Ezratty 2018.notes - guillaumedescoteauxisabelle/ma-biblio GitHub Wiki
Fiche/SAGrid:Ezratty, O. (2018). Les usages de l’intelligence artificielle. 522.
Citer : (Ezratty, 2018)
FTag: Ezratty-2018
Biblio: Ezratty, O. (2018). Les usages de l’intelligence artificielle. 522.
automd - automd-select -
Qui est l'auteur ?
Limite de l'IH et complément de l'IA
Jet : Limite de l'IH et complément de l'IA
L'IA deviendrait un complément de rationalité dans notre processus créatif.
Qu'est-ce qui limite notre capacité à créer ? Avons-nous besoin de rationalité dans notre processus de création ? En quoi déléguer la rationalité à une IA pendant que nous sommes en train de créer affectera le résultat ?
Impact de la délégation de la rationalité à l'IA dans le processus de création numérique.
Exploration de la transcendance des limites de l'IH par la rationalité complémentaire de l'IA.
Observer:
- Capacité d'optimisation s'élèverait
DRAFTIdug
note sur l'intelligence artificielle et ma compréhension de mes lectures actuelle du 19 juin 2020
Cette rationalité est habituellement limitée par notre volonté, le poids émotionnel de notre cerveau limbique et notre capacité d’optimisation. (Ezratty, 2018)
Nous avons une limite cognitive en tant qu'êtres humains.
@STCGoal paraphraser la définition suivante en y soustrayant l'inutile utilisation du mot problème.
L’IA est un ensemble de techniques permettant de résoudre des problèmes complexes en s’inspirant de mécanismes cognitifs humains, agissant de manière rationnelle en fonction de faits,données et expériences, et capables d’atteindre de manière optimale un ou plusieurs objectifs donnés.
La capacité humaines à tirer des conclusions basé sur des faits (l'objectivité) est limité par notre volonté et notre émotivité.
L'intelligence artificielle est un ensemble d'outils qui permet d'atteindre une résolution.
L'intelligence artificielle maintenant ensemble d'outils qui permet d'atteindre un certain endroit de résolution et ainsi transcender la limite émotionnelle et cognitive de l'humain. (La volonté, comment l'intégrer dans ce paragraphe)
[...] le poids émotionnel de notre cerveau limbique [...]
Le poids émotionnelle de notre cerveau limbique limite notre capacité à rationaliser.
L'intelligence artificielle devient un complément à notre intelligence puisque sa spécialité se trouve dans la reconnaissance des faits et d'en tirer une conclusion rationnel.
Définition paraphaser Ezratty
L'IA est une ensemble de techniques qui permettent de transcender les limites ra
tionnelles de l'IH. Elle s'inspire de la mécanique cognitive humaine en agissant
en fonction de faits, de données et d'expériences afin d'atteindre de manière opti
male un ou plusieurs objectifs. (Ezratty, 2018)
@footer autopublished from PDS Draft app 2020-06-19 2020-06-19-14-47-17
Ezratty-2018 Reading Session Jun 24, 2020 at 1:04:27 AM
page 42.1
| no | qt | q | r | n |
|---|---|---|---|---|
| 42.1.1.1 | txt | "Apprentissage automatique" (p. 42.1) | ||
| 42.1.1.2 | dic | Titre | ||
| 42.1.2.1 | txt | "Le vaste domaine du machine learning, ou apprentissage automatique, est défini comme le champ de l’IA qui utilise des méthodes probabilistes pour apprendre à partir des données sans être programmé explicitement" (p. 42.1) | ||
| 42.1.2.2 | dic | Peut-on appeler cela de programmation implicite ? | ||
| 42.1.4.1 | txt | "D’un point de vue pratique, le machine learning vise notamment à identifier des tendances, à faire des prévisions sur des données (régressions linéaires et non linéaires), à découvrir des corrélations entre données et événements (comme pour déterminer si un logiciel est un virus, si un client risque de quitter un service sur abonnement ou au contraire, s’il sera intéressé par telle ou telle offre ou qu’un tableau clinique d’un patient est symptomatique de l’émergence d’une pathologie de longue durée), à segmenter des jeux de données (comme une base clients), à reconnaître des objets (des lettres, des objets dans des images), le tout en exploitant des données d’entraînement" (p. 42.1) | ||
| 42.1.4.2 | dic | Prévision de la tendance. Et autres! | ||
| 42.1.6.1 | txt | "Selon son père fondateur Arthur Samuel, qui en définit le terme en 1959, le machine learning donne aux machines la capacité d’apprendre sans être explicitement programmées" (p. 42.1) | ||
| 42.1.6.2 | dic | Il est possible d'apprendre aux machines de façon non explicite. | ||
| 42.1.7.1 | txt | " Le machine learning requiert presque toujours de faire des choix de méthodes et des arbitrages manuels pour les data scientists et les développeurs de solutions" (p. 42.1) | ||
| 42.1.7.2 | dic | Il y a des opérations manuelles contraignante. Mais quelle direction Montréal fournissent le? Mais quelle direction un réel fourni stable? Mais quelle direction réel fournissent-t-elle? | ||
| 42.1.8.1 | txt | " Le choix des méthodes reste pour l’instant manuel, même si certaines startups essayent d’automatiser ce processus" (p. 42.1) | ||
| 42.1.8.2 | dic | Il y a actuellement des essais d'automatiser cette étape | ||
| 42.1.10.1 | txt | "L’apprentissage automatique s’appuie sur des données existantes" (p. 42.1) | ||
| 42.1.10.2 | dic | Existe. Il doit y avoir des données existantes pour pouvoir utiliser l'apprentissage automatique. | ||
| 42.1.11.1 | txt | " Elles lui permettent de produire des prévisions, des segmentations ou des labels à partir de la généralisation d’observations" (p. 42.1) | ||
| 42.1.11.2 | dic | Différents types de résultat de l'apprentissage automatique | ||
| 42.1.12.1 | txt | " La qualité et la distribution statistique des données d’entraînement doit permettre de faire des prévisions de bon niveau" (p. 42.1) | ||
| 42.1.12.2 | dic | Qu'est-ce qu'une distributions statistiques? | ||
| 42.1.13.1 | txt | " Si les données ne représentent pas correctement l’espace du possible, les prévisions ou classifications ne seront pas bonnes et elles seront biaisées" (p. 42.1) | ||
| 42.1.13.2 | dic | Il va y avoir une couverture complète de l'ensemble du spectre de données pour obtenir des résultats optimal | ||
| 42.1.14.1 | txt | " Les données sont donc absolument critiques pour la qualité des résultats" (p. 42.1) | ||
| 42.1.14.2 | dic | Les données sont importantes | ||
| 42.1.16.1 | txt | "Un bon système de machine learning doit pouvoir s’adapter à différentes contraintes comme une évolution permanente des données d’entraînement, ainsi que leur incomplétude et leur imperfection" (p. 42.1) | ||
| 42.1.16.2 | dic | L'adaptabilité | ||
| 42.1.19.1 | txt | "L’apprentissage supervisé avec la classification qui permet de labelliser des objets comme des images et la régression qui permet de réaliser des prévisions sur des valeurs numériques" (p. 42.1) | ||
| 42.1.19.2 | dic | La récréation permet quoi exactement? | ||
| 42.1.20.1 | txt | " L’apprentissage est supervisé car il exploite des bases de données d’entraînement qui contiennent des labels ou des données contenant les réponses aux questions que l’on se pose" (p. 42.1) | ||
| 42.1.20.2 | dic | L'entraînement consiste à donner de l'information ou plutôt un questionnement en donnant des réponses. Je recommence. Dans l'entraînement, nous donnons des questions et des réponses afin qu'il puisse s'entraîner à reconnaître ensuite | ||
| 42.1.21.1 | txt | " En gros, le système exploite des exemples et acquiert la capacité à les généraliser ensuite sur de nouvelles données de production" (p. 42.1) | ||
| 42.1.21.2 | dic | Il y a une généralisation possible après l'entraînement sur des données de production. |