artificielle dans les grandes entreprises

Recommendations

Info

Gouvernance de l'intelligence artificielle dans les grandes entreprises Enjeux managériaux, juridiques et éthiques Machine Learning afin de filtrer les CV, prédire les employés susceptibles de partir, recommander des cours ou formations ou encore détecter des talents. Google s’appuie également sur le Knowledge Graph, initié par Freebase sur la base des données de Wikipédia. Il est progressivement alimenté par des centaines de millions de concepts regroupés en un énorme graphe. Chaque nœud du graphe est un concept interconnecté avec d’autres concepts. Chaque entreprise peut faire son Graph avec Wikidata. Les entreprises doivent investir dans des jeux de données de qualité afin qu’ils soient représentatifs des contenus. Cela permet l’amélioration d’un modèle. Cela demande un budget d’évaluation humaine comme avec le Mechanical Turk d’Amazon, application web de crowdsourcing qui vise à faire effectuer par des êtres humains contre rémunération, des tâches comme l’analyse ou de produire de l’information dans des domaines où l’intelligence artificielle est encore trop peu performante. Par ailleurs, les données vieillissent, il convient donc de mettre à jour les données et de surveiller les signaux. « Il y a toujours un risque avec le Machine Learning : c’est le sur-apprentissage. Certains modèles fonctionnent sur un jeu de données mais ne pourront être généralisés. Afin d’éviter cela, il faut s’inspirer de la théorie du rasoir d’Ockham. Lorsque plusieurs hypothèses se profilent, il vaut mieux choisir la plus simple (…). Une partie importante du travail de conception d'un système de Machine Learning est d'ajuster les paramètres de l'algorithme afin que le système apprenne au mieux des exemples fournis, mais sans sur-apprendre. Par exemple, si je fournis à Google Photos plusieurs photos d'un ami assis sur un canapé, le système ne doit pas apprendre que le canapé fait partie de mon ami ». Aurélien Géron, Product Manager YouTube, Google France. Les perspectives du Machine Learning chez Google consistent à optimiser des systèmes existants en interne. Il apporte une amélioration du système mais le simplifie aussi. Sans le Machine Learning, certains projets seraient impossibles à réaliser. Il y a surtout un mouvement d’ouverture chez les géants du web américains. Aurélien Géron, Product Manager Youtube chez Google France, recommande l’utilisation de TensorFlow, TensorFlow.org qui a des tutoriels de A à Z. TensorFlow est un framework de calcul généraliste. Il convient de détailler le calcul sous la forme d’un graphe et TensorFlow s’occupe de la distribution des tâches. Il est en Open Source. TensorFlow peut être utilisé via le langage Python, ou bien avec le langage C++ pour certains besoins très pointus." Deep MINIST est un 2e tutoriel. Le code est tout petit. Cela ressemble à du pseudocode. Pour la gestion du texte, il existe Vector Representations of Words. Il complète les phrases et fait les liens entre les mots. A terme, il y aura une compétition des plus grands de la Tech pour sortir des frameworks en Open Source. 11 Septembre 2016
Gouvernance de l'intelligence artificielle dans les grandes entreprises Enjeux managériaux, juridiques et éthiques Un réseau de neurones peut sortir des résultats totalement erronés, tristes en termes d’image voire socialement inacceptables. Lorsqu’un algorithme signale un risque qu’un contenu ait un caractère illicite, il est indispensable qu’un homme puisse reprendre la main. Autrement dit, le réseau de neurones donne des scores mais le décisionnaire reste l’être humain. 2.3.1.2. Le Deep Learning Le Deep Learning qui est considéré comme l’avancée opérationnelle majeure en termes d’intelligence artificielle repose sur la capacité d’une technologie à apprendre à partir de données brutes. On le retrouve dans le domaine de la reconnaissance vocale ou faciale et dans le traitement de texte. Il s’agit d’un modèle proche du fonctionnement biologique du cerveau humain. Le Deep Learning a été développé progressivement depuis les années 1950, avec des périodes de grandes promesses et des périodes de gel. Parmi les grands noms du Deep Learning, il faut citer Yann LeCun, chercheur en intelligence artificielle, vision artificielle et robotique, professeur à l’Université de New York et directeur de Facebook AI Research (FAIR), qui a développé des systèmes de reconnaissance de caractères ultra-performants à base de réseaux de neurones. Mais aussi, Geoffrey Hinton, psychologue spécialisé en cognition et informaticien, chercheur en intelligence artificielle, professeur à l’Université de Toronto et employé chez Google, qui est parvenu à entrainer des réseaux de neurones profonds avec des techniques nouvelles en 2006. Schématiquement, un réseau de neurones est un ensemble de neurones artificiels, inspirés des neurones biologiques mais extrêmement simplifiés, qui sont connectés les uns aux autres et s'échangent des signaux très simples, par exemple un nombre de 0 à 1. Il existe de nombreuses façons d'interconnecter ces neurones. La plus fréquente est une organisation en couches superposées : tous les neurones d'une couche sont connectés à tous les neurones de la couche suivante. Lorsqu'il y a plus de deux couches, on parle de Deep Learning. Les données à analyser, par exemple une photographie dont il faut détecter si elle contient un chat ou un chien, sont fournies en entrée de la couche basse. Certains neurones s'activent et envoient des signaux à la couche supérieure, et ainsi de suite jusqu'à la couche la plus haute, parfois constituée d'un seul neurone. Dans l'exemple précédent, si ce neurone s'active c'est un chat, sinon c'est un chien. Entrainer le réseau de neurones consiste à lui donner de nombreux exemples de photographies et à corriger légèrement la force de connexion entre chaque neurone lorsque le système fait une erreur, de façon à réduire cette erreur. « Chez Google, des milliers de projets utilisent le Machine Learning, de l'amélioration des recommandations à la classification des images en passant la reconnaissance vocale et la traduction automatique. Cela requiert souvent des réseaux profonds de plusieurs dizaines de couches, des dizaines de milliers de neurones et des milliards de connexions. Ces réseaux doivent être ré-entrainés régulièrement, parfois quotidiennement afin de s'adapter aux changements des contenus et des usages, ce qui requiert une puissance de calcul très importante. Cela a bien sûr un coût, mais l'amélioration des services que le Machine Learning permet le justifie amplement ». Aurélien Géron, Product Manager Youtube chez Google France 12 Septembre 2016
Page 2 and 3: ALAIN BENSOUSSAN AVOCATS Le droit d
Page 4 and 5: Gouvernance de l'intelligence artif

artificielle dans les grandes entreprises

Create successful ePaper yourself

Delete template?

Save as template?