Introduction À L'intelligence Artificielle - Session 2

Introduction à
l’intelligence artificielle
Concepts clés et mise en pratique pour
profils business
Session 2
Le 22 novembre 2021
Nadine Ineza
© REIMAGINE 2021 2
Concepts et use cases par séance
Machine & Deep Natural Language

Introduction à l’IA Algorithmes et outils
Learning Processing
Concepts Concepts Concepts Concepts

✓ Définition de l’IA ✓ Machine Learning ✓ Natural language ✓ Nettoyage
✓ Exemples d’IA dans notre ✓ Deep Learning processing (NLP) ✓ Algorithms
quotidien ✓ Supervised Learning ✓ Définition et valeur ajoutée ✓ Evaluation
✓ Types d’IA et lien entre les ✓ Unsupervised Learning ✓ Python comme code de
différents concepts ✓ Reinforcement Learning colle
✓ L’histoire de l’IA
✓ L’impact de l’IA sur le
marché de l’emploi
Cas d'utilisation Cas d'utilisation Cas d'utilisation Cas d'utilisation

La transparence de l’IA ✓ Moteur de recommandation ✓ Customer Inbound handling ✓ Type d’outils
(par exemple Microsoft) ✓ Chatbots
✓ Faire correspondre le CV à ✓ Voicebots
l'offre d'emploi ✓ Intelligent Search
✓ Détection des fraudes ✓ E-mail categorization
✓ Customer feedback
categorization
✓ Data extraction
Exercices en continu (par ex.: AI Value Canvas, QCM, matching de technologie au cas d’usage, implémentation d’un projet d’IA)
© REIMAGINE 2021 3
Semaine 1 Semaine 2 Semaine 3 Semaine 4
Lun. Mar. Mer. Jeu. Ven. Lun. Mar. Mer. Jeu. Ven. Lun. Mar. Mer. Jeu. Ven. Lun. Mar. Mer. Jeu. Ven.
Introduction à
Machine & Deep

Learning
Natural Language
Processing
Algorithmes et
outils
✓ Afin de garder une trajectoire d’apprentissage continue, nous suivrons une séance interactive de “théorie” chaque lundi et une séance de “coaching” par
groupe chaque jeudi.
✓ Une série d’exercices à réaliser par soi-même ou en groupe seront donnés après chaque séance interactive de “théorie”.
✓ Du feedback et des questions-réponses seront prévus lors de chaque séance de “coaching”.
© REIMAGINE 2021 4
Semaine 1 Semaine 2 Semaine 3 Semaine 4
Lun. Mar. Mer. Jeu. Ven. Lun. Mar. Mer. Jeu. Ven. Lun. Mar. Mer. Jeu. Ven. Lun. Mar. Mer. Jeu. Ven.
Introduction à
Machine & Deep

Learning
Natural Language
Processing
TRAVAUX À REMETTRE AU PRÉALABLE!

Algorithmes et
outils
• Délai: jeudi à 8h du matin
• Dans l’onglet ‘Envoi travaux jeudi’ dans Teams
✓ Afin de garder une trajectoire d’apprentissage continue, nous suivrons une séance interactive de “théorie” chaque lundi et une séance de “coaching” par
groupe chaque jeudi.
✓ Une série d’exercices à réaliser par soi-même ou en groupe seront donnés après chaque séance interactive de “théorie”.
✓ Du feedback et des questions-réponses seront prévus lors de chaque séance de “coaching”.
© REIMAGINE 2021 5
L'agenda du jour
✓ Machine Learning
✓ Supervised Learning
✓ Unsupervised Learning
✓ Reinforcement Learning
✓ Deep Learning
✓ Vision par Ordinateur
✓ (NLP)
© REIMAGINE 2021 7
Qu’est-ce que l’IA
IA
(Intelligence artificielle)
IAE IAG
(Intelligence artificielle étroite) (Intelligence artificielle générale)
par exemple, des haut-parleurs
intelligents, une voiture qui se Faire tout ce qu'un humain peut
conduit seule, la recherche sur le faire
web, l'IA dans l'agriculture et les
usines
© REIMAGINE 2021 8
Différences entre l'IA, l'apprentissage automatique et l'apprentissage approfondi
Artificial Intelligence (AI) La capacité d'un programme informatique ou d'une

machine à imiter le comportement cognitif humain
Sous-ensemble d'IA utilisant des techniques statistiques pour donner aux

ordinateurs la capacité d'apprendre à partir d'exemples (données) sans être
explicitement programmés. Utilisé pour reconnaître automatiquement des
Machine Learning (ML) modèles et prendre des décisions ou faire des prédictions (par exemple,
classification des courriers électroniques, détection des fraudes,
compréhension du langage naturel,...)
Sous-ensemble de ML et nom de marque pour les réseaux de neurones qui ne sont

Deep Learning rien d'autre que de grandes équations mathématiques. Les réseaux neuronaux ont
(DL) été inspirés par le cerveau, mais leur fonctionnement interne n'a pratiquement
aucun rapport avec le fonctionnement réel du cerveau.
© REIMAGINE 2021 9
01
Domaines clés
de l'IA
© REIMAGINE 2021 10
Trois domaines de l'IA se généralisent en 2019 - 2020
Machine & Natural Language

Deep Learning Processing
Vision par
ordinateur
Trois domaines de l'IA se généralisent en 2019 - 2020
Définition
Les services de Machine / Deep Learning
Machine & Natural Language consistent à développer des algorithmes qui
Deep Learning Processing peuvent apprendre de manière adaptative à
partir de données sans s'appuyer sur une
programmation basée sur des règles.
Exemples de cas :
1. Faire correspondre le CV avec l'offre
Vision par d'emploi
ordinateur 2. Détection des fraudes
Machine and Deep Learning
Si rouge, alors Pomme Pomme

Si vert et rond, alors Pomme
Si elle est verte et non ronde, alors la poire Poire
…
Orange
Machine Learning: Introduction
Le Machine Learning est un sous-ensemble de l'IA utilisant des techniques statistiques pour donner aux
ordinateurs la possibilité d'apprendre à partir d'exemples (données) sans être explicitement programmés.
Learning Techniques statistiques
Il existe différentes méthodes d'apprentissage

Revoir les données encore et encore jusqu'à ce que la classiques et approfondies qui ont toutes leurs
différence entre les résultats prévus et les résultats avantages et leurs inconvénients pour chaque
réels des données de validation soit minime cas d'utilisation spécifique.
OU
jusqu'à ce qu'un critère spécifique soit rempli. Notez que

ce processus d'apprentissage n'est souvent pas basé
sur les données brutes elles-mêmes, mais sur les
caractéristiques attribuées aux objets de données.
Machine: Introduction
Training Data
ML algorithm
3
2
Desired output/specific
Validation Data ML model Prediction
criterion
Machine Learning
• Données étiquetées
• Prévoir le résultat /
l'avenir
I. Supervised
Machine
Learning
II. Unsupervised III. Reinforcement
Supervised ML
Dans la classification, nous essayons de prévoir à

Classification
quelle classe appartient un intrant (ou un ensemble
d'intrants)
Par exemple : Va-t-il pleuvoir demain ?
Régression
Supervised ML
Dans la régression, nous essayons de prédire une

Classification
valeur en donnant un certain nombre d'entrées. La
régression consiste à prédire une quantité
Par exemple : Quelle sera la quantité exacte de précipitations ?
Régression
Supervised ML
Selon vous, quelle méthode est nécessaire pour l'exemple suivant ?

Une transaction par carte de crédit est-elle frauduleuse ?
Classification Régression
Supervised ML

Une transaction par carte de crédit est-elle frauduleuse ?
Supervised ML

Une tumeur est-elle maligne ou bénigne ?
Supervised ML

Une tumeur est-elle maligne ou bénigne ?
Supervised ML

Compte tenu de l'heure de la journée et du type de poste : Combien de messages de médias
sociaux recevra-t-on ?
Supervised ML

Compte tenu de l'heure de la journée et du type de poste : Combien de messages de médias
sociaux recevra-t-on ?
Supervised ML: Introduction
Apprentissage supervisé appliqué à la classification de sentiments sur des critiques de films
Training Data
Text Train Label Train Text Train Label Train

Review 1 Positive Review 1 1 Positive
Review 2 Negative Review 2 Negative
Learn the Mapping
Review 3 Positive Review 3 Function on the training Positive
data
… … … …
Validation Data 3
Text Valid Label Valid Text Valid Label Valid

Review 4 Negative Review 4 2 Negative
Review 5 Negative Review 5 Positive
Apply the learned
Review 6 Positive Review 6 mapping function on the Positive
validation data
… … … …
Training Data

Learn the Mapping
data
… … … …
Validation Data 3

Apply the learned
validation data
… … … …
Training Data

Learn the Mapping
data
… … … …
Validation Data 3

Apply the learned
validation data
… … … …
Training Data

Learn the Mapping
data
… … … …
Validation Data 3

Apply the learned
validation data
… … … …
Training Data

Learn the Mapping
data
… … … …
Validation Data 3

Apply the learned
validation data
… … … …
Machine Learning
I. Supervised
Machine
• Pas d'étiquettes
• Trouver une Learning
"structure
cachée".
• Identifier des
groupes
Unsupervised ML
Regroupement
= technique souvent utilisée dans l'apprentissage non supervisé.
Objectif : trouver des similitudes dans l'ensemble de données et les

regrouper
! Les groupes ne sont pas spécifiés à l'avance mais définis sur la base des
données fournies.
Groupe 1 Groupe 2
Unsupervised ML
Unsupervised Learning appliqué à la modélisation thématique des articles
Articles Features, i.e.

Articles Sujets important words
Texte 1 Inconnu Texte 1 données,
Texte 2 Inconnu numéro,
ordinateur, ...
Texte 3 Inconnu
Texte 2 gène, génétique,
Texte 4 Inconnu
bio, ...
Texte 5 Inconnu
Texte 3 ordinateur,
… Inconnu données,
algorithme, ...
Texte 4 la vie,
l'évolution,
l'organisme, ...
Texte 5 peintre, musée,
style, …
… … 32
Unsupervised ML
Regroupement
Application: Système de recommendations
Prévoir la préférence qu'un utilisateur aurait pour un certain article et lui recommander les articles
pertinents
Par exemple:
Identifier les groupes
Suivre le contenu des médias Cibler les clusters avec des

que les utilisateurs recommandations
consomment pertinentes
Machine Learning
I. Supervised
Machine • Processus de
décision
Learning • Système de
récompense
• Apprendre une série
d'actions
• Tirer les leçons des
erreurs
Reinforcement ML
Reinforcement learning
= Méthode dans laquelle l'agent reçoit une récompense différée dans l'étape de temps suivante pour évaluer
son action précédente
• Souvent utilisé dans les jeux

• Grâce aux réseaux neuronaux, désormais capables de résoudre des
problèmes plus complexes
Regardons un exemple pour clarifier..
Reinforcement ML
Renforcement de l'apprentissage appliqué à la recherche de chemin dans un labyrinthe
F But: trouver le chemin le plus court

entre les points D et F
• Effectuez des mouvements
aléatoires et récompensez ou
punissez-les en fonction du succès
ou de l'échec de ce mouvement.
• Le succès/échec d'un coup est
calculé en fonction de la distance
entre l'état actuel et l'état G &
selon que vous êtes bloqué dans
l'état actuel ou non.
• De cette façon, le modèle essaiera
d'éviter les coups qui ont été punis
auparavant et tirera les leçons de
sa propre expérience.
• Un labyrinthe est un simple
problème de recherche, mais il
D peut être appliqué de la même
manière aux jeux complexes.
Deep Learning
Le Deep Learning est un sous-ensemble du machine learning basé sur des réseaux neuronaux artificiels qui tente de
simuler la structure et les fonctions des neurones dans un cerveau humain.
Structure : Entrée - couches cachées - sortie

Tout est relié entre eux par des multiplications matricielles dans la ou les couches cachées.
Extraction automatique de caractéristiques à partir de données brutes

Tout est connecté (comme le fonctionnement du cerveau humain)
Aujourd'hui, de nombreux modèles de pointe font appel au deep learning.
Une durée de formation plus longue
Plus de données nécessaires
Quatre domaines de l'IA se généralisent en 2019 - 2020
Définition
La vision par ordinateur se concentre sur
Machine & Natural Language l'interprétation des images et l'exécution
Deep Learning Processing ultérieure de l'analyse ou de l'action
appropriée.
Exemples de cas :
1. Baidu : soutenir les personnes aveugles
2. Suivi des personnes et reconnaissance des
Vision par sentiments
ordinateur 3. Plantation de plantes avec des robots
4. Expertise basée sur l'image
Vision par ordinateur : Introduction
La vision par ordinateur est l'extraction automatisée d'informations à partir d'images, de vidéos, d'objets en 3D.
L'information peut avoir plusieurs significations : modèles 3D, position de la caméra, détection et reconnaissance
d'objets, regroupement et recherche de contenu d'images.
En bref : l'extraction de la signification des pixels.
Difficultés :
• Nous n'avons pas une bonne idée de la façon dont fonctionne la vision humaine
• La complexité inhérente au monde visuel
Les machines interprètent les images comme une série de pixels, chacun ayant son propre
ensemble de valeurs de couleurs.
Le Deep Learning est très populaire dans ce domaine !!
Vision par ordinateur : Introduction
Vision par ordinateur : Réseaux neuronaux convolutifs Output layer
0,23 cat
[…]
0,77 dog
Couches convolutionnelles
Couches entièrement connectées
Fonction Softmax (les sorties sont
mutuellement exclusives)
Vision par ordinateur : Réseaux neuronaux convolutifs : Couches convolutionnelles
Les caractéristiques de bas niveau sont apprises dans les premières couches convolutives et les
caractéristiques de haut niveau sont apprises dans les dernières couches convolutives. De plus en plus
profondément, les caractéristiques apprises deviennent de plus en plus de haut niveau en combinant
plusieurs caractéristiques de bas niveau en caractéristiques de niveau moyen et plusieurs caractéristiques
de niveau moyen en caractéristiques de haut niveau.
Computer Vision: Convolutional Neural Networks
Domaines clés de l'IA
Vision par ordinateur : Cas d'utilisation
2
Computer Vision – Example 2
CNN
2
Face detection Visualize for

+ Demographic visitors
CNN and Sentiment
Logging
to
1 estimation
databas
e Visualize for
curators
Video Person
stream detection
SPATIO-
TEMPORAL &
APPEARANCE
FEATURES
(used for matching/clustering to
preserve identity between
Trajectory
frames/cameras)
estimation
44
2 Computer Vision – Example 1
CNN2
Face detection + Visualize for

Demographic and visitors
CNN1 Sentiment estimation Logging to
database
Visualize for
curators
Video stream Person detection
SPATIO-TEMPORAL
& APPEARANCE
FEATURES
(used for Trajectory estimation
matching/clustering to
preserve identity
between
frames/cameras)
De la théorie à la pratique
1 Quel est le cas d'utilisation ?

I. Supervised
2 Quelle technologie d'IA allez-vous utiliser ?

Machine
Learning
3 Quel type de solution d'apprentissage
utiliserez-vous ?
- Supervised ML
- Unsupervised ML
- Reinforcement Learning II. Unsupervised III. Reinforcement

utiliserez-vous ?
- Supervised ML
- Unsupervised ML
- Reinforcement Learning

utiliserez-vous ?
- Supervised ML
- Unsupervised ML
From Theory to Practice

utiliserez-vous ?
- Supervised ML
- Unsupervised ML

utiliserez-vous ?
- Supervised ML
- Unsupervised ML

utiliserez-vous ?
- Supervised ML
- Unsupervised ML

Introduction À L'intelligence Artificielle - Session 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

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 :

Formats disponibles

Introduction À L'intelligence Artificielle - Session 2

Transféré par

Droits d'auteur :

Formats disponibles

Introduction à

Machine & Deep Natural Language

Concepts Concepts Concepts Concepts

Cas d'utilisation Cas d'utilisation Cas d'utilisation Cas d'utilisation

Machine & Deep

Machine & Deep

TRAVAUX À REMETTRE AU PRÉALABLE!

Artificial Intelligence (AI) La capacité d'un programme informatique ou d'une

Sous-ensemble d'IA utilisant des techniques statistiques pour donner aux

Sous-ensemble de ML et nom de marque pour les réseaux de neurones qui ne sont

Machine & Natural Language

Si rouge, alors Pomme Pomme

Learning Techniques statistiques

Il existe différentes méthodes d'apprentissage

jusqu'à ce qu'un critère spécifique soit rempli. Notez que

II. Unsupervised III. Reinforcement

Dans la classification, nous essayons de prévoir à

Dans la régression, nous essayons de prédire une

Selon vous, quelle méthode est nécessaire pour l'exemple suivant ?

Selon vous, quelle méthode est nécessaire pour l'exemple suivant ?

Selon vous, quelle méthode est nécessaire pour l'exemple suivant ?

Selon vous, quelle méthode est nécessaire pour l'exemple suivant ?

Selon vous, quelle méthode est nécessaire pour l'exemple suivant ?

Selon vous, quelle méthode est nécessaire pour l'exemple suivant ?

Text Train Label Train Text Train Label Train

Text Valid Label Valid Text Valid Label Valid

Text Train Label Train Text Train Label Train

Text Valid Label Valid Text Valid Label Valid

Text Train Label Train Text Train Label Train

Text Valid Label Valid Text Valid Label Valid

Text Train Label Train Text Train Label Train

Text Valid Label Valid Text Valid Label Valid

Text Train Label Train Text Train Label Train

Text Valid Label Valid Text Valid Label Valid

Objectif : trouver des similitudes dans l'ensemble de données et les

Articles Features, i.e.

Identifier les groupes

Suivre le contenu des médias Cibler les clusters avec des

II. Unsupervised III. Reinforcement

• Souvent utilisé dans les jeux

Regardons un exemple pour clarifier..

F But: trouver le chemin le plus court

Structure : Entrée - couches cachées - sortie

Extraction automatique de caractéristiques à partir de données brutes

Le Deep Learning est très populaire dans ce domaine !!

Face detection Visualize for

2 Computer Vision – Example 1

2 Computer Vision – Example 2

Face detection + Visualize for

Video stream Person detection

2 Computer Vision – Example 3

2 Computer Vision – Example 4

2 Computer Vision – Example 4

1 Quel est le cas d'utilisation ?

2 Quelle technologie d'IA allez-vous utiliser ?

1 Quel est le cas d'utilisation ?

2 Quelle technologie d'IA allez-vous utiliser ?

3 Quel type de solution d'apprentissage

1 Quel est le cas d'utilisation ?

2 Quelle technologie d'IA allez-vous utiliser ?

3 Quel type de solution d'apprentissage

1 Quel est le cas d'utilisation ?

2 Quelle technologie d'IA allez-vous utiliser ?