Blog ENI : Toute la veille numérique !
-25€ dès 75€ sur les livres en ligne, vidéos... avec le code FUSEE25. J'en profite !
Accès illimité 24h/24 à tous nos livres & vidéos ! 
Découvrez la Bibliothèque Numérique ENI. Cliquez ici
  1. Livres et vidéos
  2. Le Deep Learning pour le traitement d’images
  3. Intelligence artificielle et apprentissage profond
Extrait - Le Deep Learning pour le traitement d’images Classification, détection et segmentation avec Python et TensorFlow
Extraits du livre
Le Deep Learning pour le traitement d’images Classification, détection et segmentation avec Python et TensorFlow
1 avis
Revenir à la page d'achat du livre

Intelligence artificielle et apprentissage profond

Objectifs du chapitre

L’objectif de ce chapitre est de vous présenter une vue d’ensemble de l’intelligence artificielle et de l’apprentissage profond.

Nous parlerons de la différence entre les notions d’intelligence artificielle, d’apprentissage automatique, et d’apprentissage profond. Puis nous décrirons le fonctionnement général d’un modèle d’apprentissage, qu’il soit profond ou pas.

Nous exposerons ensuite un bref historique de l’intelligence artificielle, depuis l’apparition du terme dans les années 1950 jusqu’à aujourd’hui, ce qui nous permettra de comprendre les raisons pour lesquelles on parle tellement d’apprentissage profond depuis une dizaine d’années.

Nous listerons ensuite les promesses et les limites des algorithmes d’apprentissage profond disponibles actuellement, ainsi que les questions éthiques posées par leur usage.

Définitions de l’intelligence artificielle, apprentissage automatique et apprentissage profond

1. Intelligence artificielle

L’intelligence artificielle est un concept vieux de près de soixante-dix ans, dont la définition est très générale.

La première publication à faire mention de ce terme date de 1950. Dans cet article, le mathématicien Alan Turing, fasciné à la fois par le cerveau humain et par la logique, évoque la possibilité de créer une machine qui reproduirait les mécanismes de raisonnement d’un humain avec seulement des outils logiques. Ce qu’il appelle « intelligence artificielle » est « une machine capable d’imiter un acteur humain ».

Quelques années plus tard, en 1956, un mathématicien contemporain d’Alan Turing, Marvin Lee Minsky, précise cette définition, et décrit l’intelligence artificielle comme « la construction de programmes informatiques qui s’adonnent à des tâches qui sont, pour l’instant, accomplies de façon plus satisfaisante par des êtres humains, car elles demandent des processus mentaux de haut niveau tels que : l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement critique ».

Ce sont des définitions...

Fonctionnement général d’un modèle d’apprentissage

1. Processus d’apprentissage et ingrédients

Un modèle d’apprentissage (apprentissage automatique ou apprentissage profond) est tout simplement une fonction, dont la formulation contient des paramètres, et visant à résoudre un problème donné.

Les entrées et les sorties de cette fonction dépendent du problème.

Ainsi, un modèle d’apprentissage visant à reconnaître si une image représente un chien ou un chat prend une image en entrée, et renvoie un nombre binaire en sortie (0 pour chien et 1 pour chat, par exemple).

Un modèle d’apprentissage ayant pour but de prédire si un message électronique est légitime ou non prend en entrée le texte du message, et renvoie également un nombre binaire en sortie (0 pour message légitime et 1 pour message non légitime, par exemple).

La première étape est donc de choisir un modèle, c’est-à-dire une fonction, adapté au problème.

Pour les problèmes de traitement d’images, on utilise généralement des réseaux de neurones à convolution, un type de fonction particulier que nous décrirons dans le chapitre Réseaux de neurones à convolution. Pour l’instant, considérons seulement que nous avons une fonction dont la formulation utilise des paramètres.

Nous devons maintenant estimer les paramètres de cette fonction. Pour cela, nous allons l’appliquer itérativement à un ensemble de données, appelé données d’entraînement, pour lesquelles nous connaissons le résultat escompté.

Pour reprendre les exemples précédents, les données d’entraînement visant à entraîner notre algorithme de classification de chats et de chiens comprennent des images de chats et de chiens, chacune associée à une étiquette « chat » ou « chien ».

Les données d’entraînement utilisées pour entraîner notre algorithme de détection des pourriels (spams en anglais) comprennent des messages électroniques légitimes et non légitimes, chacun associé...

Bref historique de l’intelligence artificielle et de l’apprentissage profond

1. Naissance de l’intelligence artificielle

Si les premiers outils théoriques permettant de construire un modèle d’intelligence artificielle sont proposés dès 1940, c’est en 1956 que naît l’intelligence artificielle en tant que discipline scientifique.

Au cours de cet été 1956, John McCarthy, alors professeur de mathématiques à l’université, organise un atelier de travail. Cet atelier réunit une dizaine de chercheurs et ingénieurs en mathématiques, informatique, théorie de l’information et psychologie cognitive, et a pour but d’avancer sur le sujet des « machines pensantes ».

Ce domaine avait alors plusieurs dénominations. C’est lors de cet atelier que le terme « intelligence artificielle » est officiellement choisi pour désigner la discipline.

Les premières années, cette discipline connaît un énorme engouement. La recherche est principalement financée par l’armée américaine, qui, en pleine guerre froide, espère mettre au point un outil de traduction automatique entre l’anglais et le russe.

Les avancées sont cependant loin de répondre aux attentes, et la plupart des crédits de recherche sont gelés...

Promesses, limites et risques

1. Apports de l’intelligence artificielle pour le traitement d’images

Aujourd’hui, les modèles d’apprentissage profond permettent d’avoir des performances proches de celles d’un être humain dans des tâches de traitement d’images qui étaient considérées comme impossibles à automatiser il y a encore dix ans.

Les performances obtenues surpassent même les performances d’un opérateur humain dans certaines tâches, comme la classification d’image en centaines de classes, la détection de lésions dans des images dégradées, ou encore certaines tâches de segmentation d’images.

Enfin, certaines applications, comme la génération d’image à partir de texte, ou la conversion d’un type d’image en un autre, n’existaient tout simplement pas avant l’arrivée des réseaux génératifs. Il était bien sûr possible de développer des méthodes appropriées, mais elles restaient limitées à un contexte extrêmement précis.

Il est donc tentant de voir les modèles d’apprentissage profond comme des baguettes magiques qui peuvent répondre à toutes les questions. C’est cependant loin d’être le cas.

2. Limites et risques de l’intelligence artificielle

a. Vision idéalisée des prouesses possibles

Le vocabulaire employé dans le domaine de l’intelligence artificielle est celui de l’intelligence humaine, à commencer par le terme d’intelligence artificielle lui-même. On parle d’apprentissage d’un modèle, de son entraînement, on dit d’un modèle entraîné qu’il effectue des prédictions, ou encore qu’il raisonne par inférence.

Tous ces termes sont des héritages de la vision des mathématiciens des années 1950, qui, exaltés par les prouesses techniques réalisées pendant la guerre, n’imaginaient aucune limite à ce qui pourrait être réalisé par la technologie.

En réalité, les méthodes d’intelligence artificielle disponibles actuellement sont tout simplement des modèles statistiques. Ainsi...

Conclusion

Vous avez maintenant une vue d’ensemble de ce que sont les modèles d’apprentissage, profond ou non, et de la manière globale dont ils fonctionnent.

Dans le prochain chapitre, nous allons détailler le matériel nécessaire pour mettre en application des modèles d’apprentissage profond. Nous y décrirons également la manière d’exploiter les éléments en téléchargement de cet ouvrage.