<\/p>\n
\nPour r\u00e9aliser la plateforme automatique et adaptative de Cyber Guru, il a \u00e9t\u00e9 n\u00e9cessaire de d\u00e9velopper un produit contr\u00f4l\u00e9 par un mod\u00e8le de machine learning<\/em>.
Cela a \u00e9t\u00e9 rendu possible gr\u00e2ce \u00e0 l\u2019expertise en cybern\u00e9tique, en intelligence artificielle et en machine learning <\/em>de Leonida Gianfagna<\/a><\/strong>, physicien th\u00e9orique sp\u00e9cialis\u00e9 dans les particules \u00e9l\u00e9mentaires et aujourd\u2019hui \u00e0 la t\u00eate du secteur de la recherche et du d\u00e9veloppement de Cyber Guru, auteur du livre Explainable AI with Python<\/strong><\/a>.<\/p>\n<\/p>\n<\/blockquote>\n
<\/p>\n
<\/p>\n
Votre livre parle \u00e9galement beaucoup de l\u2019intelligence artificielle explicable, \u00abExplainable AI\u00bb. Pouvez-vous nous expliquer ce que c\u2019est?<\/strong><\/h3>\n
<\/p>\n
C\u2019est un champ de recherche au sein du machine learning qui cherche \u00e0 r\u00e9pondre aux nombreuses questions, notamment celles relatives \u00e0 la responsabilit\u00e9, que nous nous posons tous sur cet outil et sur son fonctionnement.<\/p>\n
<\/p>\n
Aujourd\u2019hui, l\u2019intelligence artificielle a jou\u00e9 un r\u00f4le important dans de nombreux domaines de notre vie, y compris les domaines particuli\u00e8rement sensibles et strat\u00e9giques tels que la sant\u00e9, l\u2019\u00e9conomie, la formation, le droit et bien d\u2019autres.<\/p>\n
<\/p>\n
Ainsi, il peut arriver qu\u2019une machine diagnostique une tumeur en lisant un scanner ou d\u00e9cide si une personne peut ou non obtenir un pr\u00eat hypoth\u00e9caire pour acheter une maison. En bref, de plus en plus de machines apporteront des r\u00e9ponses aux questions fondamentales de la vie des citoyens.<\/p>\n
<\/p>\n
L\u2019Explainable AI veut, pr\u00e9cis\u00e9ment, expliquer en fonction de quels \u00e9l\u00e9ments et crit\u00e8res la machine recueille les questions et fournit des r\u00e9ponses. Pour \u00eatre plus clair, pourquoi a t\u2019elle \u00ab\u00a0d\u00e9cid\u00e9\u00a0\u00bb que je n\u2019ai pas le droit d\u2019obtenir un pr\u00eat hypoth\u00e9caire mais que mon cousin re\u00e7oit lui une r\u00e9ponse affirmative.<\/p>\n
<\/p>\n
<\/p>\n
Cela implique-t-il \u00e9galement des questions de responsabilit\u00e9 et de droit\u00a0?<\/strong><\/h3>\n
<\/p>\n
Oui, c\u2019est \u00e9galement \u00e7a. \u00c0 qui incombe la responsabilit\u00e9 si la machine fait une d\u00e9duction erron\u00e9e\u00a0?<\/p>\n
<\/p>\n
\u00c9tant donn\u00e9 que les r\u00e9ponses juridiques et le droit ne parviennent pas \u00e0 suivre la vitesse de d\u00e9veloppement de la technologie et de l\u2019intelligence artificielle, on va de plus en plus vers un syst\u00e8me mixte, o\u00f9 la responsabilit\u00e9 reste \u00e0 la charge de l\u2019Homme qui utilise la machine.<\/p>\n
<\/p>\n
Le r\u00f4le de l\u2019Explainable AI devient de plus en plus d\u00e9terminant pour comprendre comment les ordinateurs construisent leurs r\u00e9ponses.<\/p>\n
<\/p>\n
<\/p>\n
Dans le livre, on parle \u00e9galement beaucoup de Machine Learning. En quoi cela diff\u00e8re-t-il de l\u2019intelligence artificielle\u00a0?<\/strong><\/h3>\n
<\/p>\n
Nous devons d\u2019abord expliquer rapidement l\u2019histoire de l\u2019intelligence artificielle.
La naissance de l\u2019IA remonte symboliquement aux ann\u00e9es\u00a01950 avec le travail de Turing (Computing Machinery and Intelligence<\/a>)<\/em> et sa fameuse question \u00ab\u00a0Can machines think\u00a0?\u00a0\u00bb<\/strong>. Son histoire est compos\u00e9e de rebondissements.
Elle vit en effet de nombreuses p\u00e9riodes difficiles, appel\u00e9es\u00ab\u00a0AI<\/strong>winters\u00a0\u00bb, durant lesquelles il semblait que les d\u00e9veloppements \u00e9taient arriv\u00e9s \u00e0 une impasse. Jusqu\u2019\u00e0 ce qu\u2019il y ait une renaissance autour des ann\u00e9es\u00a02000, quand une p\u00e9riode de d\u00e9veloppement accru de cet outil a commenc\u00e9, principalement en raison de la forte croissance de la disponibilit\u00e9 des donn\u00e9es et de la puissance de calcul. Ces deux \u00e9l\u00e9ments ont permis l\u2019application des anciens mod\u00e8les dans un contexte totalement nouveau avec des succ\u00e8s \u00e9poustouflants.<\/p>\n<\/p>\n
Le Machine Learning<\/em> est un sous-ensemble de l\u2019IA visant \u00e0 cr\u00e9er des syst\u00e8mes qui apprennent ou am\u00e9liorent les performances en fonction des donn\u00e9es qu\u2019ils utilisent. C\u2019est une approche diff\u00e9rente de celle de l\u2019algorithme o\u00f9 le mod\u00e8le apprend \u00e0 r\u00e9soudre des t\u00e2ches de mani\u00e8re autonome (sans r\u00e8gles pr\u00e9cises programm\u00e9es de l\u2019ext\u00e9rieur).<\/p>\n
<\/p>\n
<\/p>\n
Un exemple\u00a0?<\/strong><\/h3>\n
<\/p>\n
Si je dois apprendre \u00e0 une machine \u00e0 reconna\u00eetre des chats, je peux suivre deux voies\u00a0:<\/p>\n
<\/p>\n
d\u00e9crire les caract\u00e9ristiques du chat de mani\u00e8re algorithmique, en demandant \u00e0 la machine de v\u00e9rifier si les \u00e9l\u00e9ments du chat sont pr\u00e9sents dans l\u2019image soumise. Mais c\u2019est une voie difficile \u00e0 suivre car les chats peuvent \u00eatre tr\u00e8s diff\u00e9rents les uns des autres et \u00e0 la premi\u00e8re difficult\u00e9, la machine peut se bloquer.<\/p>\n
<\/p>\n
L\u2019autre moyen est de fournir \u00e0 la machine de nombreuses images de chats et de laisser la machine elle-m\u00eame reproduire un mod\u00e8le qui lui permette de reconna\u00eetre un chat.<\/p>\n
<\/p>\n
Par cons\u00e9quent, le Machine Learning puise dans de nombreuses donn\u00e9es en construisant le mod\u00e8le d\u2019un r\u00e9seau neuronal (ou diff\u00e9rents mod\u00e8les de ML), et en recherchant la r\u00e9ponse la plus appropri\u00e9e entre l\u2019entr\u00e9e et la sortie. Jusqu\u2019\u00e0 ce que le processus soit valid\u00e9.<\/strong><\/p>\n
<\/p>\n
Lorsque vous \u00eates satisfait de l\u2019exactitude des r\u00e9ponses, vous pouvez commencer \u00e0 soumettre \u00e0 la machine des donn\u00e9es jamais soumises auparavant en faisant confiance au r\u00e9seau et \u00e0 la quantit\u00e9 infinie de donn\u00e9es qu\u2019il contient.<\/p>\n
<\/p>\n
C\u2019est le m\u00eame m\u00e9canisme sur lequel repose le fonctionnement de Chat GPT dont on parle tant aujourd\u2019hui.<\/p>\n
<\/p>\n
<\/p>\n
Sommes-nous arriv\u00e9s \u00e0 un point o\u00f9 les machines peuvent \u00eatre qualifi\u00e9es d\u2019intelligentes\u00a0?<\/strong><\/h3>\n
<\/p>\n
La question est plus complexe et on en parle depuis toujours.
Il faut d\u2019abord se demander ce que l\u2019on entend par intelligence. Un ordinateur traite des donn\u00e9es et ex\u00e9cute des programmes, mais ne \u00ab\u00a0comprend\u00a0\u00bb pas ce qu\u2019il fait.<\/strong>. Bien s\u00fbr, \u00e0 premi\u00e8re vue, ses r\u00e9ponses peuvent sembler similaires \u00e0 celles d\u2019un humain. Mais il reste deux mondes distincts et lointains. La complexit\u00e9 de l\u2019humain n\u2019appartient pas aux ordinateurs.<\/p>\n<\/p>\n
C\u2019est une question tr\u00e8s importante qui a \u00e9t\u00e9 pos\u00e9e d\u00e8s les ann\u00e9es\u00a01980 avec clart\u00e9. John Roger Searle<\/a>, professeur de Berkeley, connu pour ses contributions \u00e0 la philosophie du langage et \u00e0 la philosophie de l\u2019esprit, qui a propos\u00e9 la fameuse exp\u00e9rience de la chambre chinoise pour prouver que l\u2019esprit humain n\u2019\u00e9tait pas reproductible \u00e0 l\u2019int\u00e9rieur d\u2019une<\/strong>machine.<\/p>\n
<\/p>\n
<\/p>\n
De quoi s\u2019agit-il\u00a0?<\/h3>\n
<\/p>\n
Imaginons qu\u2019il y ait dans une pi\u00e8ce une machine et un homme qui ne parle qu\u2019anglais.
Les deux sont soumis \u00e0 un texte en chinois \u00e0 traduire. \u00c9videmment, l\u2019ordinateur n\u2019a aucun probl\u00e8me \u00e0 effectuer sa t\u00e2che. L\u2019homme re\u00e7oit un livre avec une s\u00e9rie de r\u00e8gles \u00e9crites en anglais,\u202fqui expliquent comment faire correspondre les symboles chinois \u00e0 sa langue. Ainsi l\u2019homme trouve la solution et commence \u00e0 produire une sortie de r\u00e9ponse,\u202fen suivant \u00e0 la lettre les instructions.\u202fLes\u202fr\u00e9ponses\u202fque l\u2019homme produit sont\u202fformellement justes, car il a ex\u00e9cut\u00e9 \u00e0 la lettre les instructions qui lui ont \u00e9t\u00e9 donn\u00e9es avec les id\u00e9ogrammes et pouvant \u00eatre compar\u00e9es au logiciel de l\u2019ordinateur.
Malgr\u00e9 cela, il n\u2019a rien compris \u00e0 ses r\u00e9ponses et, bien s\u00fbr, il n\u2019a pas appris le chinois, bien qu\u2019\u00e0 premi\u00e8re vue, cela puisse sembler \u00eatre le contraire.<\/strong>
Ici, une machine se comporte comme le protagoniste de cette exp\u00e9rience<\/strong>\u00a0: elle ex\u00e9cute le programme \u00e9crit en langage de programmation (sa langue maternelle), mais manipule essentiellement des symboles dont elle ne conna\u00eet pas le sens. Son\u202fop\u00e9ration\u202fest\u202fpurement syntaxique. Mais la complexit\u00e9 de l\u2019esprit humain n\u2019est pas imitable par une machine. En effet, celle-ci ne doit pas \u00ab\u00a0comprendre\u00a0\u00bb mais seulement traiter et manipuler correctement des donn\u00e9es.
Pour en revenir \u00e0 l\u2019exemple des chats, il suffit de penser qu\u2019un enfant n\u2019a pas besoin de traiter des milliers d\u2019images de chat\u00a0; il lui suffit d\u2019en voir deux ou trois pour que se forme dans son esprit une id\u00e9e du chat, qui lui permettra de toujours reconna\u00eetre cet animal.<\/strong><\/p>\n<\/p>\n
\u00a0<\/p>\n
<\/p>\n
<\/p>\n
Si vous voulez en savoir plus sur Explainable AI with Python<\/em>…<\/a><\/p>\n
<\/p>[\/et_pb_text][\/et_pb_column][\/et_pb_row][\/et_pb_section]","protected":false},"excerpt":{"rendered":"
[et_pb_section fb_built=\u00a0\u00bb1″ admin_label=\u00a0\u00bbsection\u00a0\u00bb _builder_version=\u00a0\u00bb4.16″ global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbpost_content\u00a0\u00bb][et_pb_row admin_label=\u00a0\u00bbrow\u00a0\u00bb _builder_version=\u00a0\u00bb4.16″ background_size=\u00a0\u00bbinitial\u00a0\u00bb background_position=\u00a0\u00bbtop_left\u00a0\u00bb background_repeat=\u00a0\u00bbrepeat\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbpost_content\u00a0\u00bb][et_pb_column type=\u00a0\u00bb4_4″ _builder_version=\u00a0\u00bb4.16″ custom_padding=\u00a0\u00bb|||\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb custom_padding__hover=\u00a0\u00bb|||\u00a0\u00bb theme_builder_area=\u00a0\u00bbpost_content\u00a0\u00bb][et_pb_text admin_label=\u00a0\u00bbText\u00a0\u00bb _builder_version=\u00a0\u00bb4.24.2″ background_size=\u00a0\u00bbinitial\u00a0\u00bb background_position=\u00a0\u00bbtop_left\u00a0\u00bb background_repeat=\u00a0\u00bbrepeat\u00a0\u00bb hover_enabled=\u00a0\u00bb0″ global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbpost_content\u00a0\u00bb sticky_enabled=\u00a0\u00bb0″] Pour r\u00e9aliser la plateforme automatique et adaptative de Cyber Guru, il a \u00e9t\u00e9 n\u00e9cessaire de d\u00e9velopper un produit contr\u00f4l\u00e9 par un mod\u00e8le de machine learning.Cela a \u00e9t\u00e9 […]<\/p>\n","protected":false},"author":16,"featured_media":32024,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"off","_et_pb_old_content":"\n
\nPour r\u00e9aliser la plateforme automatique et adaptative de Cyber Guru, il a \u00e9t\u00e9 n\u00e9cessaire de d\u00e9velopper un produit contr\u00f4l\u00e9 par un mod\u00e8le de machine learning<\/em>.
Cela a \u00e9t\u00e9 rendu possible gr\u00e2ce \u00e0 l\u2019expertise en cybern\u00e9tique, en intelligence artificielle et en machine learning <\/em>de Leonida Gianfagna<\/a><\/strong>, physicien th\u00e9orique sp\u00e9cialis\u00e9 dans les particules \u00e9l\u00e9mentaires et aujourd\u2019hui \u00e0 la t\u00eate du secteur de la recherche et du d\u00e9veloppement de Cyber Guru, auteur du livre Explainable AI with Python<\/strong><\/a>.<\/p>\n<\/blockquote>\n\n\n\nVotre livre parle \u00e9galement beaucoup de l\u2019intelligence artificielle explicable, \u00abExplainable AI\u00bb. Pouvez-vous nous expliquer ce que c\u2019est?<\/strong><\/h3>\n\n\n\n
C\u2019est un champ de recherche au sein du machine learning qui cherche \u00e0 r\u00e9pondre aux nombreuses questions, notamment celles relatives \u00e0 la responsabilit\u00e9, que nous nous posons tous sur cet outil et sur son fonctionnement.<\/p>\n\n\n\n
Aujourd\u2019hui, l\u2019intelligence artificielle a jou\u00e9 un r\u00f4le important dans de nombreux domaines de notre vie, y compris les domaines particuli\u00e8rement sensibles et strat\u00e9giques tels que la sant\u00e9, l\u2019\u00e9conomie, la formation, le droit et bien d\u2019autres.<\/p>\n\n\n\n
Ainsi, il peut arriver qu\u2019une machine diagnostique une tumeur en lisant un scanner ou d\u00e9cide si une personne peut ou non obtenir un pr\u00eat hypoth\u00e9caire pour acheter une maison. En bref, de plus en plus de machines apporteront des r\u00e9ponses aux questions fondamentales de la vie des citoyens.<\/p>\n\n\n\n
L\u2019Explainable AI veut, pr\u00e9cis\u00e9ment, expliquer en fonction de quels \u00e9l\u00e9ments et crit\u00e8res la machine recueille les questions et fournit des r\u00e9ponses. Pour \u00eatre plus clair, pourquoi a t\u2019elle \u00ab d\u00e9cid\u00e9 \u00bb que je n\u2019ai pas le droit d\u2019obtenir un pr\u00eat hypoth\u00e9caire mais que mon cousin re\u00e7oit lui une r\u00e9ponse affirmative.<\/p>\n\n\n\n
Cela implique-t-il \u00e9galement des questions de responsabilit\u00e9 et de droit ?<\/strong><\/h3>\n\n\n\n
Oui, c\u2019est \u00e9galement \u00e7a. \u00c0 qui incombe la responsabilit\u00e9 si la machine fait une d\u00e9duction erron\u00e9e ?<\/p>\n\n\n\n
\u00c9tant donn\u00e9 que les r\u00e9ponses juridiques et le droit ne parviennent pas \u00e0 suivre la vitesse de d\u00e9veloppement de la technologie et de l\u2019intelligence artificielle, on va de plus en plus vers un syst\u00e8me mixte, o\u00f9 la responsabilit\u00e9 reste \u00e0 la charge de l\u2019Homme qui utilise la machine.<\/p>\n\n\n\n
Le r\u00f4le de l\u2019Explainable AI devient de plus en plus d\u00e9terminant pour comprendre comment les ordinateurs construisent leurs r\u00e9ponses.<\/p>\n\n\n\n
Dans le livre, on parle \u00e9galement beaucoup de Machine Learning. En quoi cela diff\u00e8re-t-il de l\u2019intelligence artificielle ?<\/strong><\/h3>\n\n\n\n
Nous devons d\u2019abord expliquer rapidement l\u2019histoire de l\u2019intelligence artificielle.
La naissance de l\u2019IA remonte symboliquement aux ann\u00e9es 1950 avec le travail de Turing (Computing Machinery and Intelligence<\/a>)<\/em> et sa fameuse question \u00ab Can machines think ? \u00bb<\/strong>. Son histoire est compos\u00e9e de rebondissements.
Elle vit en effet de nombreuses p\u00e9riodes difficiles, appel\u00e9es\u00ab AI<\/strong>winters \u00bb, durant lesquelles il semblait que les d\u00e9veloppements \u00e9taient arriv\u00e9s \u00e0 une impasse. Jusqu\u2019\u00e0 ce qu\u2019il y ait une renaissance autour des ann\u00e9es 2000, quand une p\u00e9riode de d\u00e9veloppement accru de cet outil a commenc\u00e9, principalement en raison de la forte croissance de la disponibilit\u00e9 des donn\u00e9es et de la puissance de calcul. Ces deux \u00e9l\u00e9ments ont permis l\u2019application des anciens mod\u00e8les dans un contexte totalement nouveau avec des succ\u00e8s \u00e9poustouflants.<\/p>\n\n\n\nLe Machine Learning<\/em> est un sous-ensemble de l\u2019IA visant \u00e0 cr\u00e9er des syst\u00e8mes qui apprennent ou am\u00e9liorent les performances en fonction des donn\u00e9es qu\u2019ils utilisent. C\u2019est une approche diff\u00e9rente de celle de l\u2019algorithme o\u00f9 le mod\u00e8le apprend \u00e0 r\u00e9soudre des t\u00e2ches de mani\u00e8re autonome (sans r\u00e8gles pr\u00e9cises programm\u00e9es de l\u2019ext\u00e9rieur).<\/p>\n\n\n\n
Un exemple ?<\/strong><\/h3>\n\n\n\n
Si je dois apprendre \u00e0 une machine \u00e0 reconna\u00eetre des chats, je peux suivre deux voies :<\/p>\n\n\n\n
d\u00e9crire les caract\u00e9ristiques du chat de mani\u00e8re algorithmique, en demandant \u00e0 la machine de v\u00e9rifier si les \u00e9l\u00e9ments du chat sont pr\u00e9sents dans l\u2019image soumise. Mais c\u2019est une voie difficile \u00e0 suivre car les chats peuvent \u00eatre tr\u00e8s diff\u00e9rents les uns des autres et \u00e0 la premi\u00e8re difficult\u00e9, la machine peut se bloquer.<\/p>\n\n\n\n
L\u2019autre moyen est de fournir \u00e0 la machine de nombreuses images de chats et de laisser la machine elle-m\u00eame reproduire un mod\u00e8le qui lui permette de reconna\u00eetre un chat.<\/p>\n\n\n\n
Par cons\u00e9quent, le Machine Learning puise dans de nombreuses donn\u00e9es en construisant le mod\u00e8le d\u2019un r\u00e9seau neuronal (ou diff\u00e9rents mod\u00e8les de ML), et en recherchant la r\u00e9ponse la plus appropri\u00e9e entre l\u2019entr\u00e9e et la sortie. Jusqu\u2019\u00e0 ce que le processus soit valid\u00e9.<\/strong><\/p>\n\n\n\n
Lorsque vous \u00eates satisfait de l\u2019exactitude des r\u00e9ponses, vous pouvez commencer \u00e0 soumettre \u00e0 la machine des donn\u00e9es jamais soumises auparavant en faisant confiance au r\u00e9seau et \u00e0 la quantit\u00e9 infinie de donn\u00e9es qu\u2019il contient.<\/p>\n\n\n\n
C\u2019est le m\u00eame m\u00e9canisme sur lequel repose le fonctionnement de Chat GPT dont on parle tant aujourd\u2019hui.<\/p>\n\n\n\n
Sommes-nous arriv\u00e9s \u00e0 un point o\u00f9 les machines peuvent \u00eatre qualifi\u00e9es d\u2019intelligentes ?<\/strong><\/h3>\n\n\n\n
La question est plus complexe et on en parle depuis toujours.
Il faut d\u2019abord se demander ce que l\u2019on entend par intelligence. Un ordinateur traite des donn\u00e9es et ex\u00e9cute des programmes, mais ne \u00ab comprend \u00bb pas ce qu\u2019il fait.<\/strong>. Bien s\u00fbr, \u00e0 premi\u00e8re vue, ses r\u00e9ponses peuvent sembler similaires \u00e0 celles d\u2019un humain. Mais il reste deux mondes distincts et lointains. La complexit\u00e9 de l\u2019humain n\u2019appartient pas aux ordinateurs.<\/p>\n\n\n\n