STS CM 4.1 Flashcards
Quelles sont les 2 définitions de l’IA ?
L’IA en tant que discipline (« La science et l’ingénierie de la fabrication de machines intelligentes » - John McCarty)
l’IA en tant qu’application : « Ensemble de théories et de techniques capable de reproduire l’intelligence humaine »
Comment marche une IA de façon générale ?
C’est un programme informatique qui va recevoir des données par une entrée,
elle va les traiter
puis elle va produire des données en sortie
Quelle est le principe de l’IA symbolique ?
C’est de reproduire les mécanismes cognitifs d’un humain
Quand l’IA symbolique était dominant ?
Dans les années 80
Sur quoi est basée l’IA symbolique ?
- Sur une représentation symbolique (données)
- Sur un ensemble de règles (base de connaissance)
- Sur un ensemble de faits (entrée du programme ou déduit des règles)
Qu’est-ce qu’un système expert ?
Une catégorie d’IA largement utilisée dans les années 2000
Quelles sont les inconvénients d’une IA symbolique ?
- Difficile de mettre à jour la base de connaissance (besoin d’un expert “humain”)
- N’est pas applicable pour des problèmes non conceptualisable par l’homme
Comment fonctionne un système expert ?
- L’utilisateur non-expert fait une requête
- Elle passe par l’interface utilisateur
- Puis elle arrive au moteur d’interférence
- Le moteur va déduire les faits par rapport à la requête
- Renvoie le fait à l’interface utilisateur puis à l’utilisateur non-expert
En parallèle, le moteur d’interférence est alimenté par sa base de donnée qui est défini par un expert
Le système expert a besoin d’une intervention humaine ou est-il automatique ?
Il a besoin d’une intervention humaine
Comment aller plus loin que l’IA symbolique ?
Avec l’apprentissage automatique ou machine learning
Comment fonctionne le machine learning ?
L’IA a une entrée et une sortie
Elle est alimentée de données par un data scientist
Elle possède un algorithme d’apprentissage lui permettant d’apprendre les règles par elle meme
Quels sont les ingrédients de l’apprentissage automatique ?
- Un jeu de données (big data)
- Un algorithme d’apprentissage (deep learning p.e)
- Une puissance de calcul (carte graphique)
Cela permet l’engouement pour le machine learning
Quel est le but de la reconnaissance d’image ?
Identifier un chat ou un chien p.e sur une image numérique
Un bon apprentissage ne peut se faire qu’avec ?
Qu’avec des données propres
Quelles sont les 2 catégories d’apprentissage automatique ?
- Apprentissage supervisé
- Apprentissage non-supervisé
Qu’est-ce que fait le data scientist pour le jeu de données ?
- Il filtre les données
- Homogénéiser les données
- Traiter les données manquantes
Quel est le but de l’entrainement supervisé ?
Cette étape consiste à entrainer le modèle afin, qu’à terme, il puisse prédire correctement les images d’entrainement
Comment fonctionne le système d’entraînement supervisé ?
-L’algorithme d’apprentissage reçoit les images d’entrainement
- Il fait ensuite l’entrainement au modèle (IA)
- Si la qualité de prédiction est bonne : fin de l’entrainement
- Si la qualité de prédiction est mauvaise : ajustement du modèle et entraînement à nouveau jusqu’à qu’elle soit bonne
Quelle est la différence entre l’apprentissage supervisé et non-supervisé ?
Apprentissage supervisé : On connait la valeur à prédire
Apprentissage non-supervisé : on ne connaît pas la valeur à prédire
Comment s’appelle le système d’entrainement supervisé ?
Un processus itératif
Le jeu de données d’un entraînement supervisé est constitué de quoi ?
- Images d’entrainement
- Images de test
Quel est le but du test du modèle entrainé ?
Cette étape consiste à évaluer les performances du modèle sur des données nouvelles.
Comment fonctionne le test du modèle entrainé ?
- Le modèle reçoit les images de test
- Il fait ensuite des prédictions
- Si le modèle est bon, il est capable de généraliser
- Si il est mauvais, il est trop spécifique
Quel est l’autre nom des neurones artificielles ?
Perceptron
Comment fonctionne un perceptron ?
- Une entrée avec des attributs qui ont chacun des poids
- Une fonction de combinaison qui somme tout les attributs/poids
- Une fonction d’activation
- Puis sortie
Quels sont les détails d’un perceptron ?
Les valeurs d’entrée, de sortie et de poids doivent être bornées
Les bornes des valeurs d’entrée et de sortie doivent être les mêmes
Comment fonctionne un perceptron ?
- Multiplication de l’attribut avec son poids attribué
- Au niveau de la fonction de combinaison (le net) : somme de tout les attributs/poids
- Fonction d’activation va borner les valeurs :
Ce qui est positif = 1
Ce qui est négatif = -1
Comment est constituée un réseau de neurones artificielles ?
On a une couche d’entrée
On a une ou plusieurs couches cachées
On a une couche de sortie
Que se passe-t-il si le perceptron se trompe ?
On retrouve une rétropropagation du gradient de l’erreur
Le perceptron est considéré comme quoi ?
Il est considéré comme un algorithme simple (linéaire)
Il ne résout donc que des problèmes simples (linéaires)
Comment résoudre un problème plus complexe ?
En faisant un réseau de neurones artificielles
Donc résolution de problèmes complexes (non-linéaires)
Qu’est-ce qu’une rétropropagation du gradient de l’erreur ?
Attribution de nouveaux poids en fonction de leur implication dans l’erreur
Le réseau de neurones artificielles apprend comment ?
Par l’apprentissage profond ou deep learning
Le réseau de neurones apprend à distinguer les motifs de l’image
Un pixel = un perceptron
Certains algorithmes d’apprentissage sont capables d’apprendre des règles avec un grand niveau d’abstraction ?
Oui
Les IA modernes sont basées majoritairement sur de ?
L’apprentissage automatique ou « machine learning
L’apprentissage automatique déduit des règles à partir de données sans lien apparent
Oui
Quand est-ce qu’un réseau peut faire du deep learning ?
Quand il possède beaucoup de couches cachées
Un apprentissage correct ne peux se faire qu’avec
Des données propres et diversifiées
