Le machine learning au coeur de l’intelligence artificielle

1. • Georges Uzbelger
• Digital Transformation & Advanced Analytics Leader
• Development of Academic/Research Relations
• georges.uzbelger@fr.ibm.com
• LinkedIn
• Tel mobile 06 84 81 67 75
Intelligence Artificielle avec Bluemix @ 42
Le Machine Learning au coeur de l’intelligence artificielle

2. 1900 1950 2011
Nous sommes entrés dans une nouvelle ère !

3. Cognitif - cognition (Wikipedia)
• Cognitif - Qui se rapporte à la connaissance
• Cognition - Ensemble des grandes fonctions de
l’esprit liées à la connaissance (perception, langage,
mémoire, raisonnement, décision, …)
• Sciences cognitives - Etude de la cognition de divers
points de vue
Données
Information
Connaissance
Expertise
Interprétation
Réflexion basée sur
l’expérience et le contexte
Jugement et action

4. Ere cognitive
• Convergence entre (NBIC)
• Nanotechnologie
• Biotechnologie
• Informatique
• Sciences cognitives
• Approche bio-inspirée
• Apprentissage: machine et deep learning
• Méthode de « raisonnement » de type baysien (plausibilité d’événements
futurs à partir des événements passés
• Modèle d’architecture de type « neuronal » inspiré des réseaux de
neurones biologiques
Nanotechnologie Biotechnologie
Informatique
Sciences
cognitives
NBIC

5. Test de Turing
• Alan Turing: mathématicien et informaticien
anglais
• Machine de Turing: modèle abstrait utilisé en
informatique théorique
• Test de Turing (1950)
• Construire une machine avec une IA
• Confrontation conversationnelle entre un
humain et cette machine afin de déterminer
si l’humain ne peut distinguer si sa
conversation a lieu avec cette machine ou un
autre humain
• En 2014, on pensait avoir réussi le test de
Turing mais … non

6. Conceptualisation - Modélisation - Généralisation
• Modélisation: Idéalisation, approximation, simplification de la réalité, d’un phénomène
• Le phénomène est différent de la représentation du phénomène
• Généralisation à partir de la représentation
• Exemple: modéliser un comportement de fraude, du vieillissement d’un système pour de
maintenance prédictive, de l’attrition, du décrochage scolaire

7. Ind5Ind1 Ind11Ind9Ind3 Ind14Ind2 Ind6 Ind8Ind7 Ind4 Ind12Ind13 Ind10
Coupe
SemiPartialR-
O.O
Classification hiérarchique - Dendrogramme
O.6
O.3
Classe 1
Classe 2
Classe …
Classe n
Variable 1
Variable 2
Variable 3
Clustering
0
0,
1-1
Premier axe ou facteur explicatif (61%)
Deuxièmeaxeoufacteurexplicatif(29%)
V V
V
V
V
Analyse en composantes principales
Analyse descriptive

8. Analyse prédictive
Sains 100
Malades 100
Température
> 37.8
Température
< 37.8
Sains 7
Malades 57
Sains 93
Malades 43
DiabètePas de diabète
Sains 87
Malades 3
Sains 6
Malades 40
Malade
Malade
Sain
Arbres de décisionRégression

9. Décisions
Actions
Résultats
Analyse Descriptive
Analyse Prédictive
Optimisation
Regles méitier
Analyse Prescriptive
Analyse prescriptive

10. Entrée Sortie
Algorithmes avec adaptation
de la prise en compte des entrées
et des comportements en réponse
en fonction d’objectifs à atteindre
Prise en compte des réponses
pour amélioration future
Qu’est-ce que le machine learning ?
• Le machine learning est un ensemble d’outils mathématiques et d’algorithmes
permettant, par un processus itératif, d’améliorer les performances de
prédiction par rapport à un objectif à atteindre
• Certaines implémentations de machine learning s’inspirent du fonctionnement
et de l’architecture des neurones biologiques.
Statistiques
Optimisation
Algorithmique
Er
Classification
Regression

11. Entrée Sortie
Algorithmes avec adaptation
de la prise en compte des entrées
et des comportements en réponse
en fonction d’objectifs à atteindre
Oracle
Superviseur
Ensemble de valeurs
d’apprentissage
et de test
Sortie attendue
Entrée
Prise en compte des réponses
pour amélioration future
Apprentissage supervisé
3 phases:
Apprentissage
tests
Production
Statistiques
Optimisation
Algorithmique
Er
Classification
Regression
Minimisation risque empirique
consistance
Minimisation risque structurel

12. Attention au sur-apprentissage !
• En régression
• En classement
••
•
•
•
• •
•• ••
•
•
•
• •
•• ••
•
•
•
• •
••
• Pas assez • Bon • Trop
• Pas assez • Bon • Trop
• Rasoir d'Ockham - Principe de parcimonie
• Ne pas utiliser de nouvelles hypothèses si celles utilisées suffisent.

13. Couche E
Entrée
Couche S
Sortie
Couche i
cachée
Couche j
cachée
Poids
connexion
Réseau de neurones
Réseau de neurones artificiels: modèle très très simplifié de l’architecture de neurones biologiques !

14. Machine learning
Exemples d’applications - Références IBM
Diagnostic
MédicalDétection
de fraudes
Serious
Games
Décrochage
scolaire
Optimisation
transports
Maintenance
prédictive
Détection
d’attrition
Interprétation
imagerie
Protection
digitale
en ligne
Formations
adaptées
Marketing
Vente
Aide
recrutements

15. WATSON

16. Watson gagne au jeu
Jeopardy en Février 2011

17. Qu’est-ce que Watson ?
• Watson créé une relation nouvelle avec les systèmes d’informations
• Watson accompagne les décideurs et renforce la relations avec les clients
Watson me comprend.
Watson échange avec moi.
Watson apprend et s’améliore
avec le temps
Watson m’aide à découvrir.
Watson justifie ses arguments.
Watson à des capacités encore
inexploitées.
Watson est rapide et pense en
temps réel.
Watson produit et évalue des
hypothèses
Watson comprend le
langage naturel
Watson s’adapte et
apprend

18. Comment Watson « raisonne » ?

20. Merci