8739 1 Intelligence Artificielle Atif

Intelligence Artificielle
MESR - Plan de Formation National
Jamal Atif
Professeur des Universités

PSL, Université Paris-Dauphine, LAMSADE, CNRS
30 mai 2017
Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 1 / 44

Définir l’intelligence artificielle
Une entreprise périlleuse!

Acte de naissance
Conférence de Dartmouth en 1956...4 ans après le décès tragique de A. Turing

Une définition · · · discutable !
Marvin Minsky
Science qui consiste à faire faire aux machines ce que
l’homme ferait moyennant une certaine intelligence.
Ecueils
I Récursivité de la définition : dépend da définition de l’intelligence
humaine
I Portée de “faire faire" ?

L’héritage de Turing
Turing (1950) “Computing machinery and intelligence”:

I “Can machines think?” −→ “Can machines behave intelligently?”
I Test opérationnel : le jeu de l’imitation
HUMAN
HUMAN
INTERROGATOR ?
AI SYSTEM
I Turing a prédit qu’en 2000, une machine aurait une chance de 30% de tromper un
humain pendant 5 minutes.
I A anticipé tous les arguments contre l’IA dans les 50 ans suivants.
I A suggéré les composantes principales de l’IA : connaissances, raisonnement, TAL,
apprentissage
Problèmes : le test n’est ni reproductible, ni constructif, ni apte à une analyse mathématique

Autres définitions· · · tout aussi discutables
I “Tout problème pour lequel il n’existe pas d’algorithme connu, ou de coût

raisonnable, relève de l’I.A.”
I “L’I.A. doit permettre de proposer des solutions logicielles permettant aux
programmes de raisonner logiquement”
I “L’IA est le domaine de l’informatique qui étudie comment faire faire à
l’ordinateur des tâches pour lesquelles l’homme est aujourd’hui encore le
meilleur”
I “Le but de l’Intelligence Artificielle est de construire un objet pouvant
réussir avec fiabilité le Test de Turing”
I “L’IA est ce qui est publié dans les conférences et journaux de l’IA”


meilleur”


meilleur”


meilleur”


meilleur”

Un objet protéiforme

Une histoire mouvemontée
1943 McCulloch & Pitts: Boolean circuit model of brain
1950 Turing’s “Computing Machinery and Intelligence”
1952–69 Look, Ma, no hands!
1950s Early AI programs, including Samuel’s checkers program,
Newell & Simon’s Logic Theorist, Gelernter’s Geometry Engine
1956 Dartmouth meeting: “Artificial Intelligence” adopted
1965 Robinson’s complete algorithm for logical reasoning
1966–74 AI discovers computational complexity
1969 Minsky and Papert’s “Group Invariance Theorem”
Neural network research almost disappears
1972 Prolog by Alain Colmerauer and Philippe Roussel
1969–79 Early development of knowledge-based systems
1980–88 Expert systems industry booms
1988–93 Expert systems industry busts: “AI Winter”
1985–95 Neural networks return to popularity (Geff Hinter is there!)
1988– Resurgence of probability; general increase in
technical depth (machine learning)
“Nouvelle AI”: ALife, GAs, soft computing
1995– Agents, agents, everywhere . . .
2006– Human-level AI and neural networks (deep learning)
back on the agenda (Geff Hinton is there!)

Que sait on faire aujourd’hui ?
Jouer au Go - AlphaGo, le désormais retraité
Figure: Mars 2016. AlphaGo : 4 Lee Sedol (9 d) : 1

Jouer au Go - AlphaGo, le désormais retraité
Figure: 25 mai 2017. AlphaGo : 3 Kee Jie (9 d) : 0

Jouer au Poker ?
Figure: Libratus: heads-up, no-limit Texas Hold’em. Counterfactual Regret

Minimization (CFR)
Jamal Atif (Université Paris-Dauphine)
Intelligence Artificielle 30 mai 2017 9 / 44
Conduire de façon autonome ?
Figure: Waymo Google Car

Converser ?

Traduire en temps réel ?

Dépasser les capacités humaines en reconnaissance de formes ?

I Composer de la musique ?
I Jouer à la bourse comme des traders professionnels ?
I Détecter des tumeurs ?
I Traduire l’activité cérébrale en signal moteur ?
I ...

Raisons d’un engouement !
I Avancées dans l’ensemble des champs disciplinaires : Rep. des

connaissances (knowledge graph), raisonnement (complexité), SAT,
théorie de l’apprentissage, etc.
I Disponibilité de grandes masses de données
I Disponibilité des moyens de calcul
I Percée de l’apprentissage automatique et des modèles neuronaux profond
I Représentation des connaissances et raisonnement sur des données à
grande échelle

Ouvrons la boite !
Apprentissage automatique

Définition imprécise
Doter les machines de capacités
I d’extraction automatique de “connaissances” à partir de masses de
données
I et d’auto-amélioration à partir d’expérience
Définition moins imprécise (Tom Mitchell)

A computer program is said to learn from experience E with respect to some
class of tasks T and performance measure P , if its performance at tasks in T ,
as measured by P , improves with experience E.
Jeu de dame : T jouer au dame, P % de parties gagnées, E mouvements connus ou pratique
du jeu

Définition imprécise
Doter les machines de capacités
I d’extraction automatique de “connaissances” à partir de masses de
données
I et d’auto-amélioration à partir d’expérience
Définition moins imprécise (Tom Mitchell)

A computer program is said to learn from experience E with respect to some
class of tasks T and performance measure P , if its performance at tasks in T ,
as measured by P , improves with experience E.
Jeu de dame : T jouer au dame, P % de parties gagnées, E mouvements connus ou pratique
du jeu

Grandes figures de l’apprentissage automatique
I Apprentissage supervisé
I Apprentissage non-supervisé
I Apprentissage par renforcement
I Apprentissage actif
I Transfert d’apprentissage, par analogie, de préférences, etc.

Apprentissage supervisé
Principe: étant donné un échantillon de données étiquetées
S = {hxi , yi i}1···n , apprendre une fonction/densité de prob. de prédiction qui
lie les données aux étiquettes.
h∈H
X 3 x −→ y ∈ Y
p(.,.)
I Y ≡ R : problème de régression
I Y ≡ ensemble discret(e.g. {0, 1}): problème de classification
I H peut être un espace fonctionnel ou de densités de probabilités
I Choix de la fonction de perte et du risque à minimiser (erreur en
généralisation) :
Z
R(h) = E(x,y)∼D [`(h(x), y)] = `(h(x), y)pXY (x, y)dxdy
X ×Y
I Minimisation du risque empirique

n
1X
ĥ = arg min `(h(xi ), yi )
h∈H n i=1
h∈H
X 3 x −→ y ∈ Y
p(.,.)
généralisation) :
Z
X ×Y

n
1X
h∈H n i=1
h∈H
X 3 x −→ y ∈ Y
p(.,.)
généralisation) :
Z
X ×Y

n
1X
h∈H n i=1
h∈H
X 3 x −→ y ∈ Y
p(.,.)
généralisation) :
Z
X ×Y

n
1X
h∈H n i=1
h∈H
X 3 x −→ y ∈ Y
p(.,.)
généralisation) :
Z
X ×Y

n
1X
h∈H n i=1
h∈H
X 3 x −→ y ∈ Y
p(.,.)
généralisation) :
Z
X ×Y

n
1X
h∈H n i=1
Procédure
Apprentissage 6= mémorisation : généralisation vs spécialisation

Risque structurel
Soit une séquence infinie d’ensembles d’hypothèses ordonnés par inclusion,
H1 ⊂ H2 ⊂ · · · ⊂ Hm ⊂ · · ·
n
1X
ĥ = arg min `(h(xi ), yi ) + penalty(Hm , m)
h∈Hm ,m∈N n i=1
I Garanties théoriques fortes

I Complexité de calcul
I Cadre pour la régularisation :
n
1X
ĥ = arg min `(h(xi ), yi ) + λ Reg(h) (1)
h∈H n i=1
n
1X
ĥ = arg min `(h(xi ), yi ) + λ||h||0 (2)
h∈H n i=1

Apprentissage non-supervisé
Principe: étant donné un échantillon de données non-étiquetées

S = {xi , i = 1, · · · , n}, découvrir des régularités en créant des groupes
homogènes.
I Cadre théorique mal maîtrisé

I Challenge pour les années à venir

Apprentissage non-supervisé
Principe: étant donné un échantillon de données non-étiquetées

S = {xi , i = 1, · · · , n}, découvrir des régularités en créant des groupes
homogènes.
I Cadre théorique mal maîtrisé

I Challenge pour les années à venir

Apprentissage par renforcement
Généralités
I Un agent, situé dans le temps et l’espace
I Evoluant dans un environnement incertain (stochastique)

I But : sélectionner une action à chaque pas de temps,
I · · · afin de maximiser une espérance du gain cumulé à horizon temporel
fini ou infini
Qu’apprend-on
une politique = stratégie = {état → action}
Allons plus profondément dans la boite !
Réseaux de neurones · · · profonds

Anatomie (basique) d’une neurone
Figure: A neuron’s basic anatomy consists of four parts: a soma (cell body),
dendrites, an axon, and nerve terminals. Information is received by dendrites,
gets collected in the cell body, and flows down the axon.
Neurone artificiel
Terminal Branches
Dendrites
of Axon
x1
w1
x2
w2
x3 w3
S
Axon
wn
xn

Perceptron
Rosenblatt 1957
Figure: Mark I Perceptron machine

Perceptron
Apprentissage des poids wi
Règle de Hebb
En cas de succès, ajouter à chaque connexion quelque chose de proportionnel à
l’entrée et à la sortie.
Règle du perceptron : apprendre seulement en cas d’échec

Apprentissage du Perceptron
Exemple : la fonction OR
Initialization: w1 (0) = w2 (0) = 1, w3 (0) = −1

x(k) wi xki ỹ (k) y (k)
P
t w1 (t) w2 (t) w3 (t) ∆w1 (t) ∆w2 (t) ∆w3 (t)
0 1 1 -1 001 -1 0 0 0 0 0
1 1 1 -1 011 0 0 1 0 1 1
2 1 2 0 101 1 1 1 0 0 0
3 1 2 0 111 3 1 1 0 0 0
4 1 2 0 001 0 0 0 0 0 0
5 1 2 0 011 2 1 1 0 0 0

Perceptron : illustration
x(1) = [0, 0]T t=0
0
w1 = 1
P −1 1 if a > 0 ỹ = 0
0 w2 = 1 a= i wi xi 0 elsewhere
y=0
w3 = −1
1
wi = wi + (y − ỹ)xi
w1 = 1 + 0 ∗ 0
w2 = 1 + 0 ∗ 0
w3 = −1 + 0 ∗ −1

x(2) = [0, 1]T t=1
0
w1 = 1
P 0 1 if a > 0 ỹ = 0
y=1
w3 = −1
1
w1 = 1 + 1 ∗ 0 = 1
w2 = 1 + 1 ∗ 1 = 2
w3 = −1 + 1 ∗ 1 = 0

x(3) = [1, 0]T t=2
1
w1 = 1
P 1 1 if a > 0 ỹ = 1
y=1
w3 = 0
1
w1 = 1 + 0 ∗ 0 = 1
w2 = 2 + 0 ∗ 1 = 2
w3 = 0 + 0 ∗ 1 = 0

x(4) = [1, 1]T t=3
1
w1 = 1
P 3 1 if a > 0 ỹ = 1
y=1
w3 = 0
1
w1 = 1 + 0 ∗ 0 = 1
w2 = 2 + 0 ∗ 1 = 2
w3 = 0 + 0 ∗ −1 = 0

x(1) = [0, 0]T t=4
0
w1 = 1
P 0 1 if a > 0 ỹ = 0
y=0
w3 = 0
1
w1 = 1 + 0 ∗ 0 = 1
w2 = 2 + 0 ∗ 1 = 2
w3 = 0 + 0 ∗ 1 = 0

x(2) = [0, 1]T t=5
0
w1 = 1
P 2 1 if a > 0 ỹ = 1
y=1
w3 = 0
1
w1 = 1 + 0 ∗ 0 = 1
w2 = 2 + 0 ∗ 1 = 2
w3 = 0 + 0 ∗ 1 = 0

Perceptron : capacité
1 1
0 0
0 1 0 1
OR(x1 , x2 ) AND(x1 , x2 )

Perceptron : capacité
0 1
XOR(x1 , x2 )
Mais !
XOR(x1 , x2 )
AND(x1 , x̄2 )
0 1
AND(x̄1 , x2 )

Perceptron Multi-Couches Paul Werbos, 84. Rumelhart, Hinton et al, 86
1
b 1
x1
x2
o1
x3
om
Output layer
xd
Input Layer
Hidden layers
Universal approximation theorem (Cybenko, 89; Hornik 91) :

Sous certaines conditions sur les fonctions d’activation, le PMC avec
une seule couche cachée composée d’un nombre fini de neurones, peut
approcher avec une erreur arbitraire toute fonction dans Rn

PMC avec une couche cachée
1 1
b
x1 w11 h1 b2
w 21 w12
w1
2
w 31
w
13
x2 w22 h2
w22
w 32
w23
x3 w33 h3 w32
n2
Output Layer
w
P
f (x) = o(b2 + d 2
i=1 w1 hi (x))
n3
w2
w
d
1
wn
w 3d
w1
d
xn
wd2
wnd
Input Layer
hd
Hidden Layer
P
hj (x) = g(b + n i=1 wij xi )

PMC: entraînement par retropropagation
Chain rule généralisée
Chain Rule in Flow Graph
Flow!graph:!any!directed!acyclic!graph!
…$ !node!=!computa8on!result!
!arc!=!computa8on!dependency!
!
…$ !!!!!!!!!!!!!!!!!!!!!!!!!!!! !!=!successors!of!!
…$
65!
XOR
P a1 1
h1
1
x1 i wi1x i
+ b11 h(x) = 1+e−a(x)
1
w11
w12
P ao 1
ỹ
1
w12 k wk2 hk + b2 ho (x) = 1+e−a(x)
2
w21 w22
P a2 1
h2
x2
1 1
i wi2 x2 + b2
h(x) = 1+e−a(x)
2
w22
b11 b12 b2
1 1

XOR
P a1 1
h1
1
x1 i wi1x i
+ b11 h(x) = 1+e−a(x)
1
w11 =1
w12 = 1
w 12
ao ỹ
1
P 1
wk2 hk + b2 ho (x) =
−1
=1
k 1+e−a(x)
b11 =
1
=
w1
21
w22 = 1
P a2 1
h2
x2 i
1
wi2 x2 + b12 h(x) = 1+e−a(x)
b 2 = −1
1
w22 =1
1
−
1 =
b2
1 1

XOR
a1 = −1 1 0.27
x1 0 h1 (x) =
1
P 1 1
1+e−a1 (x)
w11 =1 i wi1xi + b1
w12 = 1 −0.46
w 12
ao = ỹ = 0.39
1
1
ho (x) =
−1
=1
P 1+e−ao (x)
2 2
k wk hk + b
b11 =
y=0
1
=
w1
21
w22 = 1
a2 = −1 1 0.27
x2 0 h2 (x) = 1+e−a2 (x)
P 1
x2 + b12
b 2 = −1
1 wi2
w22 =1 i
1
−
1 =
b2
1 1

XOR
wk2 = wk2 + ηδk
δk = (y − ỹ)(1 − ỹ)ỹhk
w ∂ ỹ ∂ao
a1 = = ∂E
∂ ỹ ∂ao ∂w 2
−1 1 0.27 k
x1 0 h1 (x) =
1
P 1 1
1+e−a1 (x)
w11 =1 i wi1xi + b1
w12 = 1 −0.46
w 12
ao = ỹ = 0.39
1
1
ho (x) =
−1
=1
P 1+e−ao (x)
wk2 hk + b2
b11 =
k
y=0
1
=
w1
21
w22 = 1
a2 = −1 1 0.27
x2 0 h2 (x) = 1+e−a2 (x)
P 1
x2 + b12
b 2 = −1
1 wi2
w22 =1 i
1
−
1 =
b2
1 1

XOR
∂Ew ∂Ew ∂ho ∂ao ∂hj ∂aj

1
wij 1
= wij − ηδij δij = ∂wij = ∂ho ∂ao ∂hj ∂aj ∂wij
wk2 = wk2 − ηδk
δij = −(y − ỹ)(1 − ỹ)ỹwj2 hj (1 − hj )xi ∂Ew
δk = 2 , Ew
∂wk
= 21 (y − ỹ)2
w ∂ ỹ ∂ao
= ∂E
∂ ỹ ∂ao ∂w 2 δk = −(y − ỹ)(1 − ỹ)ỹhk
k
a1 = −1 1 0.27
x1 0 h1 (x) =
P 1
1+e−a1 (x)
1
w11 =1 i wi1x i
+ b11
w12 = 0.98 −0.46

w 12
ao = ỹ = 0.39
1
−.98
1
ho (x) =
=1
P 2 2
1+e−ao (x)
k wk hk + b
b11 =
y=0
1
=
w1
21
w22 = 0.98
a2 = −1 1 0.27
07
x2 0 h2 (x) = 1+e−a2 (x)
P
b 2 = −1.
1
1
w22 =1 i wi2 x2 + b12 w12 = w12 + 1 ∗ (0 − .39)(1 − .39).3 ∗ 0.27
8
.9
− w22 = w22 + 1 ∗ (0 − .39)(1 − .39).3 ∗ 0.27
1 =
b2
1 1 b2 = b2 + 1 ∗ (0 − .39)(1 − .39).3 ∗ 1
1
w11 = 1 + 1 ∗ (0 − .39)(1 − .39) ∗ .39 ∗ 1 ∗ .27 ∗ (1 − .27) ∗ 0
1
w22 = 1 + 1 ∗ (0 − .39)(1 − .39) ∗ .39 ∗ 1 ∗ .27 ∗ (1 − .27) ∗ 0
..
.
b11 = −1 + 1 ∗ (0 − .39)(1 − .39) ∗ .39 ∗ 1 ∗ .27 ∗ (1 − .27) ∗ −1

XOR
a1 = .02 1 0.5
x1 0 h1 (x) =
P 1
1+e−a1 (x)
1
w11 =1 i wi1x i
+ b11
w12 = 0.98 −0.09

w 12
ao = ỹ ≈ 0.5
1
−.98
1
ho (x) =
=1
P 1+e−ao (x)
2 2
k wk hk + b
b11 =
y=1
1
=
w1
21
w22 = 0.98
a2 = .02 1 0.5
07
x2 1 h2 (x) = 1+e−a2 (x)
P
b 2 = −1.
1
1
w22 =1 i wi2 x2 + b12
8
.9
−
1 =
b2
1 1

PMC comme un réseau profond
PMC avec plus de 2/3 couches est un réseau profond
1
b 1
x1
x2
o1
x3
om
Output layer
xd
Input Layer
Hidden layers

D’où vient la rupture ?
Avant 2006, l’entraînement des architectures profondes était sans succès !

Bengio, Hinton, LeCun
Essouflement du gradient
I Avancées en optimisation stochastique
I Pré-entraînement non-supervisé
Sur-apprentissage
I Techniques de régularisation
I Stochastic “dropout"
Et surtout
I Disponibilité de très grandes masses de données
I Disponibilité de moyens de calcul

Pré-entraînement non-supervisé
Idée principale
Initialiser le réseau de façon non-supervisée pas à pas
x1 x1 x1
x2 x2 x2
x3 x3 x3
xd xd xd
Input Layer =⇒ Input Layer =⇒ Input Layer
Modèles dédiés : RBM, Auto-encodeurs, et plusieurs variantes

Fine tuning
Comment ?
I Ajouter la couche de sortie
I Initialiser ses poids de façon aléatoire

I Mise à jour par rétropprogaration
x1
x2
x3
Output Layer
xd
Input Layer

Drop out
Intuition
Régulariser le réseau en annulant aléatoirement des unités cachées.
Procédure
Affecter à chaque neurone caché une valeur 0 avec une probabilité p (choix
commun : .5)
x1
x2
x3
Output Layer
xd
Input Layer

Quelques réseaux d’intérêt

Convolutional Neural Networks Lecun, 89–
Etat de l’art en vision et autres

faces cars
Convolutional Neural Networks Lecun, 89–

Etat de l’art en vision et autresConvolutional Deep Belief Networks for Scalable
Table 2. Test er
Labeled training samples 1,000
CDBN 2.62±0.12%
Ranzato et al. (2007) 3.21%
Hinton and Salakhutdinov (2006) -
Weston et al. (2008) 2.73%
faces
Figure 3. Columns 1-4: the secondcarslayer bases (top) an
categories. Column 5: the second layer bases (top) and
object categories (faces, cars, airplanes, motorbikes).
Faces Motorbikes Cars
0.6 0.6 0.6
first layer first layer first layer
calable Unsupervised Learning of Hierarchical Representations

0.4
second layer
third layer 0.4
second layer
third layer 0.4
second layer
third layer
0.2 0.2 0.2
her given 0
0.2 0.4 0.6 0.8 1
Area under the PR curve (AUC)
0
0.2 0.4 0.6 0.8 1
Area under the PR curve (AUC)
0
0.2 0.4 0.6 0.8 1
Area under the PR curve (AUC
reatment Features Faces Motorbikes Cars

ottom-up
Jamal Atif (Université Paris-Dauphine)
First layer 0.39±0.17
Intelligence Artificielle
0.44±0.21 0.43±0.19
30 mai 2017 40 / 44
Réseaux récurrents : LSTM
Etat de l’art en TAL

Inside AlphaGo
Combiner CNN, RL et MCTS

Qu’y a t-il de profond en apprentissage profond
Paradigmes nouveaux vs anciens
Decision Decision
Representation learning
Classifier Classifier
Hand-crafted Learned
features features
Raw data Raw data

Conclusion
I Avancées considérables en reconnaissance de formes (solution au paradoxe

de Moravec ?)
I Continuum mathématique/informatique en apprentissage automatique
I Peu de compréhension des réseaux de neurones profonds : problèmes
d’interprétation et donc d’acceptabilité
I Le futur est pour la combinaison des approches
I Nous sommes loins de l’intelligence artificielle générale
I · · · un (petit) pas au travers du Deep Reinforcement Learning

Langue

8739 1 Intelligence Artificielle Atif

Transféré par

Informations du document

Titre original

Copyright

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

8739 1 Intelligence Artificielle Atif

Titre original :

Transféré par

Droits d'auteur :

Intelligence Artificielle

MESR - Plan de Formation National

Professeur des Universités

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 1 / 44

Une entreprise périlleuse!

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 2 / 44

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 3 / 44

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 4 / 44

Turing (1950) “Computing machinery and intelligence”:

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 5 / 44

I “Tout problème pour lequel il n’existe pas d’algorithme connu, ou de coût

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 6 / 44

I “Tout problème pour lequel il n’existe pas d’algorithme connu, ou de coût

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 6 / 44

I “Tout problème pour lequel il n’existe pas d’algorithme connu, ou de coût

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 6 / 44

I “Tout problème pour lequel il n’existe pas d’algorithme connu, ou de coût

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 6 / 44

I “Tout problème pour lequel il n’existe pas d’algorithme connu, ou de coût

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 6 / 44

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 7 / 44

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 8 / 44

Figure: Mars 2016. AlphaGo : 4 Lee Sedol (9 d) : 1

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 9 / 44

Figure: 25 mai 2017. AlphaGo : 3 Kee Jie (9 d) : 0

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 9 / 44

Figure: Libratus: heads-up, no-limit Texas Hold’em. Counterfactual Regret

Figure: Waymo Google Car

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 9 / 44

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 9 / 44

Dépasser les capacités humaines en reconnaissance de formes ?

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 9 / 44

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 10 / 44

I Avancées dans l’ensemble des champs disciplinaires : Rep. des

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 11 / 44

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 12 / 44

Définition moins imprécise (Tom Mitchell)

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 13 / 44

Définition moins imprécise (Tom Mitchell)

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 13 / 44

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 14 / 44

I Minimisation du risque empirique

I Minimisation du risque empirique

I Minimisation du risque empirique

I Minimisation du risque empirique

I Minimisation du risque empirique

I Minimisation du risque empirique

Apprentissage 6= mémorisation : généralisation vs spécialisation

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 17 / 44

I Garanties théoriques fortes

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 18 / 44

Principe: étant donné un échantillon de données non-étiquetées

I Cadre théorique mal maîtrisé

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 19 / 44

Principe: étant donné un échantillon de données non-étiquetées

I Cadre théorique mal maîtrisé

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 19 / 44

I Evoluant dans un environnement incertain (stochastique)

Réseaux de neurones · · · profonds

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 21 / 44

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 23 / 44

Figure: Mark I Perceptron machine

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 24 / 44

Jamal Atif (Université Paris-Dauphine) Intelligence Artificielle 30 mai 2017 25 / 44