Leçons de niveau 18

Réseaux de neurones/Applications et exploits

Une page de Wikiversité.
Sauter à la navigation Sauter à la recherche
Début de la boite de navigation du chapitre
Applications et exploits
Icône de la faculté
Chapitre no 9
Leçon : Réseaux de neurones
Chap. préc. :Allez plus loin : le deep Learning
Chap. suiv. :Sommaire
fin de la boite de navigation du chapitre
Icon falscher Titel.svg
En raison de limitations techniques, la typographie souhaitable du titre, « Réseaux de neurones : Applications et exploits
Réseaux de neurones/Applications et exploits
 », n'a pu être restituée correctement ci-dessus.

L'apprentissage profond faisant partie de l’Intelligence Artificielle, et allant dans la continuité des réseaux de neurones, les utilisations semblent identiques.Les secteurs concernés sont donc identique :

  1. Secteur de la finance
  2. Secteur de l'assurance,
  3. Secteur industriel
  4. Data Mining
  5. etc.

Cependant, les algorithmes d’apprentissage profond possèdent des avantages non négligeables qui leur permettent de réaliser de nouveaux exploits inattendus jusque là.

Une vue intelligente : un exploit majeur[modifier | modifier le wikicode]

Le fait de pouvoir doter d'une vue un programme va lui conférer de toutes nouvelles utilisations concrètes et essentielles.

Grâce à l'apprentissage profond, une image va pouvoir être analysée par un ordinateur et non plus par un regard humain ce qui nous permet de faire analyser des milliers, voire des millions, d'images en un très faible temps.

Les équipes du Stanford Vision Lab ont utilisé leur algorithme de reconnaissance visuel afin d'analyser les véhicules vus sur Google Street View, et en croisant les informations obtenues avec des études statistiques, ils ont pu mettre en évidence des phénomènes de corrélations importants[1].

Nous arrivons donc à un niveau de "compréhension" de l'image qui permet une analyse et de mettre en évidence des phénomènes sous-jacents. C'est dans ce contexte que le développement des voitures autonomes progresse de plus en plus vite : "pouvoir faire la différence entre un sac en papier et un rocher est primordial" (Fei-Fei Li à TED 2015 sur le thème : Comment apprendre aux ordinateurs à comprendre des images )

Il existe autant de domaines d'utilisations que d'images à analyser :

  • Médecine[2]
  • Sécurité
  • Surveillance
  • Études statistiques
  • Transports
  • etc

Une utilisation particulière du Deep Learning : le modèle génératif (generative model)[modifier | modifier le wikicode]

Comme vu précédemment, les algorithmes de Deep Learning vont à partir d'un input X nous indiquer un output Y et ses caractéristiques

Cependant, il est intéressant de se demander s'il est possible de fonctionner à l’inverse : de générer un X à partir de caractéristiques données à l'algorithme. On parle ici de modèle génératif[3].


Les utilisations de ce genre de modèles sont légion :

  • Illustration de molécules ou d'atomes
  • Architectures
  • Développement de visuels commerciaux
  • etc ...

Google par le biais de son Google deep dream essaye justement de ré-interpréter des éléments présents sur une image afin de voir de nouvelles choses correspondantes aux paramètres utilisés.

"Exploit" du jeu de GO[modifier | modifier le wikicode]

En 2015, le milieu de l'intelligence Artificielle est une fois de plus chamboulé avec Google et son programme informatique AlphaGo qui utilise des algorithmes d’apprentissage profond.

En octobre 2015, ce programme informatique bat en duel l'un des meilleurs joueurs du jeu de Go : Fan Hui.

Cet événement est un réel exploit en termes d'intelligence Artificielle à cause de la complexité du jeu de Go. La performance sera réitéré en mars 2016 contre un autre joueur réputé et démontre l'avancé réalisé par les algorithmes d’apprentissage profond[4].


Références[modifier | modifier le wikicode]