vendredi, 29 mars 2024

Qu’est-ce que l’intelligence artificielle ?

Tabulation

  • Qu’est-ce qu’un système expert ?
  • Comment les plus grandes entreprises abordent-elles l’IA ?
  • Comment les startups approcher l’IA ?
  • Existe-t-il quelque chose que l’IA ne peut pas faire ?

Les mots « système expert » (IA) ont été utilisés pour décrire le fonctionnement des systèmes informatiques pendant des décennies, mais le sens exact a évolué avec le temps. Aujourd’hui, l’IA explique les efforts visant à apprendre aux ordinateurs à imiter la capacité d’un humain à résoudre des problèmes et à établir des liens basés sur la perspicacité, la compréhension et l’instinct.

Qu’est-ce qu’un système expert ?

Un système expert comprend généralement le nombre croissant de travaux dans le domaine de la technologie de pointe qui visent à former l’innovation pour imiter avec précision ou – dans de nombreux cas – – dépasser les capacités des personnes.

Les algorithmes plus anciens, lorsqu’ils deviennent répandus, ont tendance à être poussés hors de la tente. Par exemple, la transcription des voix humaines en mots était autrefois un domaine de recherche actif pour les chercheurs testant le système expert. Maintenant, c’est une fonction typique intégrée dans les téléphones, les automobiles et les appareils et elle n’est pas expliquée avec le terme aussi généralement.

Aujourd’hui, l’IA est généralement utilisée dans plusieurs domaines d’étude :

  • Vision de l’appareil : Qui aide les ordinateurs à comprendre la position des choses dans le monde grâce aux lumières et aux caméras électroniques.
  • Intelligence artificielle (ML) : la question de base des ordinateurs mentors sur le monde avec un ensemble d’exemples de formation.
  • Traitement du langage naturel (TAL) : comprendre les connaissances encodées dans les langages humains.
  • Robotique : créer des créateurs qui peuvent travailler avec un certain degré d’indépendance pour aider aux tâches, en particulier le travail que les gens ne peuvent pas faire en raison du fait qu’il peut être répétitif, épuisant ou dangereux.

Il existe un large éventail d’applicabilités pratiques au travail d’intelligence artificielle. Certaines tâches sont bien comprises et les algorithmes pour les résoudre sont actuellement bien développés et rendus dans une application logicielle. Ils sont peut-être loin d’être parfaits, mais l’application est distincte. Découvrir le meilleur itinéraire pour un voyage, par exemple, est maintenant couramment disponible via des applications de navigation dans les automobiles et sur les smartphones.

D’autres endroits sont plus philosophiques. Les auteurs de science-fiction écrivent sur les ordinateurs établissant des états d’esprit et des émotions de type humain depuis des années, et certains scientifiques de l’IA ont exploré cette possibilité. Alors que les makers sont largement capables de travailler de manière autonome, les préoccupations générales de sensibilité, de conscience ou de conscience de soi restent ouvertes et sans réponse garantie.

[Connexe : Système expert « sensible » : avons-nous atteint le pic de buzz de l’IA ?]

Les chercheurs en IA mentionnent généralement une hiérarchie des capacités et de la conscience. Les tâches dirigées en bas sont fréquemment appelées « IA étroite » ou « IA réactive ». Ces algorithmes peuvent résoudre des problèmes bien définis, dans certains cas sans trop de directives de la part des personnes. Un grand nombre des plans d’IA utilisés relèvent de cette classification.

L’idée d’« IA de base » ou « IA auto-dirigée » utilise des logiciels qui pourraient croire comme un humain et démarrer des stratégies en dehors d’un cadre distinct. Il n’y a pas de bons exemples de ce niveau d’IA à l’heure actuelle, bien que certains développeurs aiment dans certains cas recommander que leurs outils commencent à montrer une partie de cette indépendance.

Au-delà de cela, il y a le concept de « super IA », un package qui peut dépasser les humains en termes de réflexion et d’efforts. Celles-ci sont pour la plupart passées en revue de manière hypothétique par des chercheurs innovants et des auteurs de science-fiction.

Au cours de la dernière décennie, de nombreux concepts du laboratoire d’IA ont en fait trouvé leur place dans des articles commerciaux. Au fur et à mesure que l’industrie de l’IA a émergé, un certain nombre d’entreprises technologiques de premier plan ont en fait assemblé des éléments d’IA grâce à un mélange d’acquisitions et d’avancement interne. Ces articles offrent un large éventail de solutions, et de nombreuses entreprises envisagent de les utiliser pour résoudre leurs propres problèmes et ceux de leurs consommateurs.

Comment les entreprises les plus importantes abordent-elles l’IA ?

Les grandes entreprises ont beaucoup investi dans l’IA et ont créé une grande variété d’articles destinés à la fois aux développeurs et aux utilisateurs finaux. Leur gamme de produits est de plus en plus variée au fur et à mesure que les entreprises testent différents niveaux de services pour une large gamme de problèmes utilisés. Certains sont plus élégants et axés sur l’utilisateur occasionnel du système informatique. D’autres sont destinés à d’autres développeurs qui intégreront l’IA dans leur propre logiciel pour l’améliorer. Les plus grandes entreprises proposent toutes de nombreux produits aujourd’hui et il est difficile de résumer leurs options de plus en plus diversifiées.

IBM fait depuis longtemps partie des leaders de la recherche sur l’IA. Son concurrent basé sur l’IA dans le jeu télévisé, Watson, a contribué à susciter l’intérêt actuel pour l’IA lorsqu’il a battu les êtres humains en 2011, montrant à quel point le logiciel pouvait être apte à gérer des préoccupations plus générales posées dans le langage humain.

Depuis, IBM a construit une large collection d’algorithmes d’IA utilisés sous la marque Watson qui peuvent automatiser les décisions dans une large gamme d’applications de service telles que la gestion des risques, la conformité, le workflow de service et les devops. Ces services font confiance à un mélange de traitement du langage naturel et d’intelligence artificielle pour produire des conceptions qui peuvent soit faire des choix de production, soit surveiller les anomalies. Dans une étude de cas sur ses applications, par exemple, l’élément IBM Safer Payments a évité 115 millions de dollars d’escroqueries par carte de crédit.

Autre exemple, la plate-forme d’IA de Microsoft utilise un large éventail d’algorithmes, à la fois en tant que services et produits proposés via Azure. L’entreprise cible également les applications d’apprentissage automatique et de vision des systèmes informatiques et aime souligner comment leurs outils recherchent des astuces dans des ensembles d’informations incroyablement volumineux. Sa conception Megatron-Turing Natural Language Generation (MT-NLG), par exemple, dispose de 530 milliards de paramètres pour modéliser les subtilités de la communication humaine. Microsoft s’occupe également d’aider les processus des entreprises à passer de l’automatisation à l’autonomie en ajoutant plus d’intelligence pour gérer la prise de décision. Ses plans autonomes sont, par exemple, utilisés à la fois pour les problèmes étroits de fonctionnement efficace des chaînes de montage et pour les défis plus larges de la navigation des drones.

a établi une solide collection d’algorithmes d’intelligence artificielle et de vision du système informatique qu’il utilise à la fois pour les travaux internes d’indexation du Web tout en revendant les services via sa plate-forme cloud. Il est en fait à l’origine de certaines des plates-formes d’apprentissage open source les plus populaires telles que TensorFlow et a également développé du matériel personnalisé pour accélérer les modèles de formation sur de grands ensembles d’informations. L’élément Vertex AI de Google, par exemple, automatise une grande partie du travail de transformation d’un ensemble de données en une conception fonctionnelle qui peut ensuite être publiée. La société propose également un certain nombre de conceptions préformées pour des tâches courantes telles que la reconnaissance optique de caractères ou l’IA conversationnelle qui peuvent être utilisées pour un représentant du service client automatisé.

De plus, Amazon utilise également une collection de schémas d’IA en interne sur son site de vente au détail, tout en commercialisant les mêmes outils backend aux utilisateurs d’AWS. Des produits comme Personalize sont optimisés pour utiliser les recommandations personnalisées des consommateurs sur les articles. Rekognitition fournit des algorithmes de vision maker prédéveloppés pour la modération matérielle, la reconnaissance faciale et la détection et la conversion de texte. Ces algorithmes ont également une collection prédéfinie de conceptions de célébrités bien connues, un outil utile pour les entreprises de médias. Les concepteurs qui souhaitent créer et former leurs propres conceptions peuvent également se tourner vers des éléments tels que SageMaker qui automatise une grande partie de la charge de travail des experts en organisation et des scientifiques de l’information.

utilise également un système expert pour aider à gérer le flux incessant d’images et de messages texte. Les algorithmes de vision du système informatique classent les images téléchargées et les algorithmes de texte analysent les mots dans les mises à jour de statut. Bien que la société conserve un groupe d’étude de recherche solide, la société ne fournit pas activement de produits autonomes que d’autres peuvent utiliser. Il partage un certain nombre de tâches open source comme NeuralProphet, une structure de prise de décision.

De plus, Oracle intègre certains des outils open source les plus populaires tels que Pytorch et Tensorflow dans sa hiérarchie de stockage de données pour faciliter et accélérer la transformation des informations stockées dans les bases de données Oracle en modèles de travail. Ils fournissent également une collection d’outils d’IA prédéfinis avec des conceptions permettant de résoudre des problèmes courants tels que la détection d’anomalies ou le traitement du langage naturel.

Comment les startups abordent-elles l’IA ?

Les nouvelles activités d’IA ont tendance à se concentrer sur une tâche spécifique, où les algorithmes utilisés et un objectif identifié produiront quelque chose de transformateur. Par exemple, une difficulté actuelle lointaine est de produire des voitures et des camions autonomes. Des start-ups comme Waymo, Pony AI, Cruise Automation et Argo sont 4 start-ups importantes avec un financement considérable qui construisent le logiciel et les systèmes d’unités de détection qui permettront aux voitures de se déplacer dans les rues. Les algorithmes impliquent un mélange d’intelligence artificielle, de vision par ordinateur et de préparation.

De nombreuses startups appliquent des algorithmes similaires à des domaines plus minimes ou prévisibles comme les installations de stockage ou les installations industrielles. Des entreprises comme Nuro, Bright Machines et Fetch ne sont que quelques-unes des nombreuses entreprises qui souhaitent automatiser les installations de stockage et les zones industrielles. Fetch veut également utiliser des algorithmes de vision et de préparation du fabricant pour gérer les tâches récurrentes.

Un nombre important de startups ciblent également des emplois qui sont soit dangereux pour les personnes, soit impossibles pour elles. Dans ce contexte, Hydromea construit des drones sous-marins autonomes capables de suivre des actifs immergés tels que des puits de pétrole ou des outils miniers. Une autre entreprise, Solinus, fabrique des robots pour inspecter les conduites étroites.

De nombreuses startups opèrent également dans les domaines numériques, en partie parce que la région est un habitat naturel pour les algorithmes, car les données sont actuellement de type numérique. Il existe des dizaines d’entreprises, par exemple, qui travaillent à simplifier et à automatiser les tâches régulières qui appartiennent au flux de travail numérique pour les entreprises. Ce domaine, parfois appelé automatisation robotique des processus (RPA), comprend rarement des robots physiques car il fonctionne avec des documents numériques ou des bons. Néanmoins, c’est une méthode populaire pour les entreprises d’incorporer des schémas d’IA standard dans leur pile d’applications logicielles. Les bonnes plates-formes RPA, par exemple, utilisent généralement la reconnaissance optique des caractères et le traitement du langage naturel pour donner un sens aux types téléchargés afin de rationaliser la charge de travail sur le lieu de travail.

De nombreuses entreprises s’appuient également sur des tâches d’applications logicielles open source avec une large participation. Des tâches telles que Tensorflow ou PyTorch sont utilisées dans les organisations de recherche et d’avancement dans les universités et les laboratoires commerciaux. Certains projets comme DeepDetect, un outil de connaissance approfondie et d’aide à la décision, génèrent également des activités qui utilisent des mélanges d’assistance et de services.

Il existe également de nombreux projets open source fiables et largement connus utilisés par les chercheurs en IA. OpenCV, par exemple, propose une grande collection d’algorithmes de vision par ordinateur qui peuvent être ajustés et intégrés à d’autres piles. Il est souvent utilisé dans la robotique, les emplois médicaux, les applications de sécurité et de nombreux autres emplois qui reposent sur la compréhension du monde à travers une image ou une vidéo de caméra électronique.

Existe-t-il quelque chose que l’IA ne peut pas faire ?

Il y a des domaines où l’IA rencontre plus de succès que d’autres. La classification statistique utilisant l’apprentissage automatique est généralement très précise, mais elle est généralement limitée par l’étendue des données d’apprentissage. Ces algorithmes cessent généralement de fonctionner lorsqu’on leur demande de prendre des décisions dans des situations inédites ou après que l’environnement s’est considérablement éloigné du corpus de formation.

Une grande partie du succès ou de l’échec dépend de la précision requise. L’IA a tendance à être plus efficace lorsque des erreurs occasionnelles sont tolérables. Si les utilisateurs peuvent filtrer les erreurs de classification ou les réactions incorrectes, les algorithmes d’IA sont les bienvenus. De nombreux sites de stockage d’images utilisent des algorithmes de reconnaissance faciale pour organiser les photos en fonction de qui y apparaît. Les résultats sont bons mais pas idéaux, mais les utilisateurs peuvent tolérer les erreurs. Le champ est principalement un jeu vidéo statistique et réussit lorsqu’il est jugé sur une base de portion.

Un certain nombre des applications les plus efficaces ne nécessitent pas d’algorithmes spécifiquement créatifs ou élaborés, mais s’appuient sur un ensemble de données volumineux et bien organisé, organisé par des outils désormais utilisables. Le problème semblait impossible en raison de la portée, jusqu’à ce que des équipes suffisamment grandes s’y attaquent. Les applications de navigation et de cartographie comme Waze utilisent simplement des algorithmes de recherche simples pour découvrir le meilleur chemin, mais ces applications ne pourraient pas prospérer sans un grand modèle numérisé du tracé des rues.

Le traitement du langage naturel réussit également à faire des généralisations sur la croyance ou le sens fondamental d’une phrase, mais il est souvent faussé par des néologismes, de l’argot ou des nuances. En tant que modifications ou processus de langage, les algorithmes peuvent s’adapter, mais uniquement avec un réentraînement pointu. Ils commencent également à arrêter de travailler lorsque les difficultés sont en dehors d’un grand ensemble d’entraînement.

La robotique et les véhicules autonomes peuvent être plutôt efficaces dans les zones réglementées ou les zones contrôlées, mais ils rencontrent également des difficultés lorsque de nouvelles difficultés ou des défis imprévus apparaissent. Pour eux, les coûts politiques d’un échec peuvent être importants, de sorte que les concepteurs sont toujours conscients de quitter l’enveloppe.

En effet, déterminer si un algorithme est capable ou s’il échoue dépend souvent d’exigences déterminées politiquement. Si les clients sont suffisamment satisfaits de la réaction, si les résultats sont suffisamment prévisibles pour être utiles, alors les algorithmes prospèrent. Au fur et à mesure qu’ils sont considérés comme acquis, ils perdent l’appellation d’IA.

Si le terme est typiquement utilisé pour les sujets et les objectifs qui sont juste hors de portée, si l’IA est toujours redéfinie pour exclure les solutions simples et bien comprises, alors l’IA se déplacera toujours vers l’horizon technologique . Il n’est peut-être pas efficace à 100% actuellement, mais lorsqu’il est utilisé dans des cas particuliers, il peut être extrêmement proche.

[En savoir plus : La mission d’une IA explicable]

L’objectif de VentureBeat est d’être un place de la ville numérique pour que les décideurs techniques acquièrent des connaissances sur les technologies commerciales transformatrices et négocient. En savoir plus sur l’adhésion.

.

Toute l’actualité en temps réel, est sur L’Entrepreneur

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici