AI-HumanX Aware Day1 Ideation-V3.0
AI-HumanX Aware Day1 Ideation-V3.0
AI-HumanX Aware Day1 Ideation-V3.0
Source: Villani, C. et coll. (2018), Donner un sens à l’intelligence artificielle : pour une stratégie nationale et européenne
© ai-humanx 2022. Tous droits réservés.
2
5 JOURS D’INTERVENTION
Enjeux, opportunités et perspectives La gouvernance de l’IA de confiance Atelier Restitution
• Conférence: 10h à 17h • Atelier en groupes: 10h à 12h • Atelier en groupes: 10h à 12h
• Déjeuner: 12h à 13h • Déjeuner: 12h à 13h • Déjeuner: 12h à 13h
• Pause: 15h à 15h30 • Formation: 13h à 17h • Pitch / Restitution Ateliers: 13h à 17h
• Pause: 15h à 15h30 • Pause: 15h à 15h30
3
© ai-humanx 2022. Tous droits réservés.
0 PRéAMBULE
PRéAMBULE
© ai-humanx 2022. Tous droits réservés.
5
LES 2 GRANDS DéFIS DANS L’ADOPTION DE L’IA AUJOURD’HUI
Déployer des modèles Devenir très compétent Expliquer les “choix” de Etablir un processus
en production dans les opérations d'IA, modèles en pour adhérer aux lois et
rapidement et éviter en particulier la gestion investissant dans une régulations relatives
des cycles de du cycle de vie des bonne gouvernance de aux technologies dites
développement sans fin modèles. la donnée et de l’IA “data-driven”
1 European Commission: Study to Support an Impact Assessment
2 McKinsey: Scaling AI like a tech native: The CEO’s role
of Regulatory Requirements for Artificial Intelligence in Europe
6
© ai-humanx 2022. Tous droits réservés.
L’intelligence artificielle, çà marche ! Et même très bien !
7
Source : Octo Academy © ai-humanx 2022. Tous droits réservés.
TAUX D’éCHECS IMPORTANT AVEC LES PROJETS D’IA
PHASE 1: EXPLORATION
PHASE 2: EXPERIMENTATION
PHASE 3: INDUSTRIALISATION
.
Source : Mines-ParisTech 8
© ai-humanx 2022. Tous droits réservés.
l’IA est à l’origine de polémiques de toutes sortes !
9
9
© ai-humanx 2022. Tous droits réservés.
0
Tooling / Framework
LA conformité
le es
e
é e de s
nc s
le n d
dè n d
m a de
ns
dè io
im et
nn n
es
or on
mo tio
do tio
mo ntat
tio
s
cr ais
rf ti
s
sa
s
ec
pe lua
ina
ili
dis Bi
me
ot
Ut
a
Pr
cu
Év
Do
Développer des bonnes pratiques,
et des approches collaboratives au sein de l’organisation !!
14
© ai-humanx 2022. Tous droits réservés.
LES PHASES DE LA TRANSFORMATION DIGITALE AVEC L’IA
CREATION
DE VALEUR
PHASE 4: MAINTENANCE
L'IA est intégrée à un plus grand nombre
PHASE 3: INDUSTRIALISATION de processus, produits et services
Source: 2021.AI
15
© ai-humanx 2022. Tous droits réservés.
LA QUêTE DE
SENS ET DE
REFLEXION
AVANT
L’ENGAGEMENT
https://www.youtube.com/watch?v=qp0HIF3SfI4&t=1s
ET L’ACTION
Simon Sinek
Le “cercle d’or” et la question du "Pourquoi ?" 16
© ai-humanx 2022. Tous droits réservés.
SECTION 1
La capacité de stockage
d’un disque dur en 2013 est
18
© ai-humanx 2022. Tous droits réservés.
Microprocesseurs
Selon la loi de (Gordon) Moore, futur CEO de Intel,
émise en 1965:
“Les microprocesseurs
seront appelés à
doubler de puissance*
tous les 24 mois”.
ET ALORS?
© ai-humanx 2022. Tous droits réservés.
21
Une convergence dans le progrès technique
Données + Microprocesseurs + Algorithmes
22
© ai-humanx 2022. Tous droits réservés.
Le Big Data: Des possibilités inédites
pour une meilleure exploitation de la Data (3V)
n Volume - Des volumes bien plus importants et en constante
augmentation que l’on peut désormais mobiliser.
Source: Villani, C. et coll. (2018), Donner un sens à l’intelligence artificielle : pour une stratégie nationale et européenne
© ai-humanx 2022. Tous droits réservés.
24
APPROCHE TRADITIONNELLE
n Les utilisateurs produisent des données.
Environnement Modélisation
E-Mails
Mails Spams
Données d’entrée
Mails Non-Spams
Echange par Tri des données
messagerie en fonction des
électronique règles établies Données de sortie
Règles fonctionnelles
Utilisateurs de triage Machine programmée
25
© ai-humanx 2022. Tous droits réservés.
APPROCHE AUGMENTéE
n Les utilisateurs produisent des données. Mail
Mail Classifier
n Un programme informatique – IA/ML – a appris à reconnaître les données. Mails Spam
ou Non-Spam
Nouvelle
n De nouvelles données sont analysées par le modèle d’IA / ML. donnée d’entrée Donnée
de sortie
n Ce modèle fait des predictions sur les nouvelles données pour les reconnaître.
Environnement Modélisation
(train / test / validation)
E-Mails
26
© ai-humanx 2022. Tous droits réservés.
DéVELOPPEMENTS LOGICIEL & ML
La différence fondamentale :
Machine
Développement logiciel classique: programmée
Classical software development
Automatisation des tâches par la programmation Input
Computation Result
de règles statiques que la machine peut suivre. Program (Données de sortie)
Machine
Développement Machine Learning:
apprenante
Machine learning development
30
© ai-humanx 2022. Tous droits réservés.
The Power of PowerPoint | thepopp.com
31
Computer Vision
Apprentissage non supervisé Non-connaissance de la valeur de ce qu’on cherche à Exemple: Recommandation de films sur Netflix,
prédire. Ici, il n’y a pas d’étiquetage humain de l’échantillon de produits sur Amazon, de segmentation clients,
Unsupervised Learning en amont. C’est le cas avec le “clustering” ou la réduction de marketing ciblé.
de dimensions.
Apprentissage semi-supervisé Utilisation des données étiquetées et des données non Exemple: Filtrage d’emails afin qu’ils soient triés
étiquetées. Cette méthode permet d’améliorer la qualité comme spam ou non spam .
Semi-supervised Learning de l’apprentissage.
Apprentissage par renforcement Apprentissage au fil des expériences pour une meilleure Exemple: Jeu d’échecs, poker, backgammon, go.
prise de décision (échecs et succès constatés). Utilisé
Reinforcement Learning dans la navigation de robots, les jeux, les decisions
temps reel.
Apprentissage profond La machine va elle-même apprendre à réaliser une tâche. Exemple: Identification d’éléments composant
Il existe des champs d’application comme la une image pour le diagnostic médicale.
Deep Learning reconnaissance de forme, la reconnaissance de la parole,
le traitement automatique des langues.
Apprentissage par transfert Optimiser et améliorer un model d’apprentissage déjà en Exemple: Traitement du langage naturel avec
place. Sa compréhension est donc assez conceptuelle. word2vec.
Transfer Learning
32
© ai-humanx 2022. Tous droits réservés.
Zoom sur l’apprentissage profond
33
© ai-humanx 2022. Tous droits réservés.
Zoom sur l’apprentissage profond
en utilisant certains
mécanismes du cerveau
à savoir l’enchevêtrement de
neurones au sein d’un réseau.
34
© ai-humanx 2022. Tous droits réservés.
Traitement automatique du langage naturel
Natural Language Processing
Classification & Clustering Analyse de données et résolution de problèmes de Exemple: Classification des critiques de
classification binaires, multi-classes ou multi- restaurants de Twitter.
Classification & Clustering étiquettes.
Traduction automatique Résultat d’une véritable analyse et modélisation de Exemple: Traduction d’un texte entire d’une
texte car le langage naturel est par nature ambigu et langue vers une autre avec Google Translator.
Machine Translation variable. Ce n’est pas un travail de remplacement mot
à mot.
Extraction d’information Extraction de la signification de phrases: Adjectives Exemple : Moteur de recherche.
(ex: trop longues), prépositionnelles (ex: pour le fleuve)
Content Extraction ou nominales (ex: le parti trop long)
Questions / Réponses Capacité de comprendre et interprêter l’écriture et la Exemple: Alexa, Google Home/Assistant, Bixby,
voix pour répondre à des questions Siri, Cortana.
Question Answering
Génération automatique de textes Expression d’une représentation formelle d'un Exemple: Production automatique des bulletins
contenu sous une forme textuelle, syntaxiquement et météorologiques
Text Generation sémantiquement correcte.
Analyse des sentiments Identification des informations subjectives d’un texte Exemple: Exploitation des commentaires issus
pour extraire l’opinion de l’auteur et gérer sa reputation des réseaux sociaux sur un produit pour identifier
Opinion mining ou la relation clients. un sentiment positif ou négatif partagé par les
clients.
35
© ai-humanx 2022. Tous droits réservés.
Reconnaissance vocale
Speech Recognition & Synthesis
De la voix au texte Capacité à retranscrire avec exactitude les paroles sous la Exemple: Création de sous-titrage pour ses
forme de texte. contenus vidéos sur les réseaux sociaux comme
Voice Transcription Facebook ou Youtube.
Du texte à la parole Capacité à traduire rapidement et à convertir les informations Exemple: Annonces transport ferrovière pour les
dans plusieurs langues le texte transcript avec une voix voyageurs étrangers en plusieurs langues.
Text to Speech synthétisée.
36
© ai-humanx 2022. Tous droits réservés.
Vision par ordinateur
Computer Vision
Reconnaissance d’image Ensemble de méthodes de détection et d’analyse d’images Exemple: Reconnaissance faciale / empreintes,
pour permettre l’automatisation d’une tâche spécifique. detection visuelle des défauts
Image Search/Recognition d’une image et d’en tirer des conclusions en les analysant.
Vision par machine Capacité à « voir » c’est à dire reconnaître des textes, des Exemple: Trafic routier, contrôle qualité,
images ou des visages sur des supports numériques telles télédétection
Machine Vision que des photos et des vidéos.
37
© ai-humanx 2022. Tous droits réservés.
Robotique / Agents intelligents
Robotics / Intelligent Agents
Robotique industrielle Robots capables d’opérer dans des contextes aléatoires et Exemple: Tri de déchets en tous genres, des
inconnus: Dans l’industrie (pour le picking en fin de ligne ou pièces dont il n’existe aucun modèle CAO.
Industrial Robot la palettisation), l’agroalimentaire, la santé ou le nucléaire.
Robotique humanoïde Robotique dont l'apparence générale rappelle celle d'un Exemple: Big Dogs, Sand Flea, Cheetah, Rise ou
corps humain et capable de manipuler des objets, tirer, Atlas de Boston Dynamics.
Humanoid Robot pousser, etc
Véhicule autonome Véhicule capable de rouler — sur route ouverte — sans Exemple: Tesla, Jaguar, Uber, Google Waymo.
intervention d'un conducteur.
Autonomous Vehicle
Robotique pour interagir et coopérer avec un humain afin Exemple: Exosquelette capable de détecter lles
Cobotique d’améliorer sa performance en force, en vitesse ou en objets présents dans son environnement et
Collaborative Robot précision. d'adapter sa démarche à celle d'autres personnes.
Hybridité & cyborg Etre humain amélioré par des implants mécaniques et Exemple: <non identifié>
électroniques
Hybridity & Cyborg
38
© ai-humanx 2022. Tous droits réservés.
AUTRES
OTHERS
Systèmes expert Reproduction de mécanismes cognitifs d’un expert en Exemple: Outil d’aide à la décision
répondant à des questions et en effectuant un
Expert Systems raisonnement à partir de faits et de règles connues.
Planification & Optimisation Capacité pour une machine de construire une séquence Exemple: Résolution d’un Rubik’s cube,
d’action de manière autonome pour arriver à un but organization du transport aérien, assemblage de
Planning & Optimization défini. produits manufactures, câblage de bâtiments
Représentation de la connaissance Capacité d’organiser et représenter le savoir humain. En Exemple: Prendre des décisions en se servant
pratique structurer le savoir humain peut s’avérer de substituts tels que des formules
Knowledge Representation complexe lorsqu’on parle de sentiments. mathématiques.
Raisonnement Capacité de faire un raisonnement i.e. une déduction (et Exemple: Jaco est un perroquet. Un perroquet
induction) ou conclusion. Ici le système utilise ses est une espèce d’oiseau. Les oiseaux ont des
Reasoning connaissances pour combler les lacunes des données. ailes. Jaco a-t-il des ailes ?
Réseau social & Analyse de graphe Comprendre les émotions humaines, les interactions Exemple: Certains assistants virtuels tel que
humaines via un ordinateur l’IBM Watson Assistant pour les centres d’appel.
Social Network & Graph analysis
Réalité augmentée & virtuelle Analyser d'énormes volumes de données Exemple: Création de mondes virtuels avec
instantanément pour obtenir des informations et Metaverse.
Augmented & Virtual Reality prendre des mesures.
39
© ai-humanx 2022. Tous droits réservés.
Un peu de culture sur les différents paradigmes de l’IA
apple
42
© ai-humanx 2021. Tous droits réservés. © ai-humanx 2022. Tous droits réservés.
Perception de l’industrie DE LA transformation avec L’IA
43
© ai-humanx 2021. Tous droits réservés. © ai-humanx 2022. Tous droits réservés.
POURQUOI TIRER
PARTIe DE L’IA
POUR RéSOUDRE
DES PROBLèMES
MéTIERS?
© ai-humanx 2022. Tous droits réservés.
44
Chaîne de
valeur
CRéATION DE VALEUR
DATA-DRIVEN BUSINESS
INNOVATION PRODUIT
Nouveau modèle
d’affaire
Améliorer le modèle Exemple: Accompagner le
OPTIMISATION DES PROCESSUS
d’AFFAIRE joueur avec un coach virtuel
“Operational Excellence”
45
(Cost reduction)
© ai-humanx 2022. Tous droits réservés.
impacts mesurables & bénéfices financiers du projet d’IA
Capacité et mise à l’échelle
La capacité peut être augmentée rapidement
sans longue phase de développement.
Amélioration de l'engagement
Engagement personnalisé, ciblé et
Réduction des coûts interactif des collaborateurs, des
clients et des partenaires
Atténuer la croissance linéaire de la
courbe des coûts, réduire les contrats
d'externalisation Qualité
Amélioration de la qualité en évitant
les erreurs humaines et en se
Contrôle interne concentrant sur les exceptions.
Éviter la fraude humaine, effectuer des
contrôles de conformité généraux avec
une pistes d'audit (trace logs).
Nouvelles opportunités
De nouvelles perspectives à
partir de sources de sources de
données
ROI rapide et valeur permanente
Retour sur investissement dans un délai de 6 à 18
mois, avec de nouvelles opportunités au fur et à
mesure que la connaissance et l'adoption se Recentrer les personnes hautement qualifiées
développent. Les employés ne perdent pas leur temps et leur capacité à
effectuer des tâches routinières.
FOCUS SUR
l’atelier Restitution
Restitution du projet d’IA sélectionné par groupe
sous la forme d’une présentation orale, un Pitch !
Questions / Réponses :
56
56
© ai-humanx 2022. Tous droits réservés.
MERCI
DES QUESTIONS?