner. Ce n’est donc pas exactement de l’intrusivité mais de l’extorsion d’informations :p. La législation ne tolère pas l’intrusivité mais autorise
l’extorsion.
* Juridiquement parlant, la certification des logiciels basés sur IA est effectivement un sujet complexe.
* Concernant l’emploi, l’IA, sorte d’amalgame d’optimisation/ordres séquentiels, gère très bien les tâches répétitives. Le primaire (automates agricoles) et le secondaire (usine 4°G) sont donc visés. Le tertiaire est touché dans le secteur de l’assistance à la décision.
* Oui, il est possible de mettre en place un système de vision radar/optique sur la bordure méditerranéenne pour « traquer » des migrants. Ca demande beaucoup de fric, capteurs, et pas trop de brouillard. Le problème reste l’installation
et le coût de l’intervention en mer… Pas dit que les DDH autorisent le tir pour couler le navire. Mais si nous dressions des méduses carnivores… 😉
* Au sein de la communauté scientifique, j’ai pu constater qu’on est partagé sur les cyborgs. Il y a des hallucinés du « cyborg partout »-droit des robots et d’autres plus circonspects à cause des ressources et du coût des ces technologies.
* De manière philosophique, on peut noter deux problèmes avec l’IA:
1/ Il faut bien saisir deux des approches à l’oeuvre dans la science des systèmes:
-l’approche boite blanche: je modélise un système à partir d’équations qui ont un sens « physiologiques », « physique » (météo à partir de la simulation de mécanique des fluides).
-l’approche boite noire: je modélise un système avec des mesures sur lesquelles je cale des équations auxquelles je ne comprends rien a priori (météo à partir de relevés thermodynamiques divers).
L’énorme puissance de calcul disponible nous permet aujourd’hui de passer de la première approche à la seconde avec d’excellents résultats.
Cela entraine un vertige de puissance pour un administrateur qui connait son bétail humain avec précision. Mais cette précision est toute « démocratique », et pas « génétique ». Le démos remplace le génos. Superficialité vs profondeur.
2/ Le problème de l’outil qui agit à la place de l’homme, ie le vol cognitif (min 40). L’IA est une extension du domaine de l’outil dans sa dimension automate qui fait que l’homme n’agissant plus ne développe plus de réflexes et d’initiative.
* Oui, l’alternative à la « data » existe: gérer ses cookies sur internet, les goûters-barbecue entre voisins, avoir des bonnes notes à l’école pour avoir un boulot de gestionnaire dans une activité capitaliste. Une façon de se libérer du poids psychologique de cette invasion ressentie est de considérer que tout ce qui relève de l’argent et de la société est épié et ne vous appartient pas, et que tout ce qui n’est pas médié par l’argent est à vous.
Bonne émission 😉
Superbe émission, qui identifie bien les enjeux centraux vis-à-vis de cette problématique trop souvent noyée contre-productivement dans le brouhaha médiatique.
* l’IA n’est pas une « intelligence » comme on l’entend communément en français, mais est en réalité le Big Data
* elle touchera moins les classes populaires que les classes moyennes et les petits cadres
* l’enjeu stratégique est sa viabilité écologique (consommation de ressources et d’électricité)
* elle restera cantonnée aux domaines de logiques pures et hermétiques (contexte pré-définie avec une logique précise), et ne sortira probablement jamais de ce cadre.