http://numenta.org/ Introduction to Nupic, artificial intelligence platform for predictive analytics and anomaly detection

1. NUPIC :
framework
d'apprentissage artificiel,
basé sur les principes de
fonctionnement
du cerveau humain
Lieva Anastasia

2. “We're just going to program computers;
that's all we need to do. And I said, no, you
really ought to study brains. They said, oh,
you know, you're wrong. And I said, no,
you're wrong, and I didn't get in.
Jeff Hawkins, about his
job interview at AI lab, MIT

3. 2005 :
La base théorique de Nupic :
Une commercialisation :
Numenta

4. Idée principal
Le néocortex arrive à traiter différents type d'information
(visuel, sonore, sensoriel, langage naturel)
tout en gardant la même structure

5. Cortical learning
algorithm
synapses
Mappent les entrées
de façon le plus
efficace
cellules
Apprend de
représenter les
différents contextes
pour le même
concept
colonnes
Groupement des
cellules avec le
même « feed-
forward input »

6. Hierarchical
temporal
memory

7. HTM

8. HTM
Spatial Pooler
Sparse
Distributed
Representation
Temporal
Pooler

9. Sparse Distributed
Representations

10. Encoder
Examlpe : échantillon des données : de 1 jusqu'à 100
Représentation binaire pour deux chiffres proches est très différente:
7 et 8
0b0111 et 0b1000

11. Encoder
Examlpe : échantillon des données : de 1 jusqu'à 100
Représentation binaire pour deux chiffres proches est très différente:
7 et 8
0b0111 et 0b1000
1 -> 111000000000
2 -> 011100000000
3 -> 001110000000
7 -> 000000111000
10 -> 000000000111
Nupic encoder : bits sémantiques,
1 déplacées sont proportionnellement à la valeur encodée

12. Spatial pooler

13. Spatial pooler
Sortie d'Encoder = Entrée de Spatial pooler
000000000001000000000000000110000000000001000000000010000000110
001000000000000000010000000110000000000000000001000100000000110
Information encodée en ensemble des 2048 bits
Chaque entrée contient qu'une partie des bits activée
Matching des deux bits actives signifie une similarité

14. Temporal pooler

15. Temporal pooler
Apprend les
séquences
et les stock en
mémoire
Quand une cellule
devient active
forme les
connections avec
les autres cellules
qui étaient active
juste avant
Fait les
prédictions
Peut faire appelle à
n'importe quel
séquence en
mémoire et prédire
ce qui peut arriver
Spatial Pooler
Temporal Pooler
Séquence Memory
Prediction

16. Source code

17. Sinus function prediction
from nupic.frameworks.opf.modelfactory import ModelFactory
model = ModelFactory.create(model_params.MODEL_PARAMS)
model.enableInference({'predictedField': 'y'})

18. Sinus function prediction
from nupic.frameworks.opf.modelfactory import ModelFactory
model = ModelFactory.create(model_params.MODEL_PARAMS)
model.enableInference({'predictedField': 'y'})

19. Sinus function prediction
from nupic.frameworks.opf.modelfactory import ModelFactory
model = ModelFactory.create(model_params.MODEL_PARAMS)
model.enableInference({'predictedField': 'y'})

20. Sinus function prediction
'modelParams': {
'inferenceType': 'TemporalMultiStep',
'sensorParams': {
'verbosity' : 0,
'encoders': {
'y': {
'fieldname': u'y',
'n': 100,
'name': u'y',
'type': 'ScalarEncoder',
'minval': -1.0,
'maxval': 1.0,
'w': 21
},
},

21. Sinus function prediction
from nupic.frameworks.opf.modelfactory import ModelFactory
model = ModelFactory.create(model_params.MODEL_PARAMS)
model.enableInference({'predictedField': 'y'})
result = model.run({'y': y})
inference =
result.inferences['multiStepBestPredictions'][1]

22. Sinus function prediction
'multiStepBestPredictions': {1: 0.2638645383168643},
'multiStepPredictions':
{1: {0.17879642297981466: 0.0083312500347378464,
0.20791169081775931: 0.0083320832430621525,
0.224951054343865: 0.020831041503470333,
0.24192189559966773: 0.054163124704840825,
0.2638645383168643: 0.90834250051388887}},

23. Nupic c'est aussi ...
● Prédiction et détection des anomalies
● Produit commercial Numenta Grok
● Open source code
● Hackaton Numenta chaque année
● Outil de visualisation Cerebro
● Moteur HTM

24. Merci!
Des questions?
9rain.ana@gmail.com