IAcademie : Comprendre l'IA - Les différentes formes d'IA (Partie 1)
Summary
TLDRCe script de formation introduit les bases de l'Intelligence Artificielle (IA), en abordant ses différentes formes, domaines et capacités. Le présentateur partage son parcours d'auto-formation et annonce une série de webinaires pour explorer les concepts clés de l'IA, allant de l'apprentissage supervisé au deep learning, en passant par les génératifs et les applications multimodales. Il insiste sur l'évolution de l'IA, de l'IA étroite à l'IA générale, et sur l'importance de comprendre comment l'IA peut être un outil d'amélioration pour les humains plutôt que de substitution.
Takeaways
- 😀 La formation 'IA Academy' a pour but d'expliquer les différentes formes d'IA et de vulgariser des concepts importants pour comprendre l'IA.
- 📚 L'apprentissage s'est structuré autour de centaines de slides et de formations en ligne, menant à la création d'un programme de formation en quatre webinars.
- 🌐 L'entreprise 'Partout' est une start-up en croissance, développant des solutions IA pour les retailers et les points de vente, et mettant en avant un média nommé 'Tribes'.
- 🤖 L'IA est divisée en trois domaines principaux : le traitement du langage naturel (NLP), la vision informatique (computer vision) et la robotique.
- 🧠 Le machine learning est une sous-catégorie de l'IA qui apprend à partir d'exemples, tandis que le Deep learning est une sous-catégorie du machine learning utilisant des réseaux de neurones profonds.
- 🔢 L'apprentissage supervisé, non supervisé et renforcement sont les trois méthodes d'apprentissage utilisées dans le machine learning.
- 🏗️ L'apprentissage actif est une approche où l'algorithme demande des annotations pour les cas les moins clairs, améliorant ainsi sa performance.
- 🎨 L'IA générative est capable de créer du contenu original, comme des images ou du texte, basé sur des modèles d'apprentissage profond.
- 🖼️ Les GAN (Generative Adversarial Networks) sont utilisées pour créer des images逼真, ce qui soulève des questions sur les deep fakes et la dépixalisation.
- 🔮 L'IA est à un point de flexion où elle peut potentiellement dépasser l'intelligence humaine, avec des concepts comme l'IA générale (AGI) et la super-intelligence.
- 🤝 L'IA est vue comme un outil d'augmentation pour les humains, plutôt que de remplacement, changeant la distribution des compétences et offrant de nouvelles perspectives pour les entreprises.
Q & A
Quelle est la durée de la première session de formation sur l'IA ?
-La première session de formation sur l'IA est prévue pour durer environ 1 heure.
Quels sont les sujets abordés lors de cette formation sur l'IA ?
-La formation couvre les différentes formes d'IA, les concepts clés de l'apprentissage automatique, du deep learning, et l'exploration de plusieurs domaines de l'IA.
Quel est le nom de l'académie de formation IA mentionnée dans le script ?
-L'académie de formation IA mentionnée est appelée 'Ia, Academy'.
Combien y a-t-il de collaborateurs dans l'entreprise 'Partout' ?
-L'entreprise 'Partout' compte actuellement 400 collaborateurs.
Quels sont les produits basés sur l'IA que 'Partout' développe pour les retailers et les points de vente ?
-Partout développe des solutions basées sur l'IA, notamment un agent conversationnel et une analyse d'avis.
Quel est le nom du média associé à 'Partout' et son objectif principal ?
-Le média associé s'appelle 'Tribes' et il est dédié aux entrepreneurs, produisant du contenu pour les start-ups impliquées dans l'IA.
Quel est le nom de l'animateur de la formation et son rôle au sein de 'Partout' ?
-L'animateur est le CPO de chez 'Partout', bien que son nom n'est pas mentionné dans le script.
Quels sont les trois principaux domaines d'IA abordés lors de la formation ?
-Les trois principaux domaines d'IA abordés sont le traitement du langage naturel (NLP), la vision informatique (computer vision) et la robotique.
Quelle est la différence entre l'apprentissage supervisé, non supervisé et renforcement dans le machine learning ?
-L'apprentissage supervisé utilise des données étiquetées pour entraîner le modèle, l'apprentissage non supervisé cherche à identifier des structures dans les données sans étiquette, et l'apprentissage par renforcement apprend en fonction de la récompense ou du retour d'information sur les actions.
Quels sont les modèles de réseaux de neurones utilisés dans le deep learning ?
-Les réseaux de neurones utilisés dans le deep learning incluent les réseaux convolutifs (CNN), les réseaux de neurones récurrents (RNN), et les modèles génératifs adversariels (GAN).
Quels sont les sujets abordés dans les sessions de formation suivantes ?
-Les sessions suivantes se concentreront sur le NLP, les grands modèles de langage (LLM), le tokenizing, la vectorisation, l'embedding de mots, les modèles transformateurs, l'entraînement des modèles, les GPU, les modèles fondamentaux, l'RLHF, le prompting et les agents virtuels.
Quelle est la différence entre l'IA 'étroite' et l'IA 'générale' ?
-L'IA 'étroite' est conçue pour effectuer une tâche spécifique, tandis que l'IA 'générale' (ou AGI) a la capacité de comprendre, d'apprendre et d'appliquer dans n'importe quel domaine à un niveau équivalent ou supérieur à l'intelligence humaine.
Quel est le risque potentiel des technologies de l'IA, comme les deep fakes ?
-Les deep fakes présentent des risques pour la sécurité, la confidentialité et la démocratie, notamment en période électorale, en étant capables de créer des images, des vidéos ou des sons逼真 qui trompent l'œil humain.
Quelle est la différence entre l'augmentation de l'IA et l'automatisation ?
-L'augmentation de l'IA vise à aider et à améliorer les capacités humaines, comme la suggestion de réponses aux avis, tandis que l'automatisation remplace les tâches humaines, comme le chatbot de 'Partout' qui répond aux clients.
Quels sont les prochains sujets de formation et quand aura lieu la prochaine session ?
-Les prochains sujets de formation sont le NLP et les LLM, incluant la tokenisation, la vectorisation, l'embedding de mots et les modèles transformateurs. La prochaine session aura lieu le 16 juillet.
Outlines
📚 Introduction à la formation IA Academy
La première session de la formation IA Academy a été présentée, avec une durée d'environ une heure. Le but est de couvrir les différentes formes d'IA et de présenter des concepts clés pour les sessions suivantes. L'initiative a été déclenchée par une auto-formation du conférencier à travers diverses ressources en ligne. Le résultat a été une formation en quatre webinars pour les équipes de la société partout, qui est passée d'une start-up à une entreprise de 400 employés, développant des solutions pour les détaillants avec des produits basés sur l'IA. La formation vise à vulgariser la compréhension de l'IA, en français, et à fournir une base solide pour explorer les aspects techniques dans les sessions futures.
🤖 Définition des termes IA, Machine Learning et Deep Learning
Les concepts fondamentaux d'IA, de Machine Learning (ML) et de Deep Learning (DL) ont été expliqués. L'IA est la capacité des machines à imiter les comportements et les capacités cognitives humaines. Le ML est une sous-catégorie de l'IA qui permet aux machines d'apprendre à partir d'exemples, en contraste avec la programmation classique basée sur des règles. Le DL est une approche plus récente du ML qui utilise des réseaux de neurones profonds pour résoudre des problèmes complexes. Les trois formes d'apprentissage ML - supervisé, non supervisé et renforcement - ont été décrites, avec des exemples concrets pour chaque type.
🏥 Applications de l'apprentissage supervisé en santé
L'apprentissage supervisé a été illustré par des applications dans le domaine de la santé, notamment l'utilisation de l'IA pour détecter des fractures dans des images radiologiques. Un exemple a été donné de la société Glimer, qui travaille sur l'apprentissage actif pour aider les radiologues à identifier les fractures plus efficacement. Cette approche permet de cibler l'annotation de cas spécifiques, améliorant ainsi la précision du modèle ML.
🔍 Apprentissage non supervisé et clustering
L'apprentissage non supervisé a été expliqué en tant que processus d'apprentissage où l'IA regroupe les données sans étiquettes pour identifier des structures ou des motifs. Le clustering a été cité comme un exemple d'apprentissage non supervisé, où l'IA est capable de regrouper des avis de clients par thème, comme la vitesse ou la 3D, sans instructions explicites.
🎨 Le Deep Learning et ses applications
Le Deep Learning a été présenté comme une forme de ML qui utilise des réseaux de neurones pour imiter le cerveau humain. Les réseaux de neurones profonds sont capables de traiter des données non structurées et de générer des sorties complexes, comme la traduction de l'entrée en texte, image, audio ou vidéo. L'importance des GPUs pour l'entraînement des modèles de Deep Learning a également été soulignée, avec Nvidia mentionnée comme leader dans ce domaine.
🖼️ GANs et la génération de contenu visuel
Les GANs (Generative Adversarial Networks) ont été introduites comme un type de modèle de Deep Learning qui utilise deux modèles distincts pour générer et évaluer des données. Le générateur crée des données qui imitent la réalité, tandis que le discriminateur évalue leur authenticité. Cette interaction concurrentielle permet de créer des images de Deep Fake qui peuvent tromper l'œil humain, soulignant les implications potentielles pour la démocratie et les droits d'auteur.
🌐 Domaines de l'IA et les modèles associés
Les trois principaux domaines de l'IA - NLP (Traitement du Langage Naturel), Computer Vision et Robotique - ont été décrits, chacun utilisant des modèles spécifiques pour traiter différents types de données. Le NLP est axé sur le texte et la voix, la Computer Vision sur les images et les vidéos, et la Robotique sur les mouvements. Les modèles de diffusion pour la génération d'images et les CNN (Convolutional Neural Networks) pour la reconnaissance d'images ont été mentionnés comme exemples clés.
🎶 IA multimodale et la création de contenu
L'évolution de l'IA a été présentée, passant de l'IA étroite, conçue pour une tâche spécifique, à l'IA multimodale capable de traiter plusieurs types de médias simultanément. Des exemples de création de contenu ont été donnés, comme la génération de musique de groupes qui ont officiellement séparé, montrant les capacités croissantes de l'IA pour traiter et combiner des données de manière créative.
🧠 La convergence vers l'IA générale et la Super-IA
La discussion a évoqué l'idée d'une IA qui pourrait devenir supérieure à l'intelligence humaine, appelée AGI (Artificial General Intelligence). Les défis éthiques et de sécurité liés à l'IA, y compris l'alignement des modèles et la prévention d'un contrôle inapproprié du monde par l'IA, ont été mentionnés. Le débat sur la collaboration entre l'homme et la machine a été introduit, en soulignant les avantages de l'augmentation humaine par l'IA plutôt que l'automatisation qui pourrait remplacer les êtres humains.
🔗 Conclusion et perspectives pour les prochaines formations
La session a conclu avec une invitation à s'inscrire aux prochaines formations sur des sujets plus techniques, notamment le NLP et les LLM. Les participants ont été encouragés à contribuer au média Tribe et à postuler chez partout si leurs compétences en IA correspondent aux besoins de l'entreprise. Les thèmes futurs, comme le Cloud Computing et le fine-tuning, ont été annoncés pour continuer l'éducation des participants sur l'IA.
Mindmap
Keywords
💡Intelligence Artificielle (IA)
💡Machine Learning
💡Deep Learning
💡NLP (Natural Language Processing)
💡Computer Vision
💡Generative Adversarial Networks (GANs)
💡Apprentissage Supervisé
💡Apprentissage Non Supervisé
💡Apprentissage par Renforcement
💡Vulgarisation
💡AGI (Artificial General Intelligence)
💡Multimodal
Highlights
La formation IA Academy a pour objectif de vulgariser les concepts d'IA en français.
L'auteur a élaboré plus de 250 slides à partir de sa propre expérience de formation en IA.
La formation se compose de quatre webinars couvrant des sujets allant de la compréhension de l'IA à l'entraînement de modèles.
L'entreprise derrière la formation, Partout, est une start-up en croissance avec 400 collaborateurs travaillant sur des solutions IA pour les retailers.
Tribes, un média dédié aux entrepreneurs, est mentionné comme un canal de production de contenu sur IA.
L'importance de la vulgarisation en IA est soulignée pour rendre les concepts accessibles au grand public.
Les trois formes d'apprentissage en IA : supervisé, non supervisé et renforcement.
L'apprentissage actif est introduit comme une méthode d'apprentissage supervisé ciblé.
Le clustering est présenté comme une méthode d'apprentissage non supervisé pour regrouper des données sans étiquette.
L'apprentissage par renforcement est comparé à l'apprentissage d'un enfant avec des récompenses et des punitions.
L'importance de la transition de CPU à GPU pour l'entraînement des modèles d'IA profonds.
L'informatique quantique est évoquée comme une technologie potentielle pour améliorer l'efficacité des modèles IA.
La générative AI est expliquée comme une capacité à créer du contenu original à partir de l'apprentissage.
Les modèles de diffusion sont mentionnés comme une méthode de génération d'image.
Les CNN (Convolutional Neural Networks) sont introduites pour la reconnaissance d'image.
Les GAN (Generative Adversarial Networks) sont décrites comme un système composé d'un générateur et d'un discriminateur.
Les implications des deep fakes et leur impact potentiel sur la société et les démocraties sont discutées.
L'IA est présentée comme un outil d'augmentation pour aider les humains plutôt que de les remplacer.
Le débat entre l'homme et la machine est abordé, notamment dans le contexte du jeu d'échecs avec l'avènement des sentieurs.
Les prochaines formations seront plus techniques et couvriront des sujets tels que le NLP, les LLM, et l'entraînement des modèles.
Transcripts
il est tro on va on va commencer euh
donc je vais appeler cette formation Ia
Academy concrètement aujourd'hui c'est
la première session ça va durer environ
1 heure et on va parler des différentes
formes d'IA et aborder plusieurs
concepts importants pour la suite euh
concrètement en fait ce qui s'est passé
c'est que j'ai commencé à regarder des
formations qu'on m'a envoyé des gens qui
qui connaissaient que ce soit des
formations sur YouTube sur courserra des
podcasts et cetera et au fur et à mesure
où je consommais le contenu je prenais
des notes pour essayer de me former puis
au bout d'un moment j'ai commencé à
avoir une centaine de slides euh puis
200 puis 250 et cetera et euh en forant
j'aime bien essayer de réexpliquer pour
euh pour mieux comprendre euh et donc on
a fait une formation de quatre webinars
euh et oui éventuellement on pourra euh
on pourra envoyer les slides B de toute
façon toutes les slides seront republiés
ce ce ça sera enregistré il y aura un
replay h et donc j'ai fait cette
formation en quatre webinars pour les
équipes de de partout euh pour vous
donner un peu le contexte de cette
formation donc partout on est une
start-up on est plus vraiment une
start-up on est maintenant 400
collaborateurs et on développe des
solutions pour les retailers et les
points de vente et on fait notamment des
des produits à base d'IA notamment un
agent conversationnel et un une analyse
des avis et à côté j'ai un média euh
avec Grégory becck et Savini lurege qui
est notre CPO chez partout euh qui
s'appelle tribes sur lequel on produit
pas mal de contenus euh et donc de la
réunion entre tribes qui est vraiment un
média bénévole qui est dédié aux
entrepreneurs et partout qui une
start-up qui fait des produits dans l'IA
on a décidé de lancer cette formation
euh pour tous ceux qui viennent de se
connecter qui qui se disent je veux
m'intéresser à l'ya en fait il y a
quatre manières de s'intéresser à lia il
y a les implications à long terme donc
typiquement c'est ce que fait Laurent
Alexandre sur la géopolitique ouou des
impacts sur sur le monde de manière
générale par l'IA il y a les
applications concrètes donc utiliser euh
bah c'est cette IA il y a la maîtrise de
la technologie nous on va se focaliser
sur la compréhension de son
fonctionnement donc c'est assez
important ce webinar il est avant tout
pour comprendre comment ça fonctionne
pour potentiellement beaucoup mieux s'en
servir et c'est assez fou le nombre de
formations qu'il y a en anglais sur ces
sujets mais il y a pas de formation je
trouve en français qui soit complète et
qui prennent l'ensemble des sujets et
essa de les vulgariser donc on est
vraiment sur la vulgarisation qu'est-ce
que ça veut dire la vulgarisation
j'avais lu cet exemple et je pense que
c'est important de le rappeler si on
demande à quelqu'un de décrire cette
pomme et on va décrire en disant elle
est ronde et elle est rouge et si on
décrit cette pomme comme ça forcément
c'est un peu faux euh on va regarder
cette pomme on va se dire c'est faux
mais en fa même temps c'est un peu vrai
donc c'est ce que je vais faire
aujourd'hui c'est-à-dire vulgariser donc
il y a des choses que je vais dire
euh aujourd'hui qui seront pas
totalement vrais qui seront des
approximations je vous demande d'être
voilà indulgent euh sur sur tous ces
sujets-là donc on va voir trois parties
aujourd'hui la première c'est les
différentes formes d'IA on va expliquer
ce que c'est le machine learning le Deep
learning et les différentes formes
d'entraînement ensuite on va parler des
domaines de l'a principalement le texte
euh la vision et la robotique et en
dernier on va parler des capacités de
Lia notamment liag liia étroite liia
multimodal point important c'est premier
webinar donc il a environ 80 slides mais
en fait c'est le premier de quatre
webinar d'une heure euh le premier
webinar c'est vraiment une le je pense
le potentiellement le moins technique
mais qui va poser toutes les bases des
concepts euh et c'est je pense le le
premier qu'il faut regarder si vous
commencez à vous intéresser à l'a et aux
aspects techniques le deuxième il sera
focalisé sur le NLP et les LLM donc
vraiment là ça va rentrer un peu plus
dans le détail sur qu'est-ce que la
tokenisation la vectorisation le word
Eding euh et les modèles transformer euh
dans le 3oème webinar ça sera vraiment
comment on entraîne des modèles donc on
va se focaliser sur les GPU euh les
Foundation model le rlhf tous les les
concepts un peu plus techniques sur
l'entraînement et le dernier webinar
sera autour du prompting et des agents
virtuels qui a un sujet en explosion euh
et donc ces quatre webinars ils sont
déjà prêts il y a déjà toutes les slides
qui sont prêtes et euh et le le discours
aussi euh mais là on va se focaliser sur
le premier euh des quatre webinares
donc sur ce premier webinar on va déjà
parler des formes d'IA donc si on prend
l'histoire de l'IA les débuts ont été
dans les années 1950 pour des logiciels
qui jouent aux échecs ensuite il y a eu
euh tout ça devenu dans le l'univers
collectif avec 2001 l'odysée de l'espace
il y a ibmdblue qui a battu le champion
d'échec Kasparov en 1997 donc ça c'est
un peu les débuts de l'a ensuite en 2010
ça a été il y a une nouvelle génération
euh principalement autour de deux
grandes transformations en 2013 le World
beding qu'on verra dans le 2è webinar et
en 2018 l'invention des modèles
Transformers qui est un un
modèle un type de modèle LLM et donc le
modèle Transformers on va le voir aussi
dans la deuxè dans la 2uxè formation
alphago ça a été aussi un moment en 2016
en 2016 parce que le jeu de Go est plus
difficile que le jeu d'échec et donc en
en 2016 deep M qui est la filiale de
Google euh sur les sujets d'IA a créé
alphago qui a battu le champion du monde
de jeux de Go et euh 2020 ça a été la
démocratisation de lia avec le lancement
de GP3 par Open et cetera là c'est
vraiment un balayage assez rapide pour
poser les bases on va rentrer un peu
plus dans les aspect technique déjà ce
qui est important c'est qu'il y a trois
termes à différencier euh et les gens
l'utilisent un peu dans un sens ou dans
l'autre il y a l'intelligence
artificielle donc concrètement je vaux
pas redéfinir tout ça mais
l'intelligence artificielle c'est les
machines qui euh imite le comportement
et les capacités cognitives des humains
ensuite il y a un deuxième concept qu'on
va voir qui est le machine learning et
ensuite il y a un concept qui est arrivé
plutôt après 2010 qui est le Deep
learning donc on voit que le Deep
learning est une forme de machine
learning et le machine learning est une
forme d'intelligence artificielle donc
c'est un briqué et ça si vous les trois
termes sont à connaître et sont
importants pour comprendre qu'est-ce
qu'on fait aujourd'hui en terme
d'intelligence
artificielle déjà ce qui est intéressant
à voir c'est que les êtres vivants ils
apprennent par l'exemple donc il y a
plein d'exemples de Ch pens qui
regardent les autres casser des des des
noix et ils vont faire pareil les
enfants c'est pareil les animaux donc de
manière générale on observe que les
êtres vivant ils apprennent par
l'exemple la révolution du machine
learning ça c'est d'apprendre par
l'exemple donc la programmation
classique euh on définit des règles qui
permettent à un algorithme d'effectuer
une tâche alors que le machine learning
c'est un apprentissage grâce à des
exemples qui lui permettent de
d'apprendre cette tâche donc classique
on est sur des règles mais machine
learning on est sur des exemples je vais
vous prendre un exemple concret pour
vous puissiez comprendre avec quelque
chose de plus simple la programmation
classique si je devais demander à un
algorithme de voir de repérer
un un feu rouge je vais dire je vais
faire un du code et je vais dire un feu
rouge est composé de trois lumières une
rouge une orange une verte et les unes
en dessous des autres ça c'est ce qu'on
appelle la programmation classique et il
va pouvoir repérer les les feux rouges
le truc c'est que un feu rouge il peut
être bah là comme vous le voyez en haut
à droite dans l'exemple du machine
learning il peut être différent il peut
être il peut y avoir que du rouge il
peut être très loin et cetera et donc
dans le machine learning plutôt que
donner des règles on va donner des
exemples on va lui filer plein de photos
et on va lui dire bah horine de machine
learning repère ce qui est un feu rouge
et ça va fonctionner sur un modèle qu'on
appelle l'apprentissage par
l'exemple l'exemple qui est assez connu
que vous pouvez aussi visualiser c'est
chihuahua or muffin donc ça c'est un
exemple qui est assez connu vous voyez
en haut à gauche c'est un muffine en
haut à droite c'est un chihuaha et et
c'est assez difficile pour un algorithme
de voir la différence parce qu'on peut
pas donner des règles si on dit a trois
blocs noirs enfin c'est assez difficile
or le machine learning est efficace pour
comprendre des règles qui sont
difficilement explicites et donc en
fournissant plein de de Chihuahua et de
muffin il va apprendre on va voir les
apprentissages supervisés après donc là
c'est un exemple on va filer des
centaines et des centaines de photos de
chihuawa et muffin et on va lui
apprendre au machine learning et vous
voyez que là c'est plus facile par
l'exemple de comprendre versus le faire
par les
règles donc là on va passer aux
apprentissages en fait il y a trois
formes d'apprentissage l'apprentissage
qu'on appelle aussi entraînement
training l'idée c'est de on va voir dans
les prochaines sessions un algorithme il
y a des paramètres donc les paramètres
c'est des choses des éléments qui vont
permettre de voir si c'est un muffine ou
si c'est un chihwaa et donc en ajustant
ces paramètres on peut minimiser les
erreurs et pour juster les paramètres il
faut plus d'exemples trois formes
d'apprentissage c'est très simple c'est
le superviser le non supervisé et le
renforcement là on est toujours sur le
sujet du machine learning premier sujet
c'est l' apprentissage supervisé je file
à mon algorithme une photo de muffine et
je lui demande de faire une prédiction
est-ce que c'est un muffine ou un
chihuawa le modèle doit choisir et là il
me dit que c'est un chihua le problème
c'est que j'avais étiqueté mes réponses
le principe de l'apprentissage supervisé
c'est qu'on a des données étiquetées et
donc là je vais lui dire attention tu as
dit que c'était un chihuahua alors que
c'était un muffin et il va pouvoir
améliorer son modèle donc par l'erreur
le modèle s'améliore et donc on va lui
apprendre au fur et à mesure à être plus
précis dans ses prévisions et de
minimiser ses erreurs et c'est comme ça
qu'on peut créer un modèle de machine
learning les applications du machine
learning ça peut être pour des des
applications très concrètes comme
définir le prix d'une maison en fonction
de ses caractéristiques donc une maison
vous savez ça peut être valorisé en
fonction de sa surface mais aussi de son
DPE de sa localisation de son étage et
cetera il y a énormément de paramètres
et ces paramètres ils sont
interdépendants et il y a des objectifs
qui sont multiples et donc avant on
utilisait ce qu'on appelle une
régression c'est les algorithmes très
classiques donc on va avoir plusieurs
paramètres mais le machine learning
vient apporter un peu plus de complexité
de précision euh sur comment définir le
prix d'une maison par exemple il y a
plein d'autres applications dans le
monde aujourd'hui qui utilisent le
machine learning avec entraînement
supervisé par exemple un filtre à spam
donc vous recevez un email est-ce que
c'est un spam ou pas et donc en fonction
en étiquetant disant ça c'est un spam ça
c'est un spam ben le l'algorithme va
apprendre à détecter les spam pareil
pour la qualité d'une pub en fonction du
nombre de clics les avis donc on va dire
est-ce que cet avis en ligne est positif
ou négatif et en l'entraînant ben un
algorithme va être capable de dire
est-ce qu'il est positif ou est-ce qu'il
est négatif ou encore avec la santé donc
par exemple on va filer un algorithme de
machine learning plein de photos de bras
C et on va lui dire est-ce que ce bras
est cassé ou pas et ça va permettre de
faire un diagnostic ça c'est
l'apprentissage supervisé je vous prends
un exemple très simple donc là dans la
il y a des radios qui sont annotés par
des médecins des centaines et des
milliers de médecins et on va les
annoter comme vous le voyez à gauche en
disant ceci est une fracture ceci n'est
pas une fracture et cetera et l'algo va
être capable en s'entraînant comme dans
l'exemple qu'on donnait tout à l'heure
sur le les flux rouge de repérer si il y
a une fracture ou pas sauf que à Notter
des fractures ça coûte cher et donc cet
entraînement supervisé est un peu un peu
compliqué et un peu cher donc il y a une
nouvelle forme d'apprentissage supervisé
que je je trouvais intéressant de vous
partager aujourd'hui dès le début c'est
l'active learning concrètement l'algo de
machine learning va filer des photos euh
va demander plutôt des photos sur
lesquels il est moins sûr c'estàd qu'il
va repérer là où il est moins bon et il
va demander qu'on annote des cas un peu
plus spécifique et donc là on est sur un
apprentissage supervisé mais où comme
comme un enfant le machine learning va
dire ah M ça j'ai pas bien compris les
fractures du genou est-ce que tu peux
m'envoyer des photos à noter pour que je
comprenne donc on est toujours sur
l'apprentissage supervisé mais avec on
va pas balancer plein de photos on va
juste demander à l'algorithme quelles
sont les typologies de photos qui veut
qu'on annote et là j'ai une société qui
s'appelle glimer que j'ai rencontré un
événement chez partout que j'ai vu
extrêmement intéressant qui travaille
sur ça pour que bah les les radiologues
puissent voir facilement si il y a une
fracture sur des diagnostics et ensuite
il y a une confirmation ou pas
maintenant on passe à un deuxième type
d'apprentissage ce qu'on appelle
l'apprentissage non supervisé en fait
dans ce cas-là on n'a pas d'étiquette
c'est-à-dire qu'on ne sait pas si ce
qu'il y a en face de nous est un
chihuahua ou un mofine et dans ce cas on
va demander au modèle de chercher par
lui-même à identifier des structures ou
des partern qui permett de regrouper les
données sans qu'on lui dise rien et ce
regroupement de données on appelle ça du
clustering un cluster c'est donc un
groupement de données sans étiquette qui
est fait par un algorithme pour dire ben
ça ça a l'air d'être plutôt un ensemble
de trucs qui se ressemble et ça c'est un
autre ensemble de trucs et il s'avère
que dans un cas c'est des chihuaha et
dans un cas c'est des muffin donc vous
avez compris le non supervisé il y a pas
de d'étiquette et donc il va lui-même
trouver les les groupements pour un
exemple d'apprentissage non supervisé
donc partout nous on est une société on
en gros on accompagne les retailers
notamment sur les photos euh et sur les
avis donc on va avoir plein plein plein
de d'avis points de vente donc là vous
avez l'exemple d'un partout mobalp il a
290 avis sur ce point de vente là et
nous on gère 300000 points de vente et
on voit ici euh que dans ces avis on est
capable par apprentissage non supervisé
de repérer des avis qui parlent de
vitesse et des avis qui parle de 3D et
donc là ce que va faire lia c'est sans
qu'on lui dise rien elle va repérer les
thèmes donc là ici on a un thème sur la
vitesse et un thème sur le 3D et on a
rien eu besoin de lui dire c'est lia qui
a fait ses clusters non supervisés
c'estàdire sans avoir de guidelines et
c'est ce type d'apprentissage est un
autre forme d'apprentissage qui est
autonome et c'est important de bien
comprendre ça les avis chez partout nous
ce qu'on fait c'est du clustering
ensuite on va faire du sentiment
analysis c'est est-ce que c'est positif
ou c'est négatif puis après on va
pouvoir utiliser l'IA pour faire plein
d'autres choses avec les avis qu'on
qu'on collecte pour nos clients les
forces et les faiblesses d'un réseau et
des recommandations ça c'est ce qu'on
fait je sais partout et on peut le faire
soit en non supervisé soit en supervisé
soit je dis je veux toutes les avis qui
me parlent euh de de relation client
soit je dis trouve toi-même algorithme
de machine learning les les groupes et
il y a un troisème forme d'apprentissage
c'est ce qu'on appelle l'apprentissage
par renforcement alors là je vous ai mis
une scène mythique des inconnus bien pas
bien qu'est-ce que ça veut dire ça veut
dire que chaque fois que il y a une
erreur ben on va lui dire pas bien et
chaque fois qu'il y a un truc qui est
positif on va lui dire bien et ça on le
fait étape par étape sur chaque donnée
qui va nous proposer et en fait en gros
on apprend comme à un enfant en lui
disant non ça faut pas faire ça et ça
faut faut faire ça et on parle donc de
renforcement et c'est un sujet qu'on
verra dans l'entraînement dans la 3ème
session de cette série de webinar où on
parlera de rlhf rlhf c'est renforcement
learning s human feedback et
concrètement en fait c'est quand on
entraîne par exemple chat GPT on va
essayer de lui dire bah ça tu as pas le
droit de le dire ça tu as le droit de le
dire et ça ça sera le sujet de
l'entraînement et on parlera beaucoup
plus d'entraînement par renforcement on
a vu maintenant les trois formes de
d'apprentissage par machine learning
mais je vous ai dit au début de cette
session que le Deep learning était une
forme de machine learning ça c'était un
point important donc le machine learning
est une forme d'IA et le Deep learning
est une forme de machine learning
qu'est-ce que le Deep learning alors là
ça se complique un peu en fait le Deep
learning c'est une forme de machine
learning qui utilise ce qu'on appelle
des réseaux de neurones donc là je
vouslaai imager avec un cerveau avec des
petits neurones ça imite le cerveau
humain donc à gauche j'ai toujours mon
alors est-ce que c'est unffin ou un un
chihua c'est un F en entrée c'est ce
qu'on appelle l'input je l'envoie dans
un modèle et je lui demande de sortir
quelque chose qu'on appelle l'output et
on lui demande de sortir si c'est un
chzihuwa ou un muffin ce qui est
intéressant ici dans le Deep learning
c'est que on va rentrer la photo de
muffin qui va être traduite en chiffre
c'est là où ça se complique un peu en
fait le contenu que vous uploadez va
être juste codé on va mettre des nombres
1 5 7 8 9 4 et on va mettre plein plein
plein de nombres qui vont représenter ce
contenu on va le passer dans un réseau
de neurone qu'on appelle profond c'est
pour ça qu'on appelle ça diep on va le
montrer un peu après qui est inspiré de
la structure du cerveau humain il va en
sortir une autre suite de chiffres qui
va être traduit potentiellement en texte
en image en audio ou en vidéo et donc là
on voit bien je mets le la photo du
meffine je la fais passer dans un
cerveau humain potentiellement plutôt là
un cerveau neuronal et je vais en sortir
une réponse donc ça c'est la la slide la
plus complexe de ce complexe de premier
webinar l'inventeur un des inventeurs
des couches de neuro Dr et du Deep
learning c'est Yan Lequin qui a eu le
prixouring en 2018 et c'est un français
et donc on voit à gauche là vous avez
les inputs ça va passer dans plein de
neurones et il y a différentes couches
j'irai pas beaucoup plus loin sur ce
sujet parce que c'est un peu plus
technique il y a plein de vidéos qui
expliquent comment ça fonctionne et
c'est assez passionnant et on va avoir
un neurone de sortie plus il y a de
couches plus on est capable de
comprendre des choses complexes donc ça
c'est facile plus vous avez de couche
plus votre cerveau est complet et plus
vous pouvez comprendre des des liens
entre les données euh qui qui sont qui
sont différents maintenant pour faire du
Deep learning il y a un concept qui est
hyper important qui est le concept de
GPU donc vous avez peut-être entendu la
très très récemment Yan Vidia qui est
devenue la société au monde la plus
valorisée l'entraînement des modèles
profonds nécessite une puissance de
calcul importante elle est fournie par
ce qu'on appelle des unités de
traitement graphique ou GPU le passage
de GPU de CPU à GPU a permis émergence
des modèles d'IA et ça je vais essayer
de vous expliquer de manière très simple
Intel est une boîte extrêmement connue
qui a été créé en 1968 pourquoi untel
est connue parce que ils ont créé les
premiers enfin c'est les meilleurs dans
le microprocesseur c'est toutes les
lesip chips que je vous montré juste
avant dans les serveurs et les
ordinateurs et en fait c'est une énorme
société qui produit énormément de
microprocesseur CPU ce qu'on appelle des
central processing unit le passage des
CPU au GPU euh et c'est en fait le
passage des calculs en série au calcul
en parallèle et donc il y a une société
qui s'appelle Nvidia qui est le leader
des GPU donc Intel c'était des CPU inv
Nvidia c'est des GPU et donc c'est le
nouveau Intel et ce qui est intéressant
c'est que Nvidia vaut plus que Apple
vaut plus que Microsoft et surtout vaut
plus que la somme de toutes les sociétés
du CAC 40 et ça c'est impressionnant ça
veut dire que nia une société que vous
connaissez peut-être pas parce qu'elle
est assez jeune en tout cas elle a
explosé plutôt récemment et une société
qui vaut plus que toutes les sociétés du
du CAC ce qui est assez impressionnant
donc une Vidia c'est une société à
connaître aujourd'hui dans le monde de
l'IA il a un autre sujet que je vais
abordorder très rapidement c'est
l'informatique quantique il y a beaucoup
de potentiel à utiliser les ordinateurs
quantiques pour améliorer l'efficacité
des modèles d'IA c'est vraiment en phase
de recherche et donc on n'est pas encore
sur des des résultats mais je voulais
juste l'évoquer ici parce que on parle
souvent de physique quantique quand on
parle d' donc ça c'était la première
partie j'ai essayé de définir l'intellig
artificiel le machine learning et le
Deep learning et je rappelle que ça a
été une évolution dans le temps et
surtout c'est des formes le Deep
learning est une forme de machine
learning et le machine learning for
d'intelligence artificielle maintenant
il y a un nouveau concept qui est apparu
il y a quelques années qui est l'
générative donc le machine learning et
le Deep learning c'est des concepts mais
l' génératif qu'est-ce que c'est je
rappelle très rapidement li génératif
permet de produire de nouveau de contenu
qui bien que similaire au contenu
d'entraînement sont des créations
inédites et originales en soi et elle a
été notamment rendue possible par le
Deep learning là je prends vraiment des
concepts de base pour ceux qui s'y
connaîraent peut-être un peu moins on va
aller ensuite dans des concepts un peu
plus complexes au cours des sessions au
fur et à mesure si je devais résumer le
machine learning et c'est et c'est une
vulgarisation je le rappelle le machine
learning permet d'analyser donc de faire
des prédictions des reconnaissances
d'images de voir si c'est un chihuaha de
faire si c'est du clustering de texte et
cetera et donc on est vraiment sur comme
un analyste alors que les l génératif je
vous ai mis un petit icône de peintre et
donc là vous pouvez créé et donc c'est
la génération d'image de la génération
de texte et cetera machine learning
analyse il générative création
maintenant l' générative elle est plus
forte sur ce qu'on appelle des données
non structurées comme des textes des
images des audios des vidéos le machine
learning est meilleur sur des tableurs
ce qu'on appelle des données structurées
c'est-à-dire quand vous avez photo
fracture taille de la fracture enfin
plein plein de trucs qui sont dans des
tableurs la donnée structurée c'est dans
les tableurs li générative c'est des des
textes des images des photos des vidéos
et l' générative n'est pas très forte
pour analyser des données structurées
donc vous avez vraiment deux concepts à
connaître l'analyste et le peintre donc
ça c'est c'est vraiment pour pour
simplifier et on en parlera l' génératif
notamment dans la deuxème session autour
des du NLP des LM et cetera voilà pour
la première session ça fait 25 minutes
qu'on est ensemble on va passer
maintenant au domaine de l'IA les
domaines de l'IA c'est c'est en fait
j'ai essayé de me dire c'est quoi les
trois grandes choses que lia peut faire
aujourd'hui et le type de données
qu'elle peut traiter à gauche vous avez
le premier type de données que lia peut
traiter qui est le texte et la voix
c'est ce qu'on appelle le NLP ça aussi
c'est un terme qu'on va beaucoup
utiliser dans les prochaines sessions
NLP signifie natural language processing
et donc c'est la capacité de comprendre
et de rédiger du texte en deux ce qu'on
va voir ensuite c'est ce qu'on appelle
la computer vision c'est toute la
capacité à reconnaître ou générer des
photos et des vidéos et enfin il y a
toute la partie robotique et
manufacturing c'est la capacité à faire
des MOV et et donc là c'est on est
plutôt sur la robotique ça c'est les
trois grands domaines de liia NLP
computer vision et
robotique chaque typologie en fait de
chaque domaine de l'IA utilise des
modèles qui sont différents pour le NLP
on va typiquement utiliser des LM c'est
ce qu'on va discuter plutôt dans les
deuxiè sessions mais aussi des réseaux
ne par les RNN sur la partie computer
vision on va utiliser des Gan ça on va
je vais vous expliquer ce que c'est
aujourd'hui dans cette session et des
CNN qui sont a un concept à connaître et
donc là on est vraiment on est c'est ce
qui est important de comprendre c'est
que pour chaque typologie d'information
donc du texte de la computer vision on
va utiliser des modèles qui sont
différents donc pour le NLP c'est toutes
les opérations sur du texte et de la
voix donc des traductions des résumés
des extractions de texte des speech to
Text et on utilise ce qu'on appelle des
LLM un LLM c'est un large language model
au départ les LLM sont sur du texte mais
il peut y avoir des LLM aussi sur sur la
photo ça sera vraiment le focus pendant
une heure de la deuxème session question
on va faire un focus uniquement sur le
NLP et les LLM donc je vais passer très
rapidement sur ce sujet et et on utilise
aussi des réseau de neurones récurrents
des RNN notamment pour faire du speech
text mais mais on va on va moins parler
le modèle le sujet de la robotique on va
moins l'évoquer pour Étienne qui posait
la question alors maintenant le deuxème
point c'est le computer vision donc
computer vision c'est de la photo là on
on voit ici une photo qui a été générée
en fait il y a deux concepts le premier
c'est la génération d'image donc pour
générer une image on l'a dit euh pour un
machine learning tout à l'heure on
disait on file plein de photos euh de
feu rouge là ce qui est intéressant
c'est qu'on va mettre plein de photos de
pastèque et on va générer une photo de
pastèque donc là c'est assez simple
voyez à gauche c'est les données
d'entraînement et à droite c'est la
donnée que j'ai demandé euh à euh chat
GPT de générer il m'a fait une belle
pastèque sur fond jaune la question
c'est comment on génère une image ça
c'est vraiment passionnant c'est les
modèle de diffusion je vais pas rentrer
dans le détail mais si vous vous
intéressez à la génération d'images en
fait il y a une ce qu'on va faire c'est
qu'on va prendre une image à gauche qui
a beaucoup de bruit Qu'est-ce qu'une
image avec beaucoup de bruit c'est une
image avec juste plein de pixels de
couleur et on va l'entraîner à aller un
cran plus loin pour avoir une image avec
un peu moins de bruit puis un peu moins
de bruit au fur et à mesure les choses
vont se dessiner jusqu'à aller dans le
détail et en fait la génération d'image
elle se fait par récursivité par on on
va créer au fur et à mesure une image il
y a des centaines d'étapes et on va
créer des images qui sont moins bruyante
c'est ce qu'on appelle les modèles de
diffusion la session aujourd'hui sera
pas sur les les sujets de génération
d'imagees et on va c'est pas le sujet de
la formation maintenant qu'on a généré
des images il faut reconnaître des
images alors là sujet passionnant aussi
ça mériterait 15 heures de formation je
pense la reconnaissance d'image utilise
ce qu'on appelle les CNN ce qu'on
appelle les convolutional neuronal
network en gros ce que va faire l'IA
c'est tout simplement prendre la là vous
avez vous reconnaissez he il y a une un
arbre à gauche une maison à droite et on
va la quadriller en petit carré et puis
en autre petit carré puis en autre petit
carré puis en autre petit carré et lia
ce qu'elle va faire c'est qu'elle va
analyser les patterns c'estàdire les
formes dans chaque petit carré en
partant du plus petit jusqu'au plus
grand et on va ensuite faire des ce
qu'on appelle du représentation learning
c'està-d être capable de comprendre les
représentations qui sont autour de nous
donc on a parlé de la génération d'image
et de la reconnaissance d'image ce qu'on
appelle les CNN maintenant un sujet
alors pour les CNN ceux qui ça intéresse
il y a les IBM cloud a fait des super
formations sur ce sujet-là euh qui voilà
prend l'exemple de la maison que je vous
ai fait euh et si vous êtes intéressé
moi j'en ai regardé je je pense une
trentaine de vidéos d'IBM c'est des
petites vidéos vous voyez c'est 5
minutes et ça vous explique tous les
concepts à connaître sur l'IA et ce que
je viens d'expliquer en CNN ben vous
l'avez en en 6 minutes donc c'est un peu
plus précis c'est assez fou parce que en
2017 chez partout on faisait déjà de
l'entraînement et de la reconnaissance
d'image en fait nous nos clients ça va
être Carrefour Casino ou Laura Merlin et
ce qu'on essayé de faire c'est de
calculer leur coordonné GPS par
reconnaissance d'image en repérant les
logos donc on avait recruté des Data
scientists et des personnes en machine
learning qui en gros a associé un logo
qui était anoté donc on passait des
heures à annoter des logos et on les
repérait en fait devant les points de
vente et on s'est fait un peu avoir
pourquoi on a arrêté ce projet là parce
qu'il y avait des pubs en fait marqué
suburer King est à 300 m et donc ça les
coordonnées GPS étaient toute fauses et
donc on a abandonné notre projet qui
était un projet de machine learning dès
2017 alors qu'on était une trentaine
d'employés chez partout maintenant on
est 400 peut-être que c'est c'est c'est
ça c'est un sujet à revoir mais on voit
bien que on peut perdre un peu d'argent
en testant des choses en N maintenant je
vais vous parler d'une d'un chose que
qui m'a enfin vraiment qui m'a passionné
c'est les Gan alors les Gan c'est les
géative adversarial network donc ça a
été inventé par un gars qui s'appelle
goodfow en 2014 et la légende dit qu'il
avait qu'il a inventé ça en gros en une
nuit après avoir bu quelques biillères
et c'est une n nouvelle man manière
d'entraîner un modèle de Deep learning
là vous avez la photo du mec à gauche
en fait je vous ai déjà présenté ce que
c'était un modèle de génération d'image
notamment via des modèles de diffusion
et à droite je vous ai présenté ce que
c'était un modèle de reconnaissance
d'image le GAN est composé de deux
modèles distincts les modèles dans la
dans les quatre formations que jeis
faire elles sont ils sont toujours
représentés en
violet à gauche j'ai donc un quelqu'un
qui va essayer de générer les fausses
données qui paraissent vrai donc des
fausses images de pastèque et à droite
j'ai un enquêteur qui doit dire si les
données qu'on qu'on sou soumet sont
vraie ou fauses et on est à gauche sur
un générateur et à droite sur un
algorithme de reconnaissance d'image et
en fait ce qui est intéressant c'est
qu'ils vont travailler l'un contre
l'autre mais aussi l'un avec l'autre et
c'est pour ça qu'il y a le mot
adversarial parce qu'ils sont en
concurrence prenons un exemple que j'ai
trouvé ce matin en finissant la
présentation on va prendre Brad pit et
on va se dire on a 200000 photos de Brad
pit j'ai plein de photos de Brad pit ce
qu'on appelle le domaine et j'ai un
générateur
qui est chargé de faire des photos de
Brad pit donc je lui dis crée-moi une
photo de Brad pit d'ailleurs c'est pas
possible quand j'ai demandé ça à chat
GPT parce que il a pas le droit de de
faire des photos de vraie personne donc
j'ai fait une photo d'un homme qui
pouvait je l'ai prompté très rapidement
ressembla à rpit qui est une donnée
fausse le générateur créer de la fausse
donnée donc on a deux modèles on a le
générateur et en à droite on va avoir le
discriminateur le discriminateur c'est
l'enquêteur et on va lui mettre des
vraies photos de Brad pit et des fausses
photos de Brad pit et on va lui dire
est-ce que c'est bras pit et là il doit
trouver la bonne
réponse soit celui qui génère de la
donné est démasqué le le le
discriminateur dit c'est faux alors il
doit améliorer son modèle une petite
amélioration soit le discriminateur il
croit que l'image c'est vraiment rapide
et alors c'est lui qui doit s'améliorer
et en fait les deux vont progresser et
c'est toujours c'est un jeu à somme non
nul c'estàd qu'il y a toujours un
perdant soit il est démasqué soit il est
pas démasqué et donc le modèle des Ganes
fonctionne avec un générateur et un
discriminateur un fauxir et un enquêteur
et donc le Fauser va créer des fausses
images de bras pit l'enquêteur va devoir
dire si elles sont vraies ou pas et à
chaque fois dans le cas 1 et dans le cas
2 bah il y a une amélioration des
modèles et ça c'est un modèle complet
qui va fonctionner ensemble et en fait
on va répéter l'opération des centaines
et des milliers de fois jusqu'à ce que
le générateur soit tellement fort qu'il
puisse tromper l'œil humain
et c'est un point qui est hyper
important parce que c'est les Ganes qui
ont donné naissance au deep fake les Gan
c'est un modèle qui est composé de deux
parties qui travaillent ensemble et
l'une contre l'autre et qui crée des
deep fake c'est la capacité de générer
des fausses images de Brad pit et en
l'occurrence là je vous ai mis quelques
images de de Deep fake mais ce qui est
passionnant et très flippant c'est le
danger que ça représente pour les
démocraties surtout en période
électorale
et on a notamment moi j'ai j'ai regardé
un reportage que je trouve vraiment top
de Gaspar g et qui explique exactement
quels sont les dangers pour ça et aussi
question de droit d'auteur par exemple
il y a des musiques d'Angel qui ont été
créées et ça je vous conseille d'aller
sur Youtube et taper Gaspar g le danger
des deep fake c'est une petite heure et
c'est assez agréable à regarder on vous
l'a mis pour que vous puissiez le
cliquer dessus alors les applications
des Gan c'est pas uniquement des deep
fake ça peut aussi être de la
dépixalisation d'image de la génération
d'imagees bref c'est bien bien plus
intéressant que seulement tromper les
démocraties et donc il y a plein
d'application de du fake là on voit que
en haut la ligne du haut c'est une image
non pixelisée en bas on a fait une image
pixelisée et on demande à un Gan de la
redépixéiser et vous voyez c'est presque
c'est presque enfin c'est assez proche
en fait parce que il va être capable de
de de reconnaître ce qui était avant
sans y être alors on m'a demandé si on
allait parler de robotique aujourd'hui
malheureusement je n'ai pas fait
beaucoup de formation sur les la
robotique je vrais juste parler de
Boston Dynamics parce que c'est le un
peu l'imaginaire collectif euh déjà 4
heures de formation ça va être un peu
long donc j'ai pas voulu m'attarder sur
ce sujet-là euh mais peut-être que je me
formerai dessus à un moment et que je
ferai un webinar spécifique sur la
robotique mais concrètement euh j'ai pas
plus que cette slide voilà on a parlé
euh des différentes formes d'IA des
différents domaines de l'IA maintenant
on va parler des capacités euh de l'IA
alors en fait de dans ce qu'on a vu
aujourd'hui euh il y a différentes
fonctions a par exemple on pe avoir du
texte texte donc du résumé euh du texte
image par exemple ici un panda qui fait
du vélo dans la ville du image tout
image par exemple je sais pas
transforme-moi cette image en faisant
cette tête plus jeune de l'image tout
texte du speitch tout texte du texte
audio du texte vidéo par exemple tout
texte audio on a la chanson des Beatles
qui a été créé now and then en 2023
alors que clairement le groupe n'était
plus ensemble et ça c'est assez fou de
se dire qu'on est capable de refaire des
musiques de groupes qui sont qui ont
arrêté donc ça c'est des des choses
simples mais de plus en plus il y a ce
qu'on appelle une approche multimodale
une approche multimodale c'est une
approche qui n'est pas de un média vers
un autre mais qui prend à la fois le son
la vidéo le texte et qui va mélanger les
domaines de l'IA qu'on a vu
précédemment donc en premier vous avez
ce qu'on appelle lia étroite l'a étroite
c'est un domaine uniquement du texte du
spech texte de la et cetera là on est
vraiment sur des modèles de type mid
journée Dali palme 2 en ça c'est
vraiment des applications pas forcément
des modèles ensuite vous avez il y a
multimodal c'est qui est capable de
mélanger des domaines vous avez
notamment le nouveau modèle de chat GPT
chat GPT 4o o pour omni alors omnodè ou
multimodè ou multimodal c'est un peu les
mêmes termes donc on a vraiment les deux
étapes c'est li étroite qui était le
début et il y a un multimodale qui est
aujourd'hui mais en fait il y a deux
autres choses qui sont un peu plus
théoriques euh il y a l'a général qui
s'appelle l'agi on va voir c'est une IA
qui serait supérieure à l'intelligence
humaine en tout et il y a super la
supera qui serait là capable de
conscience d'émotion ça c'est un passage
un peu obligé si je vous fais une
formation sur lia parce que c'est des
choses que dont tout le monde parle donc
je vais reprendre quelques concepts pour
l'expliquer je trouve que c'est
potentiellement la partie 2 un peu plus
technique va va rentrer sur des détails
un peu plus mathématiques
potentiellement donc ceux qui sont
intéressés par cette partie là aussi
donc laag c'est c'est un terme qu'il
faut connaître aussi c'est le GR
de samman le CEO d' c'est l'artificial
generalér intelligence ou l'intelligence
générale l' artificielle générale cette
AG elle aurait la capacité de comprendre
et d'apprendre et d'appliquer dans
n'importe quel domaine à un niveau
équivalent ou supérieur à l'intelligence
humaine donc on oppose l' étroite qui
est conçu pour une tâche comme jouer aux
échecs à
l' général et c'est de la théorie pour
le
moment Stanislas Pol qui fait qui a fait
un super sur Génération Do It Yourself
que je vous recommande c'est en gros le
podcast qui m'a donné envie de
m'intéresser à lia parce que je je
m'intéressais pas il y a il y a 6 mois
je je m'intéresse pas à autant àya et ce
qu' dit c'est qu'il y a des équipes
entières chez open a qui sont dédié à la
sûreté et ce qu'on appelle l'alignement
des modèles l'alignement des modèles on
va en parler dans la 3è session de cette
série de webinar au sujet de
l'entraînement et notamment du
RLF et donc l'idée c'est de faire en
sorte que le modèle suive des
préférences humaines et concrètement
qu'il essaie pas de nous tuer une fois
qu'il aura potentiellement qu'il sera
plus plus intelligent que
tout maintenant ce qui est aussi
intéressant c'est de regarder qu'on est
à la croisemée des chemins on s'était
dit d'un côté il y a étroite et
multimodale et de l'autre on a laag et
la super intelligence et la Superia là
on est vraiment à un point d'inflexion
où on est en train de dépasser
l'intelligence humaine potentiellement
et donc la question c'est est-ce que ça
va continuer à avoir une une explosion
exponentielle ou est-ce que va y avoir
un point d'inflexion là c'est un une
image je pense qu' est assez visuelle
pour comprendre en fait la période dans
laquelle on vit et pourquoi c'est
important de s'intéresser à ces sujets
j'ai dire il y a aussi un une peur de
liah dans le le enfin le podcast de St
Polus qui est intéressant c'est qu' il
évoque deux deux scénarios le Fast
takeof c'est-à-dire que du jour au
lendemain en une seconde bah liya
devient 1000 fois plus intelligence que
l'homme et prend le contrôle du monde et
le slow takeof c'est-à-dire que liya
avance peu à peu et ce qui est assez fou
c'est que ce qui dit c'est que au cas où
il y a un fast takeof on pourra toujours
débrancher mais sia est tellement
intelligente qu'elle peut aller à une
fraction de seconde pour être de 1000
fois plus intelligente voilà ça peut ça
peut faire un peu peur maintenant les
peurs de Lia elles sont hyper similaires
aux peurs de l'électricité euh dans les
en 1900 en fait en 1900 euh il y a
l'invention de l'électricité il y a la
peur de perdre son emploi des risques
d'incendie de se faire électrocuter des
effets sur la santé et euh il y a plein
d'affiches antiélectricité euh en 1900
parce que ça fait peur c'est de la magie
et je trouve que c'est assez similaire à
ce qui se passe en ce moment sur lia euh
et aujourd'hui on a plus peur de
l'électricité ça fait partie de notre de
notre quotidien et donc c'est important
de se dire que potentiellement li a même
si elle fait peur a des risques parce
que c'est vrai que l'électricité
présente des risques euh mais
aujourd'hui on se dit pas mince
qu'est-ce qu'on a fait pourquoi on a
ouvert la boîte de pendor de
l'électricité il y a aussi un sujet et
et là c'est vraiment on rentre sur une
partie de la formation qui a un peu plus
réflexion et moins formation pure c'est
le débat entre homme versus machine on
l'a vu au début de cette formation en
1997 il y a deep blue donc qui a battu
le champion d'échec Gary Kasparov en
1998 euh donc un an plus tard gare
Kasparov invente un nouveau forme
nouvelle forme d'échec qui est ce qu'on
appelle l'Advance chess où en gros c'est
un homme avec uneia et donc en gros
c'est euh un concours d'échec mais avec
uneia et en 2005 il y a un nouveau
concept qui est le freestyle chess c'est
qu'on peut se mettre à autant qu'on veut
autour de la table avec autant d'IA et
on se bat en fait contre deux mais c'est
c'est très avec un temps limité donc on
voit l'échec a évolué avant c'était que
des hommes maintenant c'est hommes plus
machine on appelle généralement les
joueurs d'échec qui ont qui sont aidés
d' nia des sentor c'est assez
intéressant parce que un sentor là je
j'ai généré une image d'un santor qui
joue aux échecs donc on a un homme
santor qui est qui joue aux échecs donc
aujourd'hui le meilleur joueur d'échec
normal s'appelle Magnus carlon et il est
battu par Deep Blue donc deep blue ici
c'est le le c'est le logiciel d'bm mais
ce qui est intéressant c'est que le
meilleur joueur sans Tor heros IBA de
Blue c'estàd que li a avec un humain bas
lia qui est li a bas l'humain sans il a
vous l'avez et donc ce qui est
intéressant si on prend cette image
c'est que heros est meilleur que Magnus
quand ils ont lia mais il est moins bon
quand ils en ont pas et donc là on voit
bien que lia redistribue les carartte
des compétences et ça pour tous ceux qui
ont des équipes et qui souhaitent
expliquer un peu pourquoi lia est
complémentaire à l'humain ben c'est un
point important les ordinateurs sont
incroyablement rapides précis et stupid
donc ça c'est une fr de Einstein quand
je pense qu'on veut on veut on veut
appuyer un point on essaie souvent de
citer Einstein mais je pense que 90 %
des citations d'Einstein ne sont qui lui
sont attribué ne n'ont pas été de lui
euh mais mais je la mets quand même et
donc c'est sur le concept de
collaboration entre l'ordinateur et euh
et les
humains alors je recommande Andrew NG
euh sur automation versus augmentation
je sais pas Alexia si tu avais la
présentation euh parce que Andrew NG
c'est toutes les formations que j'ai
fait euh sur sur lui exceptionnel euh et
euh et là je vous mets justement je sais
pas comment vous savez euh la partie
augmentation et la partie automation
augmentation à gauche c'est aider les
personnes euh donc par exemple nous
c'est la suggestion des réponses aux
avis et à droite l'automation c'est euh
en fait on remplace la personne pour
cette tâche nous on a on a testé un
enfin on a créé un chatbot euh qui est
le chatbot de partout si vous avez sur
le site de partout perout.co vous allez
avoir directement un petit chatbot à
droite et ce chatbot il est connecté à
WhatsApp à Facebook messeng
et à SMS et en fait c'est une qui va
vous répondre donc là on est vraiment
sur de l'automation alors que la
suggestion de réponse aux avis qui est à
gauche ce qu'on utilise dans partout
c'est plutôt de l'augmentation donc un
concept intéressant augmentation versus
automation donc phrase un peu galvodé
pour ceux qui la connaissent pas c'est
bien de finir par ça c'est remplacera
pas mais ceux qui savent l'utiliser si
que je trouve assez parlante voilà donc
ça la première formation c'est la plus
c'est vraiment les bases euh et les
prochaines vont être un peu plus euh un
peu plus techniques euh donc ce qu'il
faut retenir de cette formation le
premier la première chose qu'il faut
retenir c'est que le machine learning
est une forme d'intelligence
artificielle qui apprend sur des
exemples le Deep learning est une forme
de machine learning qui utilise des
résones neurones l' générative créer des
nouveau contenus et cetera et cetera bon
ça je vous vous aurai la présentation
maintenant je vous demande juste de
m'aider euh si vous pouvez recommander
cette formation gratuite euh suivre les
deux les prochaines formations je vais
vous envoyer un lien pour vous puissiez
vous inscrire à la prochaine formation
qui sera sur les NLP euh et vous pouvez
aussi contribuer à Tribe sur la
rédaction de contenu et vous pouvez
aussi postuler chez partout ou nous
contacter euh si vous avez des enjeux
sur vos points de vente les prochaines
euh formations donc ça sera sur les NLP
et les LLM on va parler notamment de
concepts comme la tokenisation la
vectorisation le word embeding les
modèles transformer euh et ensuite il y
aura deux autres formations qui seront
aussi sur des sujets de Cloud Computing
et cetera de fine tuning je vous ai mis
là euh la formation sur la la partie 2
avec un QR code euh et c'est le 16
juillet euh vous pouvez vous y inscrire
euh je au départ je voulais faire une
seule formation de 4 He euh mais je
pense que déjà au bout de 43 minutes
vous avez quand
même un peu de d'information à digérer
et on se retrouve ben dans un peu moins
d'un mois pour une formation un peu plus
encore plus technique et voilà sur sur
l'IA pour que vous puissiez continuer à
à vous former
Browse More Related Video
Pourquoi les entreprises doivent s'intéresser à l'IA
Et si l'IA était un nouvel instrument pour les musiciens ? | Benoit Carré | TEDxTours
Le DANGER et la Face Cachée de l'INTELLIGENCE ARTIFICIELLE ( IA, Chatgpt, chat gpt 4..) Documentaire
AI and Physics: new Math?
J'ai utilisé ChatGPT tous les jours pendant 1 an — Voici ce que j'ai appris
L'Intelligence Artificielle peut-elle remplacer l'homme?
5.0 / 5 (0 votes)