Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Intelligence artificielle : des jeux à la conscience… Jean-Paul Haton Institut

Intelligence artificielle : des jeux à la conscience… Jean-Paul Haton Institut Universitaire de France LORIA/INRIA - Université de Lorraine Académie Européenne Interdisciplinaire des Sciences Nancy 24 février 2017 1 Jean-Paul Haton AEIS Nancy Février 2017 Plan de l’exposé • Brève introduction à l’IA • Approches et modèles de l’IA • Quelques grands thèmes : - aide au diagnostic - réseaux sociaux - agents conversationnels et robotique • Conclusion et perspectives Jean-Paul Haton AEIS Nancy Février 2017 2 Plan de l’exposé • Brève introduction à l’IA • Approches et modèles de l’IA • Quelques grands thèmes : - aide au diagnostic - réseaux sociaux - agents conversationnels et robotique • Conclusion et perspectives Jean-Paul Haton AEIS Nancy Février 2017 3 Intelligence... Référence à l'intelligence humaine (cf. sciences cognitives). Capacités : de mémorisation, de structuration de la connaissance, de perception, de raisonnement, de prise de décision, d’apprentissage, de communication et de dialogue. 4 Jean-Paul Haton AEIS Nancy Février 2017 L'Intelligence Artificielle (IA) Une branche de l‘informatique. Une science : des concepts, des théories, des chercheurs. Une technique : des outils, des produits et des réalisations, des ingénieurs. Un domaine pluridisciplinaire. 5 Jean-Paul Haton AEIS Nancy Février 2017 6 …the conjecture that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it. Jean-Paul Haton AEIS Nancy Février 2017 7 Question to John Mac Carthy. : What is artificial intelligence? “It is the science and engineering of making intelligent machines, especially intelligent computer programs. It is related to the similar task of using computers to understand human intelligence, but AI does not have to confine itself to methods that are biologically observable” Définition de l’intelligence artificielle Jean-Paul Haton AEIS Nancy Février 2017 Kasparov vs Deep Blue : 1997 Jean-Paul Haton AEIS Nancy Février 2017 8 Watson au jeu Jeopardy! : 2011 Et ensuite… : aide à la décision médicale (Cancer Institute LA), banque (DBS Singapour, Caixabank Espagne), services financiers Jean-Paul Haton AEIS Nancy Février 2017 9 Lee Sedol vs AlphaGo : 2016 Jean-Paul Haton AEIS Nancy Février 2017 10 Libratus (CMU) et le Poker : 2017 Jean-Paul Haton AEIS Nancy Février 2017 11 Libratus (CMU) et le Poker : 2017 Jean-Paul Haton AEIS Nancy Février 2017 12 Jeux : morpion (1952), dames (1994), échecs (1997), Go (2016)… Aide au diagnostic : médical, spatial, industriel. Aide à la décision : banques, assurances, conduite de procédés, domaine militaire. Reconnaissance de la parole : dictée vocale, télématique. Traitement de la langue écrite : compréhension, traduction. Lecture optique de caractères. Interprétation de signaux : surveillance, conduite. Traitement d’images et vision : médecine, industrie, agriculture Voiture sans chauffeur … Réalisations 13 Jean-Paul Haton AEIS Nancy Février 2017 14 Loi de Moore Jean-Paul Haton AEIS Nancy Février 2017 . Plan de l’exposé • Brève introduction à l’IA • Approches et modèles de l’IA • Quelques grands thèmes : - aide au diagnostic - réseaux sociaux - agents conversationnels et robotique • Conclusion et perspectives Jean-Paul Haton AEIS Nancy Février 2017 15 16 Jean-Paul Haton AEIS Nancy Février 2017 I propose to consider the question, « Can machines think? » 17 Le test de Turing Jean-Paul Haton AEIS Nancy Février 2017 Eliza (Weigenbaum, 1966) 18 « Parodie des réponses d’un psychothérapeute à ses patients » Également : Parry (Colby, 1970) : simulation de la conversation d’un schizophrène …mais encore loin du test de Turing! Jean-Paul Haton AEIS Nancy Février 2017 Modelling the brain McCulloch - Pitts - Rosenblatt… IA connexionniste Making a mind McCarthy - Minsky - Newell… IA symbolique 90's Convergence (Modèles hybrides) Les approches de l’intelligence artificielle Modèles statistiques « Systèmes à bases de connaissances » « Réseaux neuronaux » 19 Jean-Paul Haton AEIS Nancy Février 2017 Les grands modèles • Connaissances symboliques • Réseaux neuronaux • Modèles statistiques Jean-Paul Haton AEIS Nancy Février 2017 20 Un aspect commun : l’apprentissage! Les grands modèles • Connaissances symboliques • Réseaux neuronaux • Modèles statistiques Jean-Paul Haton AEIS Nancy Février 2017 21 Représentation des connaissances : Règles / Objets / Ontologies / … (cf. Cyc) … et raisonnements associés Moteurs de recherche, Web sémantique Mémoire sémantique Systèmes de questions - réponses : True Knowledge, Watson, TextRunner, Quaero 22 Jean-Paul Haton AEIS Nancy Février 2017 Intelligence et connaissances Bases de données Logiciels extérieurs Expert Concepteur Utilisateur Capteurs Moteur d'inférence Base de règles Base de faits Interfaces Systèmes à bases de connaissances SI <condition> ALORS <conclusion> (cv) Aide à la décision médicale : de MYCIN (1976) à Watson (2011) et autres (Mental Health Diagnostic Expert System, MeHDES 2012) Jean-Paul Haton AEIS Nancy Février 2017 23 SACHEM : aide à la conduite d’un haut-fourneau Jean-Paul Haton AEIS Nancy Février 2017 24 Les grands modèles • Connaissances symboliques • Réseaux neuronaux • Modèles statistiques Jean-Paul Haton AEIS Nancy Février 2017 25 Le neurone biologique... Jean-Paul Haton AEIS Nancy Février 2017 26 Contributions des neurosciences et psychologie Jean-Paul Haton AEIS Nancy Février 2017 27 - Le neurone formel (Mc Culloch et Pitts, 1943) : - Le perceptron (Rosenblatt, 1957) : apprentissage - L’apprentissage par renforcement (Hebb, 1949) - Le modèle de mémoire sémantique (Quillian et Collins, 1969) et les nombreux modèles cognitifs - Le perceptron multicouches (Rumelhart et al., 1986) IA connexionniste : le perceptron multi-couches Jean-Paul Haton AEIS Nancy Février 2017 28 Avancée récente : apprentissage profond (Deep Learning et Deep Neural Nets), conjonction de l’algorithmique et de l’évolution technologique Les grands modèles • Connaissances symboliques • Réseaux neuronaux • Modèles statistiques Jean-Paul Haton AEIS Nancy Février 2017 29 Reconnaissance de la parole Principe : modéliser les unités verbales (mots, phonèmes) essentiellement à l’aide de modèles statistiques Apprentissage : à partir d’énormes quantités de parole Évolution scientifique et technologique : de l’ordinateur (1974) ... ... au téléphone portable (2004)! 30 Jean-Paul Haton AEIS Nancy Février 2017 Plan de l’exposé • Brève introduction à l’IA • Approches et modèles de l’IA • Quelques grands thèmes : - aide au diagnostic - réseaux sociaux - robotique • Conclusion et perspectives Jean-Paul Haton AEIS Nancy Février 2017 31 Big Data et fouille de données 32 - La quantité de données complexes produites augmente chaque année : - données sur les patients, - diagnostics, - résultats d’analyses, - images, - appareillages, etc. - et publications scientifiques! - 80% de ces données sont non structurées - Exploiter ces données est un facteur clé pour l’avenir! - Impossible « à la main » - Data Mining (Fouille de données et de textes) pour extraire des pépites de connaissances à l’aide d’outils statistiques - Apprentissage (Réseaux neuronaux « profonds ») - Protection des données : vraie question de vie privée (opacité des collectes) - La décision finale reste au spécialiste (médecin, ingénieur, etc.) 33 Capitaliser, diffuser, exploiter les connaissances Fouille de données de nature variée Mémoires d’entreprise Commerce électronique Web sémantique 2.0 Réseaux sociaux : Facebook et al. Jean-Paul Haton AEIS Nancy Février 2017 ML3 ML4 34 Capitaliser, diffuser, exploiter les connaissances Fouille de données de nature variée Mémoires d’entreprise Commerce électronique Web sémantique Réseaux sociaux : Facebook et al. Jean-Paul Haton AEIS Nancy Février 2017 ML3 ML4 Diapositive 33 ML3 Rendre exploitable l'immense source de K potentielle du Web! Rapprochement fructueux BD-IA MAIA; 10/12/2002 ML4 We : normes RDF et RDFS pour organiser les infos sur le web avec la syntaxe XML (principe : ajout de méta données à la description des ressources sous forme d'objets = on "sémantise" les données, par rapport à XML, purement syntaxique. MAIA; 10/12/2002 Diapositive 34 ML3 Rendre exploitable l'immense source de K potentielle du Web! Rapprochement fructueux BD-IA MAIA; 10/12/2002 ML4 We : normes RDF et RDFS pour organiser les infos sur le web avec la syntaxe XML (principe : ajout de méta données à la description des ressources sous forme d'objets = on "sémantise" les données, par rapport à XML, purement syntaxique. MAIA; 10/12/2002 Jean-Paul Haton AEIS Nancy Février 2017 Réseaux sociaux « Sur Internet, personne ne sait que tu es un chien… » P. Steiner The New Yorker, July 1993 35 Jean-Paul Haton AEIS Nancy Février 2017 36 - Individualisation - Connexion permanente Réseaux sociaux Jean-Paul Haton AEIS Nancy Février 2017 37 Jean-Paul Haton AEIS Nancy Février 2017 Recherche en largeur dans des graphes 38 Plan de l’exposé • Brève introduction à l’IA • Approches et modèles de l’IA • Quelques grands thèmes : - aide au diagnostic - réseaux sociaux - robotique • Conclusion et perspectives Jean-Paul Haton AEIS Nancy Février 2017 39 40 Assistance à la vie autonome Télésurveillance (Diatélic) Jean-Paul Haton AEIS Nancy Février 2017 Diatélic : suivi d’un patient patient médecin système expert • alertes • suivi des malades • envoi de messages • fiches journalières • réception de messages base de données RTC RTC/Internet 41 Jean-Paul Haton AEIS Nancy Février 2017 uploads/Litterature/ jp-haton-aeis-nancy-pdf.pdf