Sensibilisation à l'IA - Business & Decision...Sensibilisation à l'Intelligence Artificielle Ici,...

Sensibilisation à l’Intelligence Artificielle et au Deep Learning

Sensibilisation à l'Intelligence Artificielle

Sensibilisation à l’Intelligence Artificielle et au deep learning

Didier Gaultier Directeur DataScience Groupe


Votre animateur

[email protected]

06.80 96 68 90 01 56 21 22 79

Directeur Data Science Groupe

Didier Gaultier

@didier_gaultier


Intelligence Artificielle et DataScience.Notions de base


Un agent intelligent (IA) est une entité autonome

capable de percevoir son environnement grâce à

des capteurs et aussi d'agir sur celui-ci via des

actionneurs afin de réaliser des objectifs. Un

agent intelligent peut également apprendre,

utiliser des règles ou des informations pour

pouvoir réaliser ses objectifs.

Définition d’un agent intelligent en I.A.


Wikipédia

Interaction de l’agent avec son environnement

18/04/2018Sensibilisation à l'Intelligence Artificielle

Perception de l’état de l’environnement

Action

La notion de récompense


La notion de degrés de liberté

Sensibilisation à l'Intelligence Artificielle 18/04/2018

Les règles du jeu ….


Les I.A. apprenantes


Ici, L’agent va essayer de construire lui-même la fonction de score. On attribue une récompense lorsqu’il arrive au but et une pénalité lorsqu’il tombe dans le feu.

R = +1

R = -1

18/04/2018

Bellman : un des fondateurs de l’apprentissage renforcé


Richard Ernest Bellman, (né le 29 août 1920 à Brooklyn et mort le 19 mars 1984 à Los Angeles), est un mathématicien américain. Il est à l’origine de l’algorithme de Bellman qui est à l’origine de l’apprentissage par renforcement

Fonctionnement de l’algorithme de Bellman


Fonctionnement de l’équation de Bellman




V = 0,9 V = 1



V = 0,9 V = 1V = 0,81



V = 0,9 V = 1V = 0,81

V = 0,73



V = 0,9 V = 1V = 0,81

V = 0,73

V = 0,66

Le plan


R = +1

R = -1

18/04/2018

Intelligence Artificielle et DataScience.Gestion de l’incertitude


Process de Décision de Markov (PDM)


Progression déterministe et non déterministe


Progression déterministe :

Progression déterministe et non déterministe


Progression déterministe : Progression non déterministe :

Plan de circulation sans incertitude :


Les incertitudes affectent le plan d’apprentissage


Les positions des flèches ici sont très intéressantes car on pourrait supposer intuitivement qu’elle seraient orientées différemment

Intelligence Artificielle et DataScience.L’environnement


Les caractéristiques de l’environnement

Accessible <-> Non accessible

Certain <-> Incertain

Episodique <-> Non épisodique

Statique <-> Dynamique

Discret <-> Continu


Accessible vs Non Accessible

Question : l’agent a-t-il accès à la totalité de l’environnement sur lequel il agit, ou une partie de l’environnement lui est elle cachée ?

Exemple d’environnement accessible : Jeu d’ échecs (avec ou sans timer)

Exemple d’environnement inaccessible : Jeu de carte (poker, etc…)


Certain vs Incertain

Si l’état de l’environnement est complètement déterminé par l’état courant et les actions de l’agent, on dit que l’environnement est certain. Par contre si l’action de l’agent peut générer un état qui peut varier en fonction d’autres paramètres, on dit que l’environnement est incertain.

Exemple d’environnement certain : Jeu de dames

Exemple d’environnement incertain : Acte chirurgical


Episodique (Markovien)

Dans un environnement épisodique, également appelé Markovien, l’action de l’agent immédiatement fait suite à sa perception de l’environnement de manière épisodique. La qualité de l’action ne dépend que de la séquence en cours, et la connaissance des épisodes précédents n’a pas d’importance.Il n’y a pas de notion de long terme dans un environnement épisodique

Exemple d’environnement séquencé : Automate de fabrication de pièces, analyse de texte, d’image statique, etc…

Exemple d’environnement non épisodique : simulation de rupture des matériaux


Statique vs dynamique

Si l’état de l’environnement de change pas pendant que l’agent calcule sa décision, on dit que l’environnement est statique, par contre si l’environnement peut changer pendant que l’agent calcule, l’environnement est alors dynamique

Exemple d’environnement statique : Jeu d’ échecs (sans timer)

Exemple d’environnement dynamique : voiture autonome


Discret vs continu

Si le nombre d’états possibles – ainsi que le nombre d’actions possibles – est limité, défini et connu, on dit que l’environnement est discret. Si le nombre d’états possibles est illimité, non défini, ou inconnu, alors on parle d’environnement continu.

Exemple d’environnement discret : correcteur orthographique

Exemple d’environnement continu : système de diagnostic sur un moteur


Mono agent versus multi-agent

Si on a un seul agent dirigé par une I.A. on parle de système mono agentSi on a plusieurs I.A. capable de communiquer entre elles et d’interagir, on parle de multi agents

Exemple de système mono agent : la voiture autonomie

Exemple de système multi agent : Une ensemble de robots dispatcheurs


Intelligence Artificielle et DataScience.Le deep learning


L’utilisation du deep learning


Le Deep Learning : réseaux de neurones convolutifs

L'apprentissage profond (en anglais deep learning, deep structured learning, hierarchical learning) est un ensemble de méthodes d'apprentissage automatique tentant de modéliser avec un haut niveau d’abstraction des données grâce à des architectures articulées de différentes transformations non linéaires[réf. souhaitée]. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse des signaux sonores ou visuels et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage


Le Deep Learning : réseaux de neurones convolutifs

Utilisé principalement pour la reconnaissance de formes, d’images, de textes, et globalement toute forme de signal (son, vidéo, etc.…)Phase d’apprentissage : on donne une série d’images qui correspondent à divers éléments qu’on souhaite reconnaitre, et on indique la bonne réponse au moteur d’apprentissagePlus le nombre d’item d’apprentissage est élevé, meilleures seront les métriques de prédictionEnsuite le moteur de reconnaissance est en capacité de donner les bonnes réponses sur les éléments soumis


Réseaux de neurones convolutifs


Traitement du signal dans les réseaux convolutifs


Exemple et démo : réseaux de neurones convolutifs


http://scs.ryerson.ca/~aharley/vis/conv/flat.html

http://scs.ryerson.ca/~aharley/vis/conv/flat.html

Exemple et démo : réseaux de neurones convolutifs


Intelligence Artificielle et DataScience.Cas d’usage


Analyse des images d’un catalogue de vente à distance


• Utilisation du deep learning pour caractériser les images• Prédiction de l’impact des images sur les actions des clients

Technologie utilisée :

• TensorFlow sur Microsoft Azure

Souvenirs à emporter

Livre blanc « Du Big Data au Big Busine$$ »

http://businessdecision.fr/livreblanc-bd

Blog Big Data & Digitalhttp://blog.businessdecision.com


Sensibilisation à l'IA - Business & Decision...Sensibilisation à l'Intelligence Artificielle Ici,...

Documents

Transcript of Sensibilisation à l'IA - Business & Decision...Sensibilisation à l'Intelligence Artificielle Ici,...