IAcademie : Comprendre l'IA - Les différentes formes d'IA (Partie 1)

Summary

Ce 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

00:00

📚 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.

05:00

🤖 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.

10:02

🏥 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.

15:03

🔍 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.

20:06

🎨 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.

25:07

🖼️ 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.

30:08

🌐 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.

35:09

🎶 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.

40:09

🧠 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.

Keywords

💡Intelligence Artificielle (IA)

L'Intelligence Artificielle désigne la capacité des machines à imiter le comportement et les capacités cognitives des humains. Dans la vidéo, c'est le thème central autour duquel tontes les autres notions tournent, depuis les différentes formes d'IA jusqu'à ses applications concrètes et potentielles implications géopolitiques.

💡Machine Learning

Le Machine Learning est une branche de l'IA qui permet aux machines d'apprendre à partir d'exemples sans être explicitement programmées. Le script mentionne que c'est une forme d'IA qui a révolutionné la manière dont les algorithmes apprennent et sont utilisés pour des tâches telles que la reconnaissance d'images ou le filtre à spam.

💡Deep Learning

Le Deep Learning est une sous-catégorie du Machine Learning qui utilise des réseaux de neurones artificiels profonds pour modéliser et solutionner des problèmes complexes. Dans le script, il est expliqué comme une forme de Machine Learning qui permet de comprendre des structures de données complexes, comme les images ou le langage.

💡NLP (Natural Language Processing)

Le NLP est la capacité de traiter et d'analyser le langage naturel pour en extraire du sens. Le script l'aborde en tant que domaine de l'IA qui permet de comprendre et de générer du texte, avec des applications telles que la traduction automatique ou la génération de résumés.

💡Computer Vision

La Computer Vision est la capacité de l'IA à interpréter et à comprendre le contenu visuel à partir d'images ou de vidéos. Le script utilise l'exemple de la reconnaissance d'image pour expliquer comment l'IA peut identifier des objets ou des scènes dans des images.

💡Generative Adversarial Networks (GANs)

Les GANs sont un type de modèle de Deep Learning qui utilise deux réseaux de neurones pour générer des données qui peuvent être utilisées pour créer des images, du son ou du texte. Le script mentionne les GANs comme étant à l'origine des deepfakes et explique leur fonctionnement en opposition et en coopération.

💡Apprentissage Supervisé

L'Apprentissage Supervisé est un type d'apprentissage où l'algorithme reçoit des données étiquetées pour apprendre à faire des prédictions. Dans le script, c'est illustré par l'exemple de l'identification d'objets à partir d'images étiquetées.

💡Apprentissage Non Supervisé

L'Apprentissage Non Supervisé permet aux algorithmes d'apprendre sans données étiquetées, en identifiant des structures ou des motifs dans les données. Le script parle de techniques telles que le clustering pour regrouper les données sans supervision.

💡Apprentissage par Renforcement

L'Apprentissage par Renforcement est un type d'apprentissage où l'algorithme apprend en fonction du retour d'expérience, en recevant des signaux de récompense ou de punition. Le script l'illustre par l'exemple de l'entraînement d'un modèle pour qu'il apprenne à distinguer correctement entre différentes classes.

💡Vulgarisation

La vulgarisation consiste à rendre des concepts complexes accessibles au grand public en utilisant des termes simples et des exemples concrets. Dans le script, l'orateur utilise la vulgarisation pour rendre l'IA compréhensible aux personnes qui débutent dans le domaine.

💡AGI (Artificial General Intelligence)

L'AGI fait référence à une IA qui possède une intelligence générale, capable d'apprendre et de s'appliquer dans n'importe quel domaine de manière équivalente ou supérieure à l'intelligence humaine. Le script mentionne l'AGI comme un concept théorique avancé et distinct de l'IA étroite ou spécialisée.

💡Multimodal

Le multimodal fait référence à l'utilisation conjointe de plusieurs types de données ou de plusieurs modalités d'IA, comme le texte, l'image, l'audio et la vidéo. Dans le script, le multimodal est présenté comme une évolution de l'IA qui permet des applications plus complexes en combinant différentes formes de contenu.

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