Recherche fondamentale VS recherche appliquée PDF

Preview

Summary

Recherche fondamentale VS recherche appliquée...

Description

Recherche fondamentale VS recherche appliquée Recherche fondamentale (pure, théorique) : recherche qui vise à éprouver des théories, des lois scientifiques, des principes de base , afin d’accroître les connaissances dans un domaine et ce sans préoccupation pratique immédiate.  Critiques des « pro-recherche appliquée » : à quoi ça sert ? Perte d’argent et de temps comme il n’y a pas d’application « réelle ». Recherche appliquée : recherche qui vise à trouver des solutions pratiques à des problèmes pratiques.  Critiques des « pro-recherche fondamentale » : à quoi ça sert ? Pas sérieux, pas généralisable (rapide et à petite-échelle), utile à court terme seulement. Exemple : observation par rapport aux abonnements de périodiques dans les bibliothèques => si les prix augmentent (coût papier, devises étrangères…), le nombre d’abonnement diminue. Perspective fondamentale : modélisation des facteurs ayant un impact sur le nombre d’abonnement VS Perspective appliquée : faire des prévisions budgétaires s’il y a une augmentation de 15% des prix.  Biographie de Yann Le Cun (8 juillet 1960 à Paris)  Chercheur en intelligence artificielle et vision artificielle (robotique) : travaille depuis les années 1980 sur l’apprentissage automatique (machine learning) et l’apprentissage profond (deap learning) = la capacité d’un ordinateur à reconnaître des représentations (images, textes, vidéos, sons) à force de les lui montrer, de très nombreuse fois.  A publié plus de 130 documents et articles sur la vision artificielle, les réseaux de neurones artificiels et la reconnaissance d’images en particulier, domaine dans lequel il est considéré comme un des pionniers.  Janvier 2018 : il quitte son poste de chef de division en recherche sur l’intelligence artificielle chez Facebook pour occuper un poste de chercheur en tant que scientifique en chef de l'IA toujours chez Facebook. Il travaille au développement d'un assistant personnel intelligent capable de lire, traduire, effectuer des réservations, ... de manière autonome  Ses travaux ont été entre autres inspirés par Jean Piaget et la théorie du constructivisme. Il lui est reproché par quelques auteurs d'avoir soit ignoré, soit passé sous silence dans ses publications les travaux de quelques-uns de ses prédécesseurs.  Il ne conçoit pas l'intelligence artificielle comme un équivalent du cerveau humain car les caractéristiques biologiques entre humain et robot diffèrent fondamentalement.

1) A quand date-t-on la naissance de l’IA ? Comment a évolué l’IA depuis ? Années 50 : machines qui jouaient aux échecs, qui démontrent des théorèmes de math ou qui peuvent reconnaître des formes très simples. Années 60 : beaucoup de travaux sur les réseaux de neurones artificiels => faire des machines copiées sur le cerveau, en modifiant des connexions entre des circuits électroniques qui tentent de simuler les neurones du cerveau . Jusqu’à ce que certains travaux démontrent que les capacités de ces machines-là étaient extrêmement limitées.

Années 70 : travailler plutôt sur des méthodes basées sur la logique où on essaye de modéliser le raisonnement humain en écrivant des règles de déductions logiques. Années 80 : renouveau des réseaux de neurones artificiels. Découverte de nouvelles méthodes qui permettaient d’entraîner des réseaux de neurones à plusieurs couches. C’est ce qu’on appelle maintenant l’apprentissage profond (=> Deep Learning). Depuis une dizaine d’années : on assiste à un renouveau de l’intérêt dans ces réseaux de neurones multi-couches, donc le deep learning. C’est ça qui fait que maintenant, on ose encore parler de l’IA, parce qu’on a l’espoir que ces méthodes vont conduire à des progrès. Ces 5 dernières années : la raison pour laquelle on entend parler de l’IA c’est grâce à l’émergence de nouvelles méthodes pour entraîner les machines au lieu de les programmer spécifiquement. 2) Quelles sont les différents méthodes d’apprentissage ? Expliciter. -

-

-

L’apprentissage prédictif (non supervisé) : probablement le mode d’apprentissage principal des animaux et des humains. C’est apprendre comment fonctionne le monde par observation ou par interaction avec le monde. L’apprentissage supervisé : ce qui marche en ce moment pour les applications réelles (ex : systèmes de traduction automatique, de reconnaissance d’images, de voitures sans chauffeur…). C’est de l’apprentissage à partir de données brutes qui n’ont pas été annotées par des gens. C’est un petit peu comme montrer un livre d’images à un enfant où on montre un éléphant et on dit que c’est un éléphant. L’apprentissage par renforcement : fonctionne bien, à l’heure actuelle, pour les jeux, pour apprendre à jouer au Go. On ne donne pas à la machine la réponse correcte. On lui dit simplement si la réponse qu’elle a produite était correcte ou pas. C’est-à-dire qu’on lui donne une sorte de récompense.

3) Peut-on vraiment parler de similitude entre cerveau et machine en IA ? Identifier les points communs et les points divergents. Peut-être qu’on s’inspire un petit peu de la manière dont fonctionne le cerveau comme la manière d’un planeur s’inspire de la manière dont vole un oiseau. C’est-à-dire que les détails sont très différents, le principe de base est peut-être le même. Memory augmented neuronets : ces méthodes-là sont des architectures de réseaux de neurones qui ont 2 modules distincts. Un qui fait le calcul, le raisonnement, qui calcule la sortie. L’autre qui sert de mémoire de travail ou de mémoire épisodique. En fait, le cerveau est un peu organisé comme ça. 4) Quelles sont les limites aujourd’hui de l’IA ? On n’a pas d’ordinateurs assez puissants pour, en fait, reproduire l’intelligence humaine au même niveau => la technologie commence à saturer. Il va falloir trouver de nouvelles technologies pour faire progresser le matériel et pour l’instant, on ne sait pas ce que c’est.

Les processus de décision : il y a tout un tas de décisions qui sont prises par les gens, qu’on arrive souvent à rationnaliser par une explication, mais très souvent la décision est plutôt faites à partir de raisonnement intuitif qu’on en peut pas vraiment verbaliser correctement. Si on demande à un chauffeur de taxi comment il conduit son taxi, il est incapable de nous le dire en détails. Si on était capable d’expliquer complétement un processus de raisonnement, en fait, on serait capable de le reproduire sur un ordinateur par un programme MAIS on ne sait pas le faire. 5) Quelles seraient les évolution à venir de l’IA ? Donner des exemples de progrès possibles. Les voitures autonomes ou la détection de tumeur dans les IRM, la médecine personnalisée, etc…...