{"id":5484,"date":"2019-07-15T14:32:29","date_gmt":"2019-07-15T13:32:29","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=5484"},"modified":"2024-09-20T17:45:01","modified_gmt":"2024-09-20T16:45:01","slug":"performance-is-dependent-on-power-quality","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/fr\/blog\/performance-is-dependent-on-power-quality\/","title":{"rendered":"Les performances d\u00e9pendent de la qualit\u00e9 de l'\u00e9lectricit\u00e9"},"content":{"rendered":"

<\/span><\/div><\/div><\/div>

ACTUALIT\u00c9S \/ TECHNOLOGIE DE L'AI<\/p>\n<\/div>

Artefact trois choses \u00e0 retenir sur la r\u00e9alit\u00e9 de l'IA :<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Artefact trois choses \u00e0 retenir sur la r\u00e9alit\u00e9 de l'IA :<\/span><\/p>\n

1. L'IA n'est pas magique<\/span><\/h3>\n

L\u201c\u201dintelligence\u201c de l'IA ne lui permet pas de remettre en question le data qui repr\u00e9sente sa \u201dnourriture\u201c. Elle \u201dtravaille\" avec ce qui lui est fourni. Si la qualit\u00e9 du data n'est pas pertinente, compl\u00e8te et fiable, l'algorithme ne pourra pas r\u00e9pondre aux attentes et sa r\u00e9ponse au probl\u00e8me pos\u00e9 ne sera pas fiable.<\/span><\/p>\n

La qualit\u00e9 du mod\u00e8le ne d\u00e9termine pas \u00e0 elle seule la qualit\u00e9 des r\u00e9sultats obtenus. Ceux-ci sont directement li\u00e9s \u00e0 la qualit\u00e9 des donn\u00e9es d'entr\u00e9e data. La qualit\u00e9 d\u00e8s la conception est l'une des exigences de tout projet d'IA.<\/b><\/p>\n

Garantir et maintenir la qualit\u00e9 data est l'une des principales responsabilit\u00e9s des principaux projets d'IA.<\/span><\/p>\n

2. Un \u201cm\u00e9tier\u201d n\u00e9cessaire de l'artificiel<\/span><\/h3>\n

Il ne suffit pas de fournir au mod\u00e8le la qualit\u00e9 data. Data n'est pas directement utilisable et le processus n\u00e9cessite que des humains effectuent certaines \u00e9tapes manuelles.<\/b><\/p>\n

Les mod\u00e8les d'apprentissage automatique sont des structures math\u00e9matiques dot\u00e9es d'un potentiel. Tout comme les muscles humains, ils doivent \u00eatre entra\u00een\u00e9s pour s'adapter \u00e0 l'effort requis.<\/span><\/p>\n

Les algorithmes d'IA doivent \u00e9galement s'entra\u00eener sur une base data. C'est ainsi qu'ils \u201capprennent\u201d \u00e0 \u00eatre plus efficaces.<\/span><\/p>\n

Pour former les algorithmes, trois \u00e9tapes manuelles sont n\u00e9cessaires :<\/span><\/p>\n

    \n
  1. Fournir la qualit\u00e9 data :<\/b> s\u00e9lection, validation, importation, \u00e9valuation de la qualit\u00e9, etc.<\/span><\/li>\n
  2. Pr\u00e9parer la base d'apprentissage :<\/b> s\u00e9lectionner, transformer et \u00e9tiqueter la data pour la rendre utilisable. Ce dernier point est n\u00e9cessaire pour les algorithmes supervis\u00e9s et semi-supervis\u00e9s, o\u00f9 le data est explor\u00e9, analys\u00e9 et ensuite \u201c\u00e9tiquet\u00e9\u201d par le metadata*. Si nous prenons l'exemple de la reconnaissance d'images, le processus d'\u00e9tiquetage fournit une banque d'images et une description pour chacune d'entre elles. Il s'agit d'une \u00e9tape manuelle et chronophage, qui n\u00e9cessite la description du contenu de plusieurs milliers de photos.<\/span><\/li>\n
  3. Train : <\/b>m\u00e9thodologie r\u00e9p\u00e9titive de s\u00e9lection et de formation de mod\u00e8les bas\u00e9e sur l'apprentissage jusqu'\u00e0 l'obtention du bon mod\u00e8le. Contrairement \u00e0 la croyance populaire, l'IA n'est pas magique. Il ne s'agit pas d'une machine intelligente qui se nourrit simplement d'informations et apprend d'elle-m\u00eame - le \"plug and play\" n'existe pas.<\/span><\/li>\n<\/ol>\n

    Ces \u00e9tapes manuelles se traduisent par des r\u00e8gles commerciales et des m\u00e9thodologies cl\u00e9s qui doivent \u00eatre utilis\u00e9es pour exploiter correctement les algorithmes et les int\u00e9grer dans les infrastructures existantes.<\/span><\/p>\n

    3. L'IA \u00e9l\u00e8ve les humains, mais ne remplace pas leur intelligence<\/span><\/h3>\n

    L'IA est toujours programm\u00e9e par des humains, bien que certains algorithmes ajustent leurs param\u00e8tres de mani\u00e8re automatis\u00e9e. Si des biais cognitifs existent pendant la programmation ou si des biais sont pr\u00e9sents dans les donn\u00e9es d'entr\u00e9e, l'IA ne les d\u00e9tectera pas et produira un r\u00e9sultat biais\u00e9 qui n'est pas conforme aux objectifs initiaux ou qui a des intentions contraires \u00e0 l'\u00e9thique.<\/span><\/p>\n

    En 2016, Microsoft a con\u00e7u une IA appel\u00e9e Tay \u201cpour interagir avec les gens et les divertir\u201d. Tay s'est exprim\u00e9e sur Twitter, un canal qui a enrichi l'IA gr\u00e2ce aux interactions avec les internautes. Lorsqu'elle est \u2018libre\u2019, Tay recueille toutes les informations que la twittersph\u00e8re veut bien partager, pour le meilleur et pour le pire...<\/span><\/p>\n

    ...Apr\u00e8s 24 heures d'existence et 96 000 tweets, l'IA a \u00e9t\u00e9 d\u00e9connect\u00e9e. Le ton de Tay, franc et enthousiaste lors de sa mise en ligne, avait rapidement chang\u00e9. Confront\u00e9e \u00e0 des opinions extr\u00eames, Tay a commenc\u00e9 \u00e0 faire des remarques racistes.<\/span><\/p>\n

    Motherboard*, l'un des sites de r\u00e9f\u00e9rence de la presse technologique am\u00e9ricaine, a comment\u00e9 l'\u00e9v\u00e9nement :<\/span> \u201cRousseau avait raison : l'homme na\u00eet bon, la soci\u00e9t\u00e9 le corrompt. Ce qu'il ne savait pas, c'est que le postulat fonctionne aussi bien avec la machine\u201d.\u201d<\/span><\/i><\/p>\n

    Bien que l'exemple de Tay ait eu peu d'impact, une IA biais\u00e9e peut \u00eatre utilis\u00e9e comme une arme de discrimination massive. Par exemple, un syst\u00e8me de notation des candidats utilis\u00e9 par une entreprise peut augmenter la probabilit\u00e9 d'exclusion de profils en fonction de param\u00e8tres tels que le sexe ou l'origine g\u00e9ographique afin de correspondre aux profils actuels, sans que cela ne soit remarqu\u00e9 par les \u00e9quipes de recrutement. L'IA doit \u00eatre affin\u00e9e pour \u00e9liminer les param\u00e8tres ind\u00e9sirables qui pourraient influencer n\u00e9gativement le mod\u00e8le.<\/span><\/p>\n

    L'utilisation d'algorithmes complexes, tels que les r\u00e9seaux neuronaux, ne permet pas d'identifier les biais potentiels. Le mod\u00e8le est valid\u00e9 sur la base de sa capacit\u00e9 \u00e0 reproduire des exemples, qu'il convient d'utiliser avec prudence. Le caract\u00e8re exploratoire du mod\u00e8le permet \u00e9galement de d\u00e9tecter des param\u00e8tres qui seraient intuitivement \u00e9cart\u00e9s par l'homme, mais qui ont un impact sur le r\u00e9sultat souhait\u00e9.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

    Artefact trois choses \u00e0 retenir sur la r\u00e9alit\u00e9 de l'IA :<\/p>","protected":false},"featured_media":5488,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5484","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog\/5484","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/5488"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=5484"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-category?post=5484"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-language?post=5484"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}