[Index] Intelligence artificielle

[Tugdual]

Hier à Paris (personne n'y était ?) :

• Le directeur du laboratoire de recherche en intelligence artificielle de Facebook,
  pionnier des réseaux de neurones artificiels, était invité samedi au Monde Festival ...

[MrsJack]

Un article du Monde (un peu simplet et qui relate un truc d'avril) sur une IA qui a passé l'examen d'entrée à l'université de Todai :
http://www.lemonde.fr/campus/article/20 ... 1506353261
La vidéo de la conférence en anglais est dispo en bas de la page.

Le conclusion de l'article qui me fait rire :
Pour se distinguer de l’intelligence artificielle, « les étudiants ne devraient pas se contenter d’ingérer des tonnes de connaissances par cœur pour ensuite les réciter dans leurs copies ». Ils doivent se concentrer sur la « compréhension et sur le sens »
Euh ouais, mais ça fait longtemps qu'on le sait.

[Bubu]

Je te rejoins.
Entre reconnaître des formes, et penser, il y a un gouffre.
Les machines, aujourd'hui, sont incapables de penser.
Donc la recherche en intelligence artificielle a beaucoup à faire encore.

[Bubu]

Aujourd'hui, et depuis le début de l'AI (réseaux de neurones en tout cas), on pose le problème sous forme de causalité.
Or ça marche pas comme ça en réel. On ne choisit pas quoi apprendre, et on ne nous donne pas la "bonne" solution à connaître.
Alors peut-être qu'il faut chercher depuis l'apprentissage non-supervisé ? Mais pas tel qu'il est aujourd'hui alors.
Car il ne permet pas d'acquérir des données, mais plutôt de les représenter.
Bon courage à nos chercheurs, parce que la question de l'AI est loin d'avoir une réponse.

[Benoit]

C'est quoi le problème avec l'apprentissage non supervisé ?

[Bubu]

C'est quoi le problème avec l'apprentissage non supervisé ?

C'est un système qui permet de représenter les données mais sans les étiqueter.
C'est un système qui apprend leur représentation spatiale. (Au delà de 3 dimensions).
Mais il n'y a pas de décision.
A l'inverse d'un système supervisé, qui cherche à faire correspondre une entrée (un vecteur) à une sortie (un autre vecteur de dimension différente, indépendante).
Après, si on s'interesse à de la classification, on peut utiliser l'apprentissage compétitif. Du coup la sortie est un entier, l'index du neurone qui a le plus réagit.

[Benoit]

Merci je sais.

Je demande pourquoi ca serait mauvais en soi.
Par exemple, les random forests sont largement supérieures à tout ce qui peut se faire de "supervisé".

[Bubu]

Merci je sais.

Je demande pourquoi ca serait mauvais en soi.
Par exemple, les random forests sont largement supérieures à tout ce qui peut se faire de "supervisé".

Désolé de voir que tu as cru que je te prenais pour un con.

[Benoit]

Non c'est pas ca, c'est juste que j'essaie de savoir pourquoi/comment les modeles dits "emergents' n'ont pas la cote en IA. (favoriser l'apparition de formes a partir de rien par exemple).

[Bubu]

Le modèle du spiking neuron (neurone à impulsion) est presque à l'opposé du modèle de Mc Culloch et Pitt.
Au lieu de voir un réseau de neurones comme un gigantesque solveur d'équations, ou tout est lié, l'approche des spiking neural network est liée à la conception des systèmes multi-agents.
Après ce n'est pas une théorie dans le vide, il y en a de nombreuses, des applications concrètes.

Déjà, on prend en compte le temps qu'il faut pour transmettre une impulsion. Ce qui leur confère une aptitude temporelle difficilement atteinte même avec les meilleurs modèles classiques avec rétroaction.
Ce sont des automates, qui s'adaptent localement. La rétropropagation n'existe pas. Une simple couche résout le XOR (temporellement), alors qu'il faut deux couches avec le modèle classique.
Etc .... lets see the future ....

[Bubu]

[Ixy]

Une application très marrante : https://deepmoji.mit.edu un assistant virtuel pour l'utiisation d'émojis

[Benoit]

C'est sympa mais j'ai l'impression que leur base d'émojis n'est pas à jour.

[Bubu]

J'ai dit une grosse bêtise concernant le XOR (ou exclusif) et les SNN (spiking neural networks).
Un seul neurone de ce modèle ne suffit pas, il faut comme pour les modèles à combinaison linéaire, 2 niveaux. (couches)

Mais les SNN restent des tueries pour ce qui est du domaine du temps. C'est dû au fait que l'on prend en compte le temps de propagation des signaux dans ces modèles. Le temps n'est plus discret.

EDIT : D'ailleurs, si on suit la loi de Hebb, des neurones synchrones devraient se rapprocher (pour améliorer leur synchronicité du au temps de propagation des PA). Du coup il n'y aurait plus le modèle Perceptron d'un coté, et le modèle Kohonen de l'autre. Les deux modèles (et leurs dérivés) ne feraient plus qu'un !

[Ixy]

Overfitting !

C'est pour un classificateur de trop bien coller aux données sans avoir de pouvoir de généralisation.