Full transcript
0:01[musique]
0:06Bonjour à toutes et à tous et bienvenue
0:07pour cette nouvelle vidéo dans notre
0:10parcours formation et découverte de de
0:12Lia et dans le chapitre et l'histoire,
0:15les bases et les concepts de
0:16l'intelligence artificielle. Alors, on
0:18va voir là bah justement l'histoire de
0:20l'intelligence artificielle, l'histoire
0:21telle qu'elle s'est construite sur ces
0:2460 dernières années. Et on va voir que
0:27cette histoire a pas été si tranquille
0:28que ça, été une histoire un petit peu
0:29avec des rebondissements et des
0:31renversements d'alliance et voilà, c'est
0:33un peu Game of Thrones. Alors, quand on
0:34parle d'intelligence, intelligence
0:36artificielle, on parle d'intelligence.
0:38On a vu dans nos vidéos précédentes que
0:41l'intelligence c'était quelque chose qui
0:42était étroitement lié à l'apprentissage
0:44et puis aux données, aux informations, à
0:45la connaissance. On peut faire de
0:47l'intelligence autrement, hein, mais on
0:48a vu que par le biais de
0:49l'apprentissage, c'était quelque chose
0:51qui était assez efficace. Et pour
0:52pouvoir faire de l'apprentissage, bah il
0:53faut des données, hein, des données, des
0:55informations, de la connaissance en
0:56règle générale. Alors, on va explorer un
1:00petit peu tout ça et on va revenir sur
1:01notre terme d'intelligence. Qu'est-ce
1:03que c'est que l'intelligence ? Quelle
1:05définition peut-on prendre de
1:07l'intelligence ? Alors, on a deux
1:08grandes définitions, deux grandes
1:09familles de définitions. La première
1:12définition que l'on peut trouver par
1:14exemple dans Wikipédia, alors là c'est
1:15une définition de Wikipédia dans
1:18Wikipédia US. Donc c'est notre capacité
1:20à percevoir des informations, perçoit
1:22des informations, à conserver ces
1:24informations comme des connaissances et
1:27à utiliser ces connaissances pour
1:28adapter notre comportement. Euh alors ça
1:32c'est une définition qui est très
1:33évolutionniste. C'est un peu les c'est
1:35un peu la conclusion de notre histoire,
1:36de notre compte de notre préambule hein
1:38avec notre compte préhistorique
1:41où on a notre chasseur Adame avec la
1:43chaman data qui vont récupérer des
1:46informations de la connaissance. Ils
1:47vont structurer cette information sous
1:49forme de connaissance dans dans leur
1:51caverne et à travers ces
1:53informations-là, d' travers ces
1:55connaissances là qui sont cumulées,
1:57hein, ils vont être le notre chasseur
1:59Adame va être capable comme ça de
2:00s'adapter et et à progresser à à devenir
2:04un grand chasseur. Voilà. Alors voilà,
2:06cette première définition est très est
2:07très évolutionniste et on peut l'adapter
2:09on peut l'adapter à beaucoup de choses
2:10dans le vivant et y compris au végétal.
2:13Donc on peut comme ça parler peut-être
2:15d'intelligence
2:16végétale. C'est les grands débats autour
2:18de ça. Et on a une deuxième définition
2:20de l'intelligence qu'on peut trouver par
2:22exemple ici dans le petit Larousse.
2:24C'est l'ensemble des définitions,
2:26l'ensemble des fonctions mentales ayant
2:28pour obliger la connaissance
2:29conceptuelle et rationnelle. Alors là,
2:31on est on est sur des choses beaucoup
2:32plus complexes, hein. L'ensemble des
2:34fonctions mentales ayant pour objet la
2:36connaissance conceptuelle et
2:37rationnelle. Là, on est sur quelque
2:38chose qui est un petit peu plus
2:39complexe. On fait partie, en gros,
2:41l'intelligence, c'est l'art et la
2:43manière d'itérer sur des symboles de de
2:45très haut niveau euh avec des
2:46abstractions, quoi. Voilà. OK. Bon ben
2:49c'est très bien, mais on voit bien que
2:50ces deux définitions sont quand même
2:52très très différentes l'une de l'autre
2:54et finalement difficilement compatible.
2:56Et ces deux définitions, bah vont
2:57conduire à deux mouvements orthogonaux
2:59euh autour de l'intelligence. Dans le
3:02premier cas, c'est ce qu'on va appeler
3:03l'approche connexionniste. On va
3:05s'efforcer de modéliser le cerveau. On
3:08va considérer que l'intelligence, c'est
3:10le résultat de de de petites briques
3:12élémentaires. Les petites briques
3:13élémentaires sont nos neurones. Notre
3:16nos cerveaux sont constitués de
3:17neurones. Chaque neurone est une petite
3:19cellule élémentaire qui récupère en
3:22entrée un signal, un signal électrique
3:24qui va le transformer et et le et le
3:28propager de de l'autre côté. Voilà. Et
3:30et donc il prend le signal, il le
3:31transforme et puis propage de l'autre
3:32côté. Et donc ben dans cette approche
3:34connexionniste, ce qu'on va s'efforcer
3:36de faire, on va essayer de modéliser ça
3:38de manière artificielle avec ce qu'on
3:40appelle des neurone artificiel. Un
3:42neurone artificiel c'est un petit objet
3:44mathématique qui va récupérer un signal
3:47en entrée, transformer ce signal pour
3:49faire très simple et puis le propager de
3:51l'autre côté. Voilà. Et donc on va comme
3:54ça dans cette approche connexionniste,
3:55on va essayer de modéliser le cerveau à
3:58travers ces petites briques
3:59élémentaires. Dans le deuxième courant
4:01qui est ce que l'on appelle un courant
4:02de le courant symbolique, on va essayer
4:05non pas de modéliser le cerveau mais de
4:07forger une opinion d'une certaine
4:08manière. On va euh on va récupérer des
4:11symboles de haut niveau et puis on va
4:13itérer sur ces symboles de de haut
4:14niveau. Alors par exemple vous avez
4:17l'assertion tout homme est mortel. Donc
4:18on a le concept homme, on a le concept
4:21mortel. Bon d'accord. Une deuxième
4:23assertion, Socrate est un homme. OK,
4:25donc Socrate, d'accord, un homme. OK,
4:27donc on en déduit de manière itérative
4:30comme ça, en itérant sur ces concepts,
4:32enfin sur ces assertions que Socrate est
4:35mortel. Voilà, donc là, on travaille sur
4:36des symboles de haut niveau avec un très
4:39haut niveau d'abstraction.
4:41Voilà. Alors, c'est ça cette ce ce grand
4:44match entre ces deux approches,
4:45l'approche connexionniste et l'approche
4:46symbolique et est raconté dans un un
4:49article extrêmement intéressant de
4:50Dominique Cardon Jean-Philippe Pointé
4:51Antoine Masière qui été publié en 2018
4:53la revanche des neurones. Vous avez le
4:55lien, n'hésitez pas à aller lire cet
4:56article, il est il est absolument
4:57remarquable. Alors cette compétition,
4:59cet affrontement un petit peu entre ces
5:01deux concepts, entre ces deux mouvements
5:02de pensée autour de l'intelligence,
5:04c'est assez intéressant, mais derrière
5:06c'est il y a des concepts très
5:07importants. Dans le premier cas, dans
5:08l'approche connexionniste, on est sur
5:09une approche dite inductive. On va
5:12prendre des observations, des résultats
5:14et on va essayer à partir de ça de
5:16modéliser le comportement du phénomène.
5:18Quand je prenais ma petite poule Ginette
5:21et que je l'envoyais ou le boomerang,
5:24bah je lance mon boomerang
5:26ou ma peluche et j'observe une
5:28trajectoire et en observant cette
5:30trajectoire, j'apprends le comportement
5:33de bah du boomerang d'un côté ou de ma
5:35peluche de l'autre uniquement par
5:36l'observation et le résultat. Et et à
5:39partir de ce comportement que j'ai
5:40observé, je modélise le le je construis
5:43dans mon cerveau un modèle sur la
5:45manière dont ça se comporte. Dans le cas
5:47de l'approche symbolique, on va faire ça
5:49de manière complètement différente. On
5:51va utiliser des on va embaucher des
5:54ingénieurs, des des spécialistes qui
5:57vont écrire un programme à partir de de
5:59et qui vont dans ce programme intégrer
6:00des règles, des instructions.
6:04Alors de de la physique, des
6:05mathématiques.
6:08Ils vont écrire le programme avec des
6:10des équations mathématiques avec tout ce
6:11qu'il faut qui à partir des observations
6:13va pouvoir comme ça fournir un résultat.
6:16Dans le premier cas, dans l'approche
6:17connexionniste, on va partir de fait des
6:18observations et on va en extraire, on va
6:21extraire vraiment de ces données les
6:23règles et les lois, hein. Et puis dans
6:25le cas de notre approche symbolique, bah
6:28c'est notre expert qui va comme ça
6:29fabriquer, écrire le programme et à
6:31partir de ce programme, on va être
6:33capable d'appliquer ça sur un cas
6:34particulier. Dans le cas de notre
6:36programme, si on regarde le programme,
6:37on est capable à travers l'ensemble des
6:39instructions, si ça a été écrit à peu
6:40près correctement, hein, en respectant
6:42avec des commentaires, de la
6:43documentation, on est capable
6:45d'expliquer en regardant le programme,
6:47voilà comment le résultat est généré. Si
6:50on prend le modèle, on n'est pas capable
6:53en regardant le modèle de d'expliquer le
6:54résultat. C'est je suis pas capable
6:56d'expliquer pourquoi quand je lance mon
6:58boomerang comme si il il arrive par là.
7:00Je je sais que ça va se passer comme ça,
7:02mais je n'ai pas capable je n'ai pas la
7:03possibilité de l'expliquer
7:05mathématiquement ou avec un modèle
7:07mathématique. Euh mais je suis capable
7:09d'expliquer pourquoi ça suit cette
7:10trajectoire. L'explicabilité se fait à
7:13partir des observations. Je suis capable
7:15d'expliquer pourquoi j'ai ce résultat,
7:17pourquoi je sais que ça va revenir par
7:18là. Parce que j'ai des données qui m'ont
7:21donné cette information là. Voilà,
7:23l'explicabilité est pas la même et ça
7:24c'est un long débat mais l'explicabilité
7:26est différente mais dans les deux cas,
7:27on va avoir une explicabilité possible.
7:29Voilà. Alors, ces deux approches
7:31connexionnistes et symboliques se sont
7:33affrontées dans le temps. Donc là, cette
7:35fresque c'est c'est c'est cette
7:37chronologie euh où on a en orange le
7:39ratio de publication pro connexionniste
7:41et en bleu euh les publications
7:42scientifiques pro symboliques. On voit
7:44que dans le temps bah on a été d'abord
7:46euh il y a eu un couvement un courant
7:48connexionniste et puis ensuite un
7:49courant symbolique et puis à nouveau un
7:51courant connexionniste. Là, cette
7:53chronologie est extraite donc de
7:54l'article que je vous ai cité tout à
7:56l'heure qui est encore une fois vraiment
7:58à lire, très agréable à lire et dans le
8:01temps, bah voilà, tout ça c'est c'est ça
8:02s'est enchaîné. Et on a commencé donc
8:04dans les années 40. Dans les années 40,
8:06il y avait pas d'informatique, il y
8:07avait pas d'ordinateur, il y avait pas
8:08d'informaticien, on avait des
8:10mathématiciens, on avait des
8:11psychologues, on avait des biologistes.
8:13Et très tôt donc dans cette époque là,
8:16notamment à travers les conférences de
8:17massi, on s'est posé la question donc
8:19des gens de renonce sont posé la
8:20question "Mais qu'est-ce que c'est que
8:21l'intelligence ? Comment peut-on
8:23fabriquer de l'intelligence ?" On
8:24parlait pas d'intelligence artificielle,
8:26le le terme est arrivé après, on parlait
8:27de cybernétique
8:29et donc dès les années 40, on s'est
8:30commé à explorer comme ça un petit peu
8:33l'art et la manière de faire de
8:34l'intelligence. Encore une fois, il y
8:35avait pas d'informatique. Donc là, on
8:37était vraiment sur une modélisation euh
8:39voilà du du cerveau parce qu'on avait
8:41observé dans le cerveau qu'il y avait
8:42des neurones. On avait compris un peu
8:43comment marchaient les neurones et on
8:44s'est dit bon ben voilà, on va faire
8:45pareil. On va essayer de modéliser à
8:47travers cette approche connexionniste
8:49comment fonctionne un cerveau donc de
8:51manière avec des outils mathématiques et
8:53ça a donné un premier résultat en 1958
8:5557 58 avec le perceptron de de Franck
8:58Rosenblat. Donc Fran Ren a fabriqué une
9:01machine, une vraie machine avec un
9:03neurone. Alors il y avait qu'un seul
9:04neurone mais un neurone artificiel et
9:07qui était capable de classer des choses,
9:08qui était capable de faire des supers
9:10trucs, de donner faire des reconnaître
9:12des triangles, des ronds et des carrés
9:13et cetera. Donc là, on avait une
9:15première machine intelligente capable de
9:18faire des choses improbables pour pour
9:20l'époque quoi. Voilà. Et ça marchait et
9:22ça marchait très bien avec des
9:23limitations qui comme il n'y avait queun
9:25seul neurone cette des limitations
9:27fondamentales était que cette machine
9:29était capable de traiter que des
9:30problèmes linéaires. En gros des on
9:32était capable de casser des choses qu'on
9:33pouvait séparer avec un trait. Voilà,
9:35une manière avec une ligne droite, une
9:36une droite. Voilà, donc c'était limité
9:38mais ça faisait le job et c'était red
9:40enfin c'était extraordinaire à l'époque.
9:41C'était un résultat remarquable, un
9:43résultat remarquable qui qui voilà tout
9:46le monde s'est enflammé, on va pouvoir
9:48faire des tas de choses, c'est capable
9:49de faire des tas de trucs, on va voilà,
9:51on va faire des des robots intelligents
9:52et cetera. Enfin, on est dans les années
9:5350 hein, imaginez euh voilà. Bon, sauf
9:57que ça s'est pas bien passé évidemment
9:59parce qu'avec un seul neurone, on allait
10:00pas très loin. Et puis en face, bah
10:02l'informatique est apparue. On est dans
10:04les années 50, on commence à avoir des
10:05vrais ordinateurs, des ordinateurs alors
10:07c'est pas c'est pas nos smartphone
10:08d'aujourd'hui mais ça donnait ça
10:09marchait très bien. Ça permettait
10:11d'obtenir de vrais résultats, de faire
10:12des calculs déjà très conséquents et ça
10:15c'était vraiment très très prometteur.
10:17et et et ces informaticiens c ces
10:21chercheurs en mathématique appliqué ont
10:23récupéré énormément de financement
10:25puisqu'ils avaient des choses qui
10:26marchaient très bien en informatique
10:27classique et se sont lancés comme ça
10:29dans le dans cette approche symbolique à
10:31essayer de faire de l'intelligence avec
10:33du code avec des des programmes
10:35informatiques. Ce sont eux qui ont
10:36inventé le terme d'intelligence
10:37artificielle. Euh alors euh artificial
10:41intelligence euh la traduction est pas
10:43tout attention aux faux amis mais en
10:45tout cas c'est eux qui ont inventé le le
10:46terme euh notamment McCarty hein McCarty
10:49en 1956 qui propose ce terme lors d'une
10:52conférence à Darkmus. Voilà. Donc il
10:55truste tous les financements au MIT dans
10:57les grandes universitaires pas et
10:59cetera. Sur le chemin, ils assassinent
11:01le perceptron parce que effectivement
11:03Minski et Papert font ressortir le fait
11:05que le percepton ne peut résoudre que
11:08des problèmes strictement linéaires.
11:09Donc voilà, le perceptron est enterré,
11:11l'approche connexionniste est atomisée.
11:14Eux ont des supers résultats, ils
11:15publient dans tous les sens, ils
11:16annoncent des trucs miraculeux. On va
11:18faire des avions qui peuvent voler tout
11:19seul, des voitures autonomes, euh on va
11:21traduire le russe en américain. Euh, ils
11:24ont plein de sous et puis bon, ils ont
11:25plein de sous mais euh ils n'ont pas les
11:27résultats qui allaient jusqu'à ce enfin
11:29voilà, ils n'ont pas fait la traduction
11:30automatique qui marche vraiment et puis
11:32des chars autonomes, bah pas vraiment
11:34non plus, puis des avions autonomes, bah
11:35non plus, non plus. Voilà. Et donc là
11:37bah là évidemment quand on promet
11:39beaucoup beaucoup de choses que ça coûte
11:40beaucoup beaucoup de sous euh bah c'est
11:43à un moment donné ça clash et il y a eu
11:44un certain nombre de rapports
11:45parlementaires donc au début des années
11:4770
11:48euh faisons remarquer que ça coûtait un
11:50pognon de dingue pour des résultats qui
11:51étaient pas à la hauteur et et les
11:53tarifs voilà et et ben voilà il y a un
11:55tarissement comme ça de des des des
11:57financements des des laboratoires de
11:59recherche et des équipes au début des
12:01années 70 pour tout ce qui est
12:02intelligence artificielle la vraie
12:04intelligence artificielle dont le terme
12:05a été inventé donc par ces gens de
12:07l'approche symbolique. Voilà. Donc là,
12:09bah là on est dans le ce qu'on appelle
12:10le premier hiver de l'intelligence
12:11artificielle où les déconnexionnistes de
12:13toute façon on disparu du paysage mais
12:16tous les tenants de l'approche
12:17symbolique aussi se retrouvent dans une
12:19situation très très difficile. Et là
12:21tout aurait pu s'arrêter mais bon il y a
12:24quand même des choses qui fonctionnent
12:25très bien. Les systèmes experts qui sont
12:27apparus dans cette approche symbolique
12:28bah fonctionnent bien. Système expert
12:30c'est un ensemble de règles pour tout un
12:32tas de problèmes. Ça fonctionne super
12:34bien. Ça donne des bons résultats. Par
12:36contre, pour classer des images, ça
12:37marche pas. C'est pas la C'est pas fait
12:39pour. C'est pas du tout adapté pour être
12:41capable de classifier des petits des
12:43déchiffres manuscrits, ça peut pas
12:44marcher. C'est pas du tout adapté.
12:45Voilà. Donc ça faisait des choses mais
12:47ça faisait pas tout. Donc bah les
12:49systèmes experts continuent de se
12:50développer dans leur périmètre hein. Et
12:52puis du côté de l'approche
12:53connexionniste, du côté de dans le monde
12:54connexionniste, il y a quand même
12:56quelques équipes de recherche qui
12:57continuent à travailler sur sur cette
12:59approche de de neurones artificiel euh
13:03notamment au Canada, à Montréal. Et et
13:06là, il y a deux avancées super
13:07importantes qui vont intervenir. Donc la
13:09rétroagation en 1986 et puis les réseaux
13:13convolutif avec Yan Lequin en 1989.
13:16Alors Yan Lequin veut également
13:17travailler sur ces cette fameuse
13:19problématique de rétroagation. Euh
13:21voilà. Mais bon, c'est Rumar qui qui qui
13:24publie ça en 1986. Et là, on change la
13:26donne. Alors, qu'est-ce que c'est ?
13:28Qu'est-ce que cette fameuse rétroagation
13:29? Jusque là, on était capable de faire
13:32des réseaux de neurones à un neurone
13:34comme le perceptron de de Franc
13:36Rosenblat en 1958. On a un seul neurone
13:39et on est capable de configurer ce
13:41neurone de manière à ce qui donne un
13:42résultat intelligent, quelqu un résultat
13:45qui fonctionne et mais avec un seul
13:47neurone, on allait pas très loin
13:48puisqueencore une fois on n'était pas
13:49capable de résoudre des problèmes
13:50complexes. Donc ce que propose Rumel
13:52Art, bah c'est un algorithme qui permet
13:54d'entraîner non plus un réseau de un
13:56neurone mais un réseau avec plein de
13:58neurones. Donc là, on va prendre non pas
13:59un seul neurone, mais on va accrocher
14:01tout un tas de neurones les uns aux
14:02autres sous forme de couche. Chaque
14:03couche étant connectée à tous les
14:05neurones de la la couche précédente.
14:07Et comme ça, on arrive à faire des
14:09réseaux avec des milliers des milliers
14:10des millions de neurones. Et donc là, on
14:14est capable de résoudre des problèmes
14:15beaucoup plus complexes que avec un seul
14:18neurone. Par contre, on ne savait pas
14:20entraîner ces réseaux. Voilà, on savait
14:21pas comment configurer ces neurones de
14:23manière à ce que ça fonctionne. Et ce
14:24que propose Rumel Art en 86, bah c'est
14:26un algorithme qui permet comme ça de
14:28mettre à jour euh ces ces ces fameux
14:30réseaux. Alors, on parle de
14:31rétropropagation parce que la mise à
14:32jour du réseau se fait de la fin du
14:34réseau vers l'intérieur du réseau.
14:35Voilà, ça c'est juste un détail. Voilà.
14:37Mais donc à partir de 86, on est capable
14:40comme ça de faire des réseaux neurones
14:41qui sont capables de prendre une entrée,
14:44de faire un traitement très complexe de
14:46type traitement du signal. On propage
14:48l'information à l'intérieur du réseau
14:50avec une sortie et et ces réseaux sont
14:52capables de résoudre des problèmes
14:53infiniment plus complexes avec qu'avec
14:55un seul un seul neurone.
14:58Alors d'ailleurs petite petite
15:00disgression, combien faut-il de neurones
15:02pour être heureux ou tout au moins de
15:03neurones pour être pour être capable de
15:05faire des choses compliquées ? Alors si
15:06on regarde dans dans le vivant, bah ça
15:09va de zéro à plein. Il y a des il y a du
15:11vivant qui fait des du vivant
15:13intelligent hein qui ne possède pas de
15:14neurone. Prenez les blobes par exemple.
15:16Un blobe n'a pas de neurones euh mais
15:19est intelligent et capable de résoudre
15:21des problèmes complexes. Euh après, si
15:23on s'intéresse donc aux choses au vivant
15:25qui a des qui qui ont des neurones,
15:26alors euh prenez un escargot par
15:28exemple, un escargot à 10000 neurones.
15:30Voilà. Et un escargot, il s'en sort très
15:31bien. Il est très heureux avec ces 10000
15:33neurones. Il s'en sort très bien et
15:34depuis très très très longtemps. Et si
15:36vous prenez un éléphant, un éléphant à
15:38l'opposé, donc la bête est très grosse,
15:39là on a 250 milliards de neurones.
15:42Voilà. Donc on a comme ça une voilà plus
15:44la bête est grosse, plus on va avoir de
15:45neurones globalement et des exceptions.
15:47Par exemple, nous on en fait partie. On
15:49n'est pas très gros par rapport à un
15:51éléphant. Et on a 100 milliards de
15:52neurones. Voilà, un humain, c'est 100
15:54milliards de neurones à peu près. Donc
15:56la moitié de ce que possède un éléphant
15:57mais pour un une un animal beaucoup
16:00moins complexe, beaucoup moins grand. Et
16:02puis d'autres exceptions. Prenez par
16:03exemple les corbeaux. Alors corbeau,
16:06corneille, P et cetera. Enfin tous
16:08toutes ces familles d'oiseaux coridés
16:10euh ont euh sont extrêmement
16:12intelligents. Alors on savait qu'ils
16:13étaient très intelligents, mais un
16:15corbeau, ça de milliards de neurones.
16:16Par exemple, un chat c'est 700 millions
16:18de neurones. Voilà. Donc un corbeau est
16:20beaucoup plus intelligent que ce que ce
16:22qu'on pourrait imaginer au départ parce
16:24que l'animal est pas très grand. Voilà.
16:26Mais l'évolution a privilégié la voix de
16:28l'intelligence comme pour nous
16:29d'ailleurs. Voilà, les corbeaux ont
16:32développé des facultés cognitive
16:34extrêmement importante. Alors dans un
16:36volume la tête d'un corbeau est tout
16:38petit mais l'intégration
16:41des neurones chez les oiseaux est
16:42optimisée puisque là on a des
16:44problématiques de volume et de poids.
16:45Voilà, c'est comme s'ils étaient gravés
16:46en 5 nanos alors que nous on est encore
16:48gravé à 50 nanos quoi. Voilà mais voilà
16:49donc les corbeaux sont très intelligents
16:51et les corbeaux sont capables
16:52d'apprendre tout un tas de choses.
16:54Alors, on voit par exemple là sur ce sur
16:56ce jeu de cube un corbeau qui joue.
16:58Alors, il a appris hein sûrement une
17:00récompense à chaque fois qu'il arrive
17:01mais forcé de constater qui arrive super
17:03bien quoi. Voilà. Et
17:06et nous aussi on apprend aussi on est
17:09capable d'apprendre des tas de choses
17:10mais apprenant des fois des fois c'est
17:13un petit peu plus compliqué. Voilà, même
17:15pourtant sur des problèmes qui sont pas
17:16très complexes. La valise est pas bien
17:18plus compliqué que le cube du corbeau.
17:20Mais voilà. Alors des fois même tout
17:21seul, on y arrive pas, même des fois à
17:23deux, c'est ça reste des problèmes qui
17:24sont très compliqués.
17:26Bon, merci aux réseaux sociaux de nous
17:27avoir apporté ce petit divertissement.
17:30Voilà. Alors euh fin de la disgression.
17:32Euh donc là on est on est dans les
17:35années 80 enfin des années 80.
17:39On est capable d'entraîner des réseaux
17:40de neurones complexes, des réseaux de
17:41neurones profonds avec plein plein plein
17:43de neurones. donc de résoudre des
17:44problèmes très complexes.
17:46Ce qu'apporte Yan Lequin en plus, ce
17:48sont les réseaux convolutifs, les
17:50neurones convolutifs qui permettent de
17:51traiter des images. Alors là, c'est
17:53quelque chose de super important puisque
17:56les réseaux de les les systèmes experts
17:58étaient capables de résoudre un certain
17:59nombre de problèmes, mais il était pas
18:01du tout capable de traiter des images.
18:03Et là, des réseaux convolutifs sont
18:05spécialisés, c'est des réseaux neurones
18:06spécialisés pour traiter des images et
18:08avec des résultats qui bluffants. Là, on
18:11a une rupture totale entre avant après.
18:14Pour la première fois, on est capable de
18:16faire de la classification d'image. Pour
18:17la première fois, on est capable de de
18:19classer des chiffres manuscrits, par
18:21exemple. C'est des choses qu'on savait
18:22pas faire et c'est des choses à très
18:23très forte valeur ajoutée. Placer les
18:25codes postaux sur des enveloppes ou ou
18:27les chiffres sur des chèqus, c'est c'est
18:29des choses qui d'un point de vue
18:31économique sont extrêmement importantes.
18:32Voilà. Donc là en 86 89, on a vraiment
18:35une rupture extrêmement importante grâce
18:38à Rumelart et à Yan Leing et aux équipes
18:41qui sont autour. Voilà. Puis en plus à
18:42cette époque là, les systèmes experts à
18:45base de machine Lisp étaient en train de
18:46se ratatiner un petit peu. Enfin le
18:47l'écosystème Lisp était en train de se
18:49ratatiner. Donc non seulement ça
18:50progressait pas,
18:52le le ce que ça fait, ça le fait sur
18:54deux pattes et cetera. Et puis bon
18:55voilà, du côté du du du du monde
18:57connexionniste, on a quelque chose qui
18:58fait la culbut. Et donc là, on aurait pu
19:00avoir une bascule complète. On aurait pu
19:02avoir les raones de neurones qui qui
19:05remportent la palme et qui s'impose au
19:07début des années 90. Mais ça va pas se
19:09passer tout à fait comme prévu. Le monde
19:12connexionniste n'est pas peuplé que de
19:14gens qui travaillent sur les réseaux de
19:15neurones. Et dans le monde
19:16connexionniste, bah on avait d'autres
19:18approches, des approches mathématiques
19:19beaucoup plus rigoureuses sur le plan
19:21mathématique avec par exemple SVM euh
19:24proposé par Vapnick en 95. Alors où là
19:27on est sur des outils euh mathématiques
19:29extrêmement extrêmement propres,
19:30extrêmement rigoureux avec des
19:32théorèmes, avec des démonstrations.
19:34C'est-à-dire que un un un un un un un
19:36modèle SVM converge vers une solution et
19:38on est capable de démontrer qu'il va
19:39converger vers la meilleure solution. On
19:42a euh toute la rigueur mathématique qui
19:44est autour et c'est porté par des par
19:46des par des par des mathématiciens. Et
19:48là, on est quelque chose qui est à la
19:49fois très esthétiquement abouti d'un
19:51point de vue mathématique et qui donne
19:52de très très bons résultats et en plus
19:54qui est relativement économique d'un
19:56point de vue calcul. On est quand même
19:58dans les années 90, on n pas encore des
19:59machines monstrueuses alors que les
20:01réseaux de neurones sont très très
20:02consommateurs. Des technos de type SVM
20:04sont beaucoup plus efficientes. Voilà.
20:06Donc bah là, on a quelque chose qui
20:08coûte moins cher, quelque chose qui
20:09donne de très bons résultats et quelque
20:11chose qui en plus a toute la beauté
20:13mathématique, toute la beauté des
20:14mathématiques, toute la rigueur des
20:15mathématiques. Et ben là, ces outils là
20:17s'imposent complètement, prennent
20:18naturellement leur place et au détriment
20:21des des réseaux neurones. Et là, on a un
20:22deuxième hiver de l'intelligence
20:23artificielle à destination des réseaux
20:26de neurones. Alors là, c'est au sein de
20:27la famille connexionniste, hein, mais
20:29les porteurs des réseaux de neurones là
20:30se trouvent un petit peu stigmatisés, se
20:32trouvent un petit peu mis sur la touche
20:34à cette époque parce que déjà ça
20:35consomme beaucoup de ressources, donc ça
20:36donne pas d'énormes voilà, c'est ça
20:38atteint un petit peu des limites aussi
20:39de ce côté-là, mais en plus il y a pas
20:40la rigueur mathématique. Alors là, ça
20:42c'est ça c'est rédhi dans le dans le
20:44dans le monde de dans le monde de la
20:45recherche mathématique, évidemment.
20:48Voilà. Donc là, ça aurait pu s'arrêter
20:49là, ça aurait ça aurait pu on aurait pu
20:51s'arrêter à nouveau sur une une victoire
20:53des des outils de type SVM, mais il va
20:55se passer quelque chose intéressant,
20:57c'est que là les puissances de calcul
20:59vont continuer à évoluer et les
21:00problématiques vont exploser. Alors là,
21:02on a deux graphiques. Sur le graphique
21:04de gauche, vous avez l'évolution de la
21:05puissance de calcul au fil des années.
21:08On est sur des échelles logarithmiques.
21:09Donc là, c'est toute la loi de mour qui
21:11s'exprime.
21:12Les machines sont de plus en plus
21:13puissantes. On a des machines de plus en
21:15plus puissantes. Et puis sur le
21:16graphique de droite, vous avez la taille
21:18des dataset, la taille des
21:19problématiques
21:21de de machine learning. Alors SVM, c'est
21:23du machine learning et là bah on
21:25s'attaque à des problématiques de plus
21:27en plus importantes, de plus en plus
21:28grosses, de plus en plus complexes. Et
21:29puis il se passe une chose dans les
21:30années 90 2000, c'est que on rentre dans
21:35l'air internet. Internet explose.
21:37Internet se développe euh rentre dans la
21:39société euh se développe dans la société
21:42avec de nouvelles problématiques. On a
21:44les réseaux sociaux, euh on a les
21:46problématiques de Google, enfin des
21:47problématiques portées par Google, les
21:49moteurs de recherche, on a euh les les
21:52problématiques de commerce avec des
21:54acteurs comme Amazon et cetera qui ont
21:55des tombes de données, des
21:56problématiques extrêmement complexes et
21:58les problématiques du monde réel quoi.
22:00Voilà. Et là, on a une nouvelle famille
22:02de problèmes qui apparaissent. euh une
22:04nouvelle famille de problèmes qui
22:05apparaissent et de la puissance de
22:06calcul en face. Alors, ce qui se passe
22:08en 25 ans, c'est que euh on a six ordres
22:10de grandeur. C'est-à-dire qu'on a des
22:12machines qui sont 1 million de fois plus
22:13puissantes et on a des problèmes qui
22:15sont 1 milliard 1 million de fois plus
22:17importants, 1 million de fois plus
22:18complexes, un million de fois plus gros.
22:20On passe progressivement de
22:21problématiques de laboratoire à des
22:22problématiques du monde réel. Les
22:24problématiques d'un Google, d'un d'un
22:26MTA euh euh ou d'un Amazon, c'est plus
22:29les problématiques de laboratoire, c'est
22:30les problématiques du monde réel avec
22:32des taille colossal de problèmes. Et là,
22:34bah voilà, on a à la fois la puissance
22:35de calcul, on a à la fois les problèmes
22:37et euh et ben là, les réseaux de neuron
22:39vont finir par trouver leur place en
22:41étant capable de traiter des problèmes
22:43complexes grâce à la puissance de calcul
22:44qui est enfin disponible. Alors, on a
22:46plein de de d'anecdotes, mais on peut en
22:49retenir une, c'est celle de de d'image
22:51nette en 2012. Donc en 2012, on a une
22:54compétition qui compétition régulière de
22:57classification d'images. Donc là, on a
22:59un très gros dataset avec des milliers
23:01des milliers des milliers d'images, des
23:02dizaines de milliers d'images. Alors,
23:03des petits chats, des petits chiens, des
23:04vélos, des voitures, des avions, des
23:05bateaux, tout ce qu'on veut et cetera,
23:06des centaines de classes d'images. Et le
23:08but du jeu c'est d'essayer de classer
23:09tout ça quoi. Voilà, de réussir à faire
23:11une classification de ces images avec le
23:12plus faible taux d'erreur possible. Et
23:15là en 2012, ben on a les meilleures
23:16équipes qui arrivent les meilleures
23:18équipes et qui issuent des meilleurs
23:20laboratoires de mathématiques de
23:21mathématiques appliquées qui arrivent
23:23avec des outils de type SVM, des choses
23:26très très rigoureuses, très très aboutis
23:28très et et la compétition se situe voilà
23:31dans un mouchoir de poche entre ces
23:32grands acteurs et puis on a deux
23:33doctorants qui arrivent deux doctorants
23:35qui arrivent de Montréal Krisevski et
23:38Skever qui arrivent donc des des
23:39étudiants brillants, doctorants
23:41absolument brillants qui qui doctorants
23:43de de Hton Georgeon euh c'est c'est un
23:46des très très grands noms de
23:48l'intelligence un des pères de
23:49l'intelligence artificielle. Et donc ils
23:50arrivent dans des derniers laboratoire
23:52hein qui de Montréal qui travaillait sur
23:54les réseaux de neurones et ils arrivent
23:55avec un réseau neurone et là ils sèchent
23:56tout le monde. C'est pas compliqué, on
23:58le voit sur le graphique, il divise par
23:59deux le taux d'erreur. Il divise par le
24:01taux il divise par deux le taux
24:02d'erreur. Voilà point barre quoi. Alors
24:05là tout le monde est subjugué parce que
24:08il y a un choc. Les réseaux de neurones,
24:09ils étaient regardés avec bienveillance.
24:11C'est pas très rigoureux, ça marche pas
24:12très bien, ça fait ça avance pas, ça
24:15fait beaucoup d'erreurs et cetera. Et là
24:17bah là, il démontre que finalement ça
24:19marche, non seulement ça marche bien,
24:20mais ça marche beaucoup ça marche mieux
24:22que n'importe quoi d'autre tout
24:23simplement. Et là, les conférences de
24:25presse, quand on reprend un témoignage
24:26de l'époque sont un peu surréalistes,
24:27mais comment vous expliquez que votre
24:29modèle il converge vers un résultat ?
24:32Ben non, on n pas de preuve. On a aucune
24:33théorie qui dit que ça converge vers le
24:35résultat. Mais alors, comment ça se fait
24:36que ça marche ? Non, ça marche quoi.
24:37C'est on sait que ça marche mais mais
24:42voilà, eu un choc culturel total entre
24:44le côté un petit peu empirique de des
24:46réseaux de neurones où effectivement on
24:48n pas la rigueur mathématique des
24:49théorèmes qui nous garantissent que ça
24:51converge vers un résultat, mais une
24:53efficacité absolument diabolique et une
24:55capacité à gérer de la complexité
24:57qu'aucun autre outil mathématique ne
24:58pouvait avoir à l'époque quoi. N'avait à
25:00l'époque. Voilà, vous avez le petit
25:01trait en jaune, c'est c'est la c'est la
25:04capacité humaine dans cette compétition.
25:07Voilà, le petit trait en jaune, on voit
25:08qu'en 2012, il était très très bas
25:10beaucoup plus bas que le
25:13les algorithmes qui étaient proposés fus
25:14AlexNet, donc de de nos deux compères.
25:17Aujourd'hui, les outils de
25:18classification d'imag sur image net sont
25:20très largement en dessous de la de la
25:22compétence humaine en terme de
25:23classification. Voilà. Donc en 2012, on
25:25a un point de bascule où les réseaux
25:27neurones s'avèrent beaucoup plus
25:29compétents, beaucoup plus à même de
25:30traiter la complexité du monde, la
25:32complexité de données réelle que les
25:33outils qu'il y avaient jusqu'à ce matin,
25:36jusqu'à ce moment-là. Et là, bah là,
25:37c'est la grande bascule, ça va aller
25:38très vite. Donc 2012, AlexNET, 60
25:41millions de paramètres et puis après ça
25:43s'enchaîne très très vite. On a les GAN,
25:45les réseaux antagonistes qui qui
25:46apparaissent. Donc, je sais pas si vous
25:48vous rappelez, cette personne n'existe
25:49pas. Pour la première fois, on a des
25:50choses qui sont capables de dessiner des
25:52portraits où on n'est pas capable de
25:53faire la différence entre du vrai et du
25:54pas vrai. Euh, on a Alpha Go qui bat les
25:57meilleurs joueurs de Go. Alors, on dit
25:59"Ouais, mais Alpha Go, il a appris à
26:01partir de de parties humaines, c'est pas
26:03tout à OK." Alpha Z0 qui arrive juste
26:06après à part apprend lui uniquement à
26:08partir des règles d'Hugo. Donc le point
26:09de départ, c'est juste les règles
26:11d'Hugo. Alpha Go apprend à jouer tout
26:13seul au go et Ibal, les meilleurs
26:14joueurs du monde aussi. On a les
26:16Transformers qui apparaissent.
26:18Alors, à partir des Transformers, on est
26:19capable de traiter du texte, on est
26:21capable de traiter des phrases, donc à
26:23toute la traduction et cetera. Donc là,
26:24on a les les Bert et puis surtout les
26:26GPT qui apparaissent, GPT1, GPT2, GPT3
26:29et cetera qui apparaissent. On a les
26:31Alphafold dans le domaine de la biologie
26:33jusqu'à Alphafold. Quand on voulait
26:36trouver la structure d'une protéine, bah
26:37c'était 3 ans de travail. On a une
26:39protéine, on a sa séquence. Réussir à
26:41trouver la structure, la forme de cette
26:43protéine, c'était une thèse, c'était 3
26:45ans de travail. Alpha Fold apprend à
26:47faire ça et il fait ça en 10 secondes
26:48après quoi. Voilà donc une rupture
26:50extrêmement brutale. Ça fait pas ça avec
26:51toutes les protéines. Il reste du
26:52travail pour nos amis biologistes. Euh
26:54mais ça a quand même été une rupture
26:56extrêmement forte. Et puis bon ben voilà
26:58puis après on a tous les GPT qui
27:00apprennent et qui sont capables de
27:01parler les générateurs d'images et
27:02cetera et cetera. Donc une grande
27:04évolution comme ça vers mais ça vers
27:06l'intelligence générale ça dans une
27:08vidéo une prochaine vidéo Bertrand nous
27:11le présentera. Mais quand même une chose
27:13importante, c'est que on a eu deux
27:15grandes phases. On est passé de l'air du
27:16traitement d'imag jusqu'au Transformer
27:19où là on travailler davantage sur des
27:21images à une deuxième phase où à partir
27:22du moment on a été capable de travailler
27:23sur du texte avec les Transformers à
27:25partir de 2017. On part comme ça sur le
27:27tout ce qui est autour du traitement du
27:28langage, traduction, génération de texte
27:30et cetera. Et là on rentre de plein pied
27:32dans le l'univers du génératif de de de
27:35l'intelligence artificielle générative.
27:37Euh il y a du texte à l'entrée et on a
27:39de la vidéo, du texte, de l'image en
27:41sortie et cetera. Voilà. Euh on est
27:44passé euh d'intelligence artificielle de
27:47alors grande taille pour l'époque mais
27:49aujourd'hui qui nous paraissent petites
27:50de quelques dizaines de millions de de
27:52paramètres. On peut faire de
27:52l'intelligence artificielle avec
27:53quelques centaines de neurones et
27:55résoudre des problèmes très complexes
27:56dans nos laboratoires avec quelques
27:58centaines quelques milliers de neurones.
28:00Si on prend l'exnet, c'était 60 millions
28:01de paramètres. Euh si on prend les
28:03grands euh les grands modèles de langage
28:05aujourd'hui, on est sur le sur sur des
28:07milliards euh sur 1000 milliards de
28:10paramètres, quoi. Voilà, on est sur les
28:111000 milliards de paramètres
28:12aujourd'hui. Voilà, donc on a comme ça
28:14des évolutions très importantes avec
28:15plein de questions qui se posent à
28:16l'époque euh où on a quand même un souci
28:19de sobriété sur la démesure que peuvent
28:21atteindre comme ça ces c'est ces modèles
28:23aux 1000 milliards de de de paramètres.
28:25Voilà, donc là, plein de questions qui
28:26se soulèvent autour de ça et
28:30et d'autres problèmes tels que les
28:31problèmes d'appropriation.
28:33Quand on a Netflix est apparu, il a
28:35fallu 3 ans et demi pour avoir 1 million
28:36d'utilisateurs.
28:38Quand Facebook est apparu, bah il a
28:39fallu 10 mois pour avoir 1 million
28:41d'utilisateurs sur Facebook. Quand chat
28:43GPT est apparu, il a fallu 5 jours. 5
28:46jours pour que il y ait 1 million
28:48d'utilisateurs sur Chat GPT. Voilà. Donc
28:51c'est arrivé de manière
28:52extraordinairement brutale, bien plus
28:54rapidement que ce que l'on est capable
28:55d'assimiler, bien plus rapidement que ce
28:57que nos sociétés sont capables
28:58d'encaisser. Et donc là, il y a vraiment
29:00une problématique d'appropriation qui se
29:02pose. Pour la première fois dans notre
29:04histoire humaine, on rencontre quelque
29:06chose qui est capable de causer, avec
29:07lesquel on est capable de de discuter,
29:09d'échanger. Euh et et grosse surprise,
29:12cette chose, c'est pas un animal, c'est
29:14pas une baleine avec laquelle on est
29:15capable de discuter, c'est pas un
29:16éléphant, c'est pas un petit bonhomme
29:17vert, c'est une machine. Et là là, il y
29:19a vraiment une une forme de choc dont on
29:21a peut-être pas une conscience totale,
29:23mais il y a vraiment quelque chose, une
29:24rupture extrêmement importante qui qui
29:26se produit. Pareil, pour la première
29:28fois quelque chose est capable de nous
29:30faire un dessin, de nous générer une
29:31photo et ce quelque chose, c'est pas un
29:33humain, c'est pas un petit bonhomme
29:35vert, c'est une machine. Et et là, bah
29:38on est pas voilà, est-ce qu'on était
29:39tout à fait prêt pour ça ? On s'y
29:40attendait un petit peu, mais c'est
29:41arrivé beaucoup plus vite que que ce que
29:43l'on pensait. Voilà. Et ben euh OK, on a
29:47vu cette cette histoire, on a vu comment
29:49tout ça est arrivé. La prochaine fois,
29:51on ira voir un petit peu comment ça
29:53marche, comment un petit modèle
29:55fonctionne et comment un grand modèle
29:56fonctionne, comment ces apprentissages
29:58se font et on verra ça dans une dans
30:00notre prochaine vidéo. Voilà, n'hésitez
30:01pas à vous abonner à notre chaîne et à
30:03très bientôt. Merci.