IA et révolution

Mbappe · March 7, 2021

coucou est ce que vous pourriez faire un récap sur quelles avancées (machines) correspondent à quelle révolution. Ce n'est pas souvent précisé dans les diapos et je n'ai pas l'impression que ce soit forcément dans l'ordre du cours. Par exemple l'Alpha Go qui utilise l'apprentissage profond, par renforcement est à la suite de la première révolution pourtant il me semble que l'apprentissage profond est de la deuxième. Où se positionnent l'IA forte et l'IA faible ? Et l'approche numérique ?

Je m'excuse par avance car la demande est conséquente ..

Merci

TutoBulot · March 11, 2021

Heyyy !

Désolé du temps de réponse, j'étais débordée ahah mais me voilà ! Prête comme jaja pour te récapituler ce beau cours.

Donc, commençons par le commencement, tu as 3 révolutions :

La première : basée sur la logique et une programmation classique. C'est le début de l'IA donc on démarre avec des choses "de base".
La deuxième : on va commencer à complexifier le système en utilisant non plus une "réflexion" par logique mais des réseaux neuronaux profonds et l'apprentissage machine (on va y revenir t'inquiète)
La troisième (actuellement et à venir) : elle sera basée sur l'ordinateur quantique et une programmation très similaire à l'organisation de notre cerveau, c'est fou d'imaginer ça (et très compliqué à appréhender) mais on en est pas encore là

Donc ça, c'était au niveau historique, on rentrera dans les détails après.

Ensuite, on peut vouloir 2 choses différentes quand on va concevoir une IA :

On peut vouloir une machine qui raisonne comme nous : on a encore beaucoup de mal à ce niveau là, une telle IA n'existe pas encore vraiment. Ce serait un robot capable d'avoir notre capacité de généralisation, de perception de l'environnement : par exemple, on peut apprendre quelque chose en maths et l'adapter à un domaine totalement différent. On ne "classe" pas forcément les infos. -> C'est l'IA forte.
On peut vouloir une machine qui va nous aider dans nos tâches. C'est le cas de la plupart des IA : elles fonctionnent dans 1 domaine en particulier et souvent même, se limitent à 1 seule tâche. Elles font ça, et c'est tout. -> C'est l'IA faible.

Une IA est un ordinateur, donc il faut une programmation. Et pour ça, on a 2 méthodes :

L'approche symbolique : on a un système qui va alors être basé sur la logique.

Cela utilise ce que l'on appelle un système expert. Mais quesaco ? En gros, cela signifie que l'IA ne va pas apprendre par elle-même. On va nous, des experts dans le domaine d'application de l'IA (médecins par exemple si application médicale), lui donner nos connaissances. Et à partir de là, l'IA aura une base de données et pourra effectuer son action à partir de ces règles.
Et pour effectuer cette action, l'IA va utiliser ce que l'on nomme l'exploration arborescente. Encore une fois, c'est quoi ce truc là ? En gros, imaginons que le rôle de notre IA soit d'identifier une infection bactérienne. Cela va fonctionner par un système de classification, comme un arbre de probabilité : la température est élevée ? Si oui -> Comment est le bilan sanguin ? -> Taux de globule blanc élevé -> Alors... En gros, cela signifie simplement que l'IA utilise un système de "Si... Alors..." pour arriver à sa conclusion (ici le diagnostic).

Donc, comme tu peux t'en douter, ce système de programmation appartient à la 1ère révolution surtout. On l'utilise toujours aujourd'hui attention, mais son arrivée date de ce moment là.

Et le 2e système de programmation, c'est l'approche numérique. Là, on a développé quelque chose de fou : l'IA peut apprendre par elle-même. Cela permet de gérer des données numériques énormes, d'avoir énormément de puissance aussi.

Mais whaaat ? Comment que c'est possible cette histoire là ??? Cela se fait grâce à l'apprentissage machine(et voilà encore un mot barbare, on s'en sort pas). Pas de panique, c'est très logique : cela signifie simplement que la machine va pouvoir apprendre par-elle même : apprentissage machine. Une nouvelle donnée va arriver dans la machine (quelque chose qu'aucun expert ne lui avait donné auparavant) et elle va s'entraîner (répétition) avec cette nouvelle donnée, plusieurs fois. Et à un moment, elle va comprendre ce que c'est et surtout, ce qu'elle implique sur l'action que doit effectuer l'IA. Et du coup, une nouvelle "règle" va apparaître, et elle va la généraliser afin de pouvoir l'utiliser à chaque fois. L'IA aura appris par elle-même.

Par exemple : pour reprendre une IA qui voudrait diagnostiquer une infection bactérienne. Imaginons qu'un.e patient.e arrive un symptôme inconnu ! Le médecin n'a jamais dit à l'IA "oh ce patient à les cheveux bleus -> il est atteint de la bactérie du schtroumpf". Mais le patient arrive, et il a les cheveux bleus. L'IA se dit alors "heu donnée inconnue dude, je sais pas quoi en faire moi". Avec une approche symbolique, l'IA aurait juste ignoré cette info et dit "bon bah aucun symptôme connu = aucune infection bactérienne". Avec l'approche numérique, l'IA va créer une nouvelle catégorie et va mettre son.sa patient.e aux cheveux bleus dans cette catégorie. Puis un nouveau patient va arriver, elle va le mettre dans cette catégorie, et petit à petit, va se créer une nouvelle infection bactérienne dans son système, la schtroumpfite. Bon c'est très simplifié évidemment, mais en gros c'est ça ^^

Et cet apprentissage machine utilise 2 sous-types d'apprentissage (parce qu'on ne s'arrête jamais)

L'apprentissage machine supervisé
L'apprentissage machine non-supervisé

(Si tu as besoin d'explications sur la distinction entre les deux, n'hésite pas)

Toute cette approche numérique utilise donc l'apprentissage machine, des expériences passées pour arriver à effectuer son action. Et cela se base sur ce que l'on nomme l'apprentissage profond (qui utilise des réseaux neuronaux artificiels on y revient encore). L'apprentissage machine est utilisé par l'apprentissage machine, pas l'inverse attention ^^ C'est donc cet apprentissage profond qui peut être supervisé ou non supervisé, dans la grande catégorie de l'apprentissage machine. C'est grâce à cet apprentissage profond que l'IA peut traiter des Big Data et avoir énormément de puissances, car les neurones permettent de sommer des informations et non plus de les traiter uniquement une par une

Donc là, tu comprends que l'apprentissage machine, l'apprentissage profond et les réseaux neuronaux appartiennent à la 2e révolution !

Attention : cette classification est techniquement théorique. L'apprentissage machine peut utiliser l'arborescence, juste différemment par exemple ^^

Donc, maintenant qu'on a tout ça, où vont les exemples du cours ? Alors attention, c'est un classement qui n'a pas forcément de sens à apprendre tel quel. C'est surtout intéressant d'apprendre que AlphaGo utilise l'apprentissage profond plus que le fait que ça corresponde à la 2e révolution ^^

Deep Blue et Watson : 1ère révolution -> Ce sont des IA qui fonctionnent avec logique sur la base du "si... alors..." qui est exactement la réflexion qu'on dans les jeux d'échecs
Perceptron : 1ère révolution
ImageNet : 2e révolution -> Grâce aux réseaux neuronaux, on peut traiter plusieurs "layers" d'informations sur une photo et les trier ensemble grâce à ça !
AlphaGo : 2e révolution
Mycin : 1ère révolution -> n'est plus utilisé aujourd'hui mais utilisait le système expert