AI, Sty & Sustainability Flashcards
aristote
représente le raisonnement par des symboles
R Llull
taxonomy des relations entre les objets
descartes
pensé a développer un langage pour representer le raisonnement
requis : * appris en qq jours * mots/pensées combinables comme nbres * possible de diviser des pensées complexes en de + simples
Pascal
Leibniz
- Première machine arithmétique + calculus ratiocinator : device qui pourrait faire des raisonnements de philo comme maths
- characteristica universals : simple components of any possible reasoning
Précurseurs de l’IA
- efforts pour formaliser pensées et automatiser le raisonnement
- n’aimeraient pas nos IA, qui ne sont pas exactes, mais probabilistes
eux, voulaient réduire les erreurs par la machine.
Turing
turing test : savoir si machine était intelligente, et capable de tromper l’humain, mais reste difficile de savoir si vrm intelligent
9 objections à l’IA réfutées.
paradoxe de Moravec
choses qu’on fait sans penser sont difficiles à reproduire, pas celles qu’on fait en pensant
Searle
Chinese room : critique le Turing test, avec qqn qui utilise les symboles chinois, mais ne les comprend pas
ray Kurzweil
the singularity : point when machines Strat to develop themselves
nick Bostrom
il n’est pas nécessaire que l’IA devienne consciente d’elle-même pour être dangereuse
car machines = programmées pour faire qqc, et pourraient faire n’importe quoi pour y arriver (paperclip)
future of work with AI
automatisation mais aussi création de jobs
devrait créé redistribution (7M en -, 7M en +)
TAY
IA de microsoft, qui devait imiter un ado, et a fini raciste
Bob&Alice
2 AI coupées car parlaient dans un langage inconnu pour nous
historique de la médecine
- médecine ancienne : centrée sur relation médecin/patient, pas de diagnostic
- 19è : nouveaux outils d’analyse
- 90s : evidence-based medicine, basée sur preuves scientifiques, avec limites : comportement du patient, cout, manque de données.
exemple de données non conventionnelles
google flu trends 2014, dépassé le système de santé américain en prédisant groupe, grâce aux recherches gg
Apports de l’IA en santé
- analyse de données réelles / complexes / continues
- adaptation au patient
- objectifs : amélioration du diagnostic, traitement perso, pousser le tout à échelle globale
fonctions de l’IA dans la santé
- diagnostic/ traitement
- gestion/management de santé et engagement du patient
- organisation des systèmes de soin
EXs d’IA dans la santé
- CASNET : système à base de règles, pour proposer des antiobio
- DXplain : système de diagnostic médical.
- Watson for oncology : IA d’IBM, qui lit 8k articles/j, mais attention aux erreurs / biais
quelle technologies modernes utilisant l’AI dans la santé ajd
- télémédecine : virtuel
- physique : robots assistants
ex : Reset vs addictions, BlusStar vs diabète, et E-health
défis de l’IA dans la santé
- données volumineuses et personnels (protection ?)
- responsabilité : comment valider ses choix ?
- acceptation : pas bcp encore chez les patients
- sur-confiance : automation bias : donner trop confiance à la machine
- autorité distribuée : rend dispo aux patients certains outils, en lesquels ils auront confiance, ce qui => perte de confiance pour les médecins
data mining
trouver des règles d’association et des buying patterns (pour le business)
areas pour IA dans le business
- prédiction / decision making
- causality, qui est différent de correlation
- explainable AI : ia doit donner des explications car données n’en sont pas
- ontologie et knowledge graphs : représentation en terme de concepts et de relations entre les concepts
Citation Hogenhout
le but n’est pas de créer une IA puissante, mais pertinente
critères pour que AI soit efficace
- accessibilité : éprouvé + scalable
- bénéfice clair : résout vrai problème
- actionabilité : recommandations simples
