Introduction à l’Intelligence Artificielle
Qu’est-ce que l’Intelligence Artificielle?
Petite histoire : De nombreuses étapes ont conduità la naissance de cette discipline. Le premier, àla fois
en termes d’importance et d’ordre chronologique, estl’avènement de l’ordinateur et son intérêt
continu. Déjà 1623, grâce à Willhelm Sickhart, ilétait possible de créer des machines capables
d’effectuer des calculs mathématiques avec nombreusesallant jusqu’à six chiffres, même si elles
n’étaient pas autonomes. En 1642, Blaise Pascal construisitune machine capable d’effectuer des
opérations utilisant le report automatique, tandisqu’en 1647, Gottfried Wilhelm Von Leibniz créa une
machine capable d’effectuer somme, différence et multiplicationde manière récursive. Entre 1834 et
1837, Charles Babbage travaille sur le modèle d’unemachine appelée machine analytique, dont les caractéristiques ont en partie participé celles desordinateurs modernes. Au vingtième siècle, l’attention portée aux ordinateurs est revenue à la lumière :en 1937, par exemple, Claude Shannon, de l’université de Yale, a montré comment l’algèbre booléenne et lesopérations binaires pouvaient représenter le changement de circuit dans les téléphones.
L’article d’Alan Turing, écrit en 1936 et intituléOn Compute Numbers, avec une application au problème d’Entscheidungs, jette les bases de concepts telsque la calculabilité, la machine de Turing, les définitions cardinales pour les ordinateurs jusqu’ànos jours.
” Définition : L’intelligence Artificielle est l’ensembledes théories et des techniques mises en œuvre en vue de réaliser des machines capables de simuler l’intelligence.“
L'IA améliore nos vies?
Oui L’IA a beaucoup amélioré notre quotidien. Grâceà elle tout devient plus facile. Nous avons comme exemple les voitures automatiques sans chauffeur,Netflix, Amazon ..
Si l'IA peut simuler l'intelligence, peut-elle remplacer les humains?
Les machines sans qu’on ne s’en rende compte prennentdes décisions à notre place de nos jours.
Devrons nous nous inquiété par rapport à cela ? Etbien je dis oui ! Certes l’intelligence artificielle est une grande révolution mais je pense qu’il devraity avoir un centre de réglementation qui aura pourrôle de vérifier les algorithmes qu’on déploie. Car denos jours une personne lambda peut récolter des données sur des gens, les extrapoler et les manipulerà sa guise. Et sans qu’on ne s’en rende compte, cela a des conséquences en bien et en mal sur la viedes gens.
Pour conclure créons des algorithmes qui rendent meilleurela vie des hommes, pas des algorithmes qui vont remplacer l’homme.
La sécurité des données et éthique
Avant de faire de l’IA, vous devez collecter des données(beaucoup de données). C’est à partir de
toutes ces données que l’algorithme apprend. Celapose donc un problème de sécurité des données.
Ces données ne doivent pas être ouvertes à tous etles utilisateurs doivent être informés que leurs
données sont collectées et à quelles fins elles serontutilisées.
Que sont l’intelligence artificielle et le machine learning ?
L’Intelligence Artificielle (IA) désigne la capacitédes machines à observer, réfléchir et réagir comme
des êtres humains. Elle repose sur l’idée que l’intelligencehumaine peut être décomposée en
compétences précises qui peuvent ensuite être imitéespar des ordinateurs programmés à cette fin.
L’IA est un terme englobant qui recouvre un largeéventail de concepts et de technologies, dont le
machine learning (ML).
3 Grandes familles du Machin Learning
Système de recommandation
Tout le monde a déjà fait un achat sur Amazon je suppose.
Lorsque vous payez un produit sur amazon, il y a automatiquementd’autres produits qui vous sont
proposés, vous me suivez ? Bon je développe. Si vousavez payé un Bic par exemple, amazone grâce à un système de recommandation vous dira que ceux quiont acheté le même Bic que vous ont aussi acheté une trousse (Système collaboratif sur la basedes utilisateurs) ou grâce aux produits que vous
avez enregistrés dans votre panier vous proposer d’autres produits similaires que vous pourriez potentiellement acheté (Système collaboratif sur labase des utilisateurs).
Cela fait ressortir deux types de système de recommandation :
-Système collaboratif sur la base des utilisateurs: dans ce système pour faire une
recommandation à un utilisateur, on calcul la similarité cosinus entre lui et les autres utilisateurs puis on choisit ceux qui lui sont le plus similaire.
-Système collaboratif sur la base des articles: dans ce système, on calcul les similarités
directement à partir des articles pour générer des suggestions à l’utilisateur.
Mais dans les 2 cas il est indispensable de calculer la similarité cosinus ou cosine similarity (en anglais) pour pouvoir effectuer une recommandation.
Apprentissage supervisé
L’apprentissage supervisé est un des types de machine Learning le plus utilisé. Rappelez-vous qu’on
utilise l’apprentissage supervisé quand – on veut faire des prédictions à partir de données existantes, on parle de input/output. C’est-à-dire qu’on crée un modèle de machine learning à partir de données qu’on a au préalable, puis on fait des prédictions qui ont une bonne précision (accuracy) à partir de nouvelles données qu’on aura introduit dans notre modèle.
La classification et la régression
● Classification: Un problème de classification survient lorsque la variable de sortie est une
catégorie, telle que «rouge», «bleu» ou «maladie» et «pas de maladie».
Exemples :
○ En finance et dans le secteur bancaire pour la détection de la fraude par carte
de crédit (fraude, pas fraude).
○ Détection de courrier électronique indésirable (spam, pas spam).
○ Dans le domaine du marketing utilisé pour l’analyse du sentiment de texte (heureux, pas heureux).
○ En médecine, pour prédire si un patient a une maladie particulière ou non.
● Régression: Un problème de régression se pose lorsque la variable de sortie est une valeur
réelle, telle que «dollars» ou «poids».
Exemples :
○ Prédire le prix de l’immobilier
○ Prédire le cours de bourse
Certains types courants de problèmes fondés sur la classification et la régression incluent la prévision et la prévision de séries temporelles, respectivement.
Voici quelques exemples populaires d’algorithmes d’apprentissage automatique supervisé:
● Arbres de décision
● K Nearest Neighbours
● SVC linéaire (classificateur de vecteur de support)
● Régression logistique
● Naive Bayes
● Les réseaux de neurones
● Régression linéaire
● Régression vectorielle de support (SVR)
● Arbres de régression
Apprentissage non supervisé
L’apprentissage non supervisé consiste à ne pas disposer de variable d’entrée (input) et de variable de sortie (output). Ici l’algorithme apprend tout seul. Il comprend les algorithmes de regroupement
(Clustering ) et d’association
Regroupement ou Clustering :
(output).la mise en cluster consiste à séparer ou à diviser un ensemble de données en un certain
nombre de groupes, de sorte que les ensembles de données appartenant aux mêmes groupes se
ressemblent davantage que ceux d’autres groupes. En terme simple l’objectif est de séparer les
groupes ayant des traits similaires et de les assigner en grappes.
Exemple un chef de magasin qui souhaite comprendre les préférences de ses clients pour développer
son activité. Il peut regrouper tous ses clients en 10 groupes en fonction de leurs habitudes d’achat et utiliser une stratégie distincte pour les clients de chacun de ces 10 groupes.
Association :
L’association consiste à découvrir des relations intéressantes entre des variables dans de grandes
bases de données. Par exemple, les personnes qui achètent une nouvelle maison ont aussi tendance à acheter de nouveaux meubles. Il découvre la probabilité de cooccurrence d’éléments dans une
collection.
Les algorithmes d’apprentissage non supervisé
● K-means clustering
● Dimensionality Reduction (Réduction de la dimensionnalité)
● Neural networks / Deep Learning
● Principal Component Analysis (Analyse des composants principaux)
● Singular Value Decomposition (Décomposition en valeur singulière)
● Independent Component Analysis (Analyse en composantes indépendantes)
● Distribution models (Modèles de distribution)
● Hierarchical clustering (Classification hiérarchique)
L'intelligence artificielle dans le secteur public
L’intelligence artificielle est un véritable trésor pour le système public car grâce aux algorithmes
d’apprentissage automatique de nombreuses tâches qui étaient difficiles à faire dans le système
administratif deviennent moins compliquées. Cela facilite le travaille des fonctionnaires.
Alors comment cela est-il possible ?
1 Traitement automatique de documents:
Le système administratif traite beaucoup de données. Cela rend parfois très compliqué l’extraction de données spécifiques. Mais l’IA grâce au NLP (traitement du langage naturel) va pouvoir classer les
fichiers, les traiter et permettre d’extraire facilement et très rapidement des données spécifiques.
2 Cibler les interventions de l’administration publique:
Grâce aux données collectées auprès des hôpitaux, de la police, et d’autres institutions étatiques, par exemple avec des algorithmes de classification, il est possible de classer certaines localités selon peut-être le taux de certains types de maladies, d’accident, d’alphabétisation, etc…
3 Lutte contre la fraude:
L’apprentissage automatique est très souvent utilisé pour détecter la fraude en identifiant des motifs qui relèvent de la fraude dans les données relatives à une personne ou à une entité. Cela nécessite
généralement de pouvoir collecter et combiner des informations provenant de sources diverses.
4 Filtrage des données:
Certaines données sensibles pour une bonne analyse peuvent être filtrées à travers des couches de neurones pour ne garder que les bonnes.
Le contenu des emails et autres courriers entrants est analysé pour en extraire les sujets ou les thèmes auxquels le courrier se rapporte. Les résultats de cette analyse permettent de prioriser le courrier et de le renvoyer vers le service adéquat.
5 Améliorer les relations entre la population et les institutions publiques
Les outils de PNL permettent d’évaluer la tonalité des messages envoyés aux services administratifs (positif, négatif, neutre) et de déterminer la satisfaction des utilisateurs vis-à-vis de ces services. Ainsi grâce à ces informations l’Etat peut savoir comment améliorer ses services.
Conclusion
En conclusion, la révolution de l’IA est en marche et affecte aussi la façon dont les institutions gouvernementales fonctionnent. Cependant l’utilisation de cette nouvelle technologie dans les
administrations devra être fortement encadrée. Encore plus que dans le domaine privé, la transparence sur l’utilisation de l’IA dans le secteur public est cruciale pour garder la confiance des
citoyens. Les institutions peuvent s’appuyer sur l’IA pour gagner en efficacité et améliorer ses
services aux citoyens mais ces services doivent être accessibles à tous.
