Player is loading...
Réalité, Vérité et Intelligence Artificielle
Prof. François Fleuret, Professeur Ordinaire, Directeur du groupe de recherche en apprentissage artificiel, Université de Genève. Professeur Titulaire, École Polytechnique Fédérale de Lausanne. Chercheur externe, Institut de Recherche Idiap. Cofondateur Neural Concept SA
Wednesday, June 15, 2022 · 4:32 p.m. · 14m 23s
Embed
Transcriptions
Note: this content has been automatically generated.
00:00:00
en outre
00:00:04
j'ai décidé du titre de cette présentation avant de réfléchir aux contenus donc je
00:00:10
suis un peu pressée stressée ces secteurs je crois que le titre est assez ambitieux
00:00:18
tout d'abord
00:00:20
pour eux faite synthèse de ce que c. l'intelligence artificielle
00:00:27
de façon traditionnelle de
00:00:32
cramer un ordinateur et de fait une liste détaillée
00:00:37
et très détaillée des opérations en eux et puis
00:00:40
au fonds monétaire va suivre cette liste opérations entré
00:00:44
soigneusement je ne sais pas si vous connaissez les pitons
00:00:54
vous dites sur l'ordinateur que compter ses heures de
00:00:58
plus il faut vérifier que cet individu puis l'imprimer
00:01:05
dans les balbutiements de l'informatique en
00:01:08
suivez ce genre de systèmes légion réfléchissent
00:01:14
de façon analytique de résoudre des problèmes et puis
00:01:19
un les développer des programmes très compliqué
00:01:27
donc quand on essaie d'eux de prédire le
00:01:34
ce que va faire l'autre jour
00:01:39
en fait quand même grande horloge on
00:01:44
se concentre sur les pièces individuelles mais là
00:01:49
l'intelligence atjeh moderne compte sur le fait suivant dès que vous savez qui gagnerait 7 qui fonctionnera
00:01:59
mais vous ne connaissez pas toutes les lettres les paramètres de la recette
00:02:03
si voulez créèrent un logiciel qui soit capable de crédit l
00:02:11
pression sanguine systémique d'un patient je ne sais pas cardiologue messieurs me donner un
00:02:16
cette donnée chaque point correspond à un patient même si on ne connaît pas en cas de logique
00:02:24
on en voit qu'il ya une corrélation entre l'âge et la pression artérielle donc
00:02:33
on ne le trouve
00:02:37
la ligne i. qui rejoint les points mais pas défini
00:02:40
les deux paramètres libre si la position verticale de la ligne
00:02:45
et l'épaisseur de la ligne puis on peut jouer avec ces
00:02:48
deux paramètres jusqu'à ce qu'eux maligne et l'être bonne
00:02:56
mais je ne sais je mis connais toujours pas ou en médecine ou en cas de logique mais maintenant je peux vous dire si vous avez 60 ans
00:03:04
votre tension artérielle devrait être à cette valeur là mais on voit les limitations de cette approche
00:03:13
l i d facteurs aléatoires dans le jugement
00:03:19
et dénouement que beaucoup de données comme le genre
00:03:24
enlever le niveau de stress tes passions par exemple
00:03:29
ce point là de quoi la éteint la hotline
00:03:35
même si je ne méconnaît pas du tout ou en cas de j. je ne connais pas le processus causal qui lire
00:03:41
la pression artérielle à l'âge peut déjà faire une espèce de prédiction
00:03:49
donc beaucoup de paramètres libre dans ses cordes et puis vous remplissez ces paramètres
00:03:54
ceci limite un peu ce que fait le lit la biologie
00:04:01
vous avez un plan directeur de l'ADN et puis votre avis voir
00:04:05
jeanpierre les paramètres ceci motivé le développement d'un grand modèle qui suit ce principe
00:04:13
les oeufs réseau neuronal ne servant ainsi un
00:04:18
code avec beaucoup de paramètres qui sont libres
00:04:22
il semble que cette approche swan arrive mais en fait elle fonctionne assez bien
00:04:31
entre eux ont entraîné des valeurs
00:04:36
eux qui représente un signal dressing
00:04:46
et le nombre de paramètres actuellement et de l'ordre de un virgule 6 attrayant
00:04:52
en 2018 ans à concevoir des modèles qui font des prédictions très fiable
00:04:58
il s'agit d'une prochaine c. c u brutale car il ya beaucoup de paramètres livreur
00:05:06
mais le système est très efficace dans beaucoup de domaines
00:05:14
p
00:05:17
si vous me donnez
00:05:21
un paramètre du mécène complexe je peux prédire les
00:05:25
unes les autres éléments qui manquent eux les réponses aux questions
00:05:34
nous avons un grand texte depuis système réfléchit sur les questions
00:05:39
la planification d'objectifs et des contrôles complexes
00:05:45
la fusion nucléaire qui base essieu de confinement d'un placement
00:05:52
ce problème était traitée de manière plus efficace et classe ces paramètres
00:05:58
alors pour l'instant toutes les roses
00:06:00
mais à deux questions philosophiques fondamentales
00:06:04
l'i. a. ne comprend pas la réalité du tout en fête
00:06:10
l exemple avec la pression artérielle était très beau mais
00:06:19
si on prend une régression pour les numériques pour les premiers nominal
00:06:24
les uns des autres différent t régression pour les nommer un
00:06:29
le lean serait peut être deux degrés un mais en fait je pourrais aller audevant des deux
00:06:36
mais le niveau à 9 heures pourrait passer beaucoup mieux par les points
00:06:40
verts mais ceci n'a pas de sens et vous avec votre cerveau me
00:06:45
savait que ceci n'a pas de sens vous ne pouvez pas feignent prédictions
00:06:48
sur cette base mais pour les fins de formation en ceci est assez utile
00:06:59
on peut produire un résultat mathématiques crucial et si vous avez un ensemble
00:07:04
d'hypothèses vous regardez vos données votant choisissez in qui semblait très approprié
00:07:10
grâce à l'hypothèse vous avez également un langage qui décrit l'hypothèse
00:07:15
dans peu de traiter une règle qui tiques
00:07:21
plus le descriptif heures et court mieux ce sera le résultat de la protection
00:07:28
le
00:07:30
donc les descriptions peut consigner ce sont les meilleurs
00:07:40
ici le parent d'un millier inductive voulait que votre modèle
00:07:44
soit le modèle approprié pour traiter le problème auquel vous êtes confronté
00:07:50
en pratique avec ses oeufs réseau neuronal
00:07:55
or nous ne comprenons pas exactement pourquoi
00:07:58
mais si nous faisons une analyse soeur envoi qui sont le billet correct dans
00:08:06
donc dis ceci revient au club de même
00:08:09
que judged écrit même si vous avez un levier parfait
00:08:21
la façon de modélisation n'a rien à voir avec l'explication physique
00:08:26
le f. m. selon créer une société notre présidé cette année dans le
00:08:32
modèle d'affaires et de créer des modèles pour éviter des simulations très cher
00:08:41
nos coeurs dans si on veut le fait de cesser cieux la
00:08:45
pression d'air autour d'une aile d'avion en construit un modèle
00:08:51
d'après les calculs vous pouvez avoine estimation de la
00:08:54
pression rend peuvent entraîner un réseau neuronal pour modéliser le
00:09:01
la forme de belles en fin de compte la nature du calcul que
00:09:06
le réseau mis en oeuvre n'a rien à voir avec la physique
00:09:12
ceci a été très bien le la connaissance la physique
00:09:18
c'est de la limitation de très bonne mais elle ne
00:09:23
capte pas exactement ce qu'ont capturé en tant qu'eux physicien
00:09:34
maintenant les réseau neuronal ont commencé à
00:09:37
jouer avec notre compréhension de la vérité
00:09:43
les images à gauche sans générer un artificiellement
00:09:49
né à un ensemble de
00:09:52
en d'images montrant des
00:09:55
des milliers de d'images de chien par exemple
00:10:01
les 4 de l'image de gauche et les deux visages sont
00:10:07
défaut cet ascendant jamais existé ces visages ont été existent
00:10:11
ils créèrent générée par un modèle d'essayer d'imiter
00:10:17
des images de façon existantes bas à droite c'est un type fait
00:10:23
qu'on utilise un réseau neuronal pour remplacer l'image d'un acte
00:10:28
6
00:10:30
et en effet grâce à un réseau neuronal standard
00:10:37
il ne s'agit pas d'humeur d'un opérateur dans un pays un d'auteur
00:10:45
ceci n'est pas le cas
00:10:50
mais en plus de jouer un peu avec la vérité
00:10:56
l
00:11:00
12
00:11:03
ce modèle fonction de la manière suivante
00:11:08
vous commencez une phrase et peuvent demander aux modèles de générer
00:11:14
et ensuite de mots suivant et cetera
00:11:19
ces modèles centre entraîner grâce à des ensembles de données et non
00:11:25
provence dans wikipédia etc avaient été qui les captures
00:11:29
c. sc 10 les gens ne servant que
00:11:33
ce que disent les gens peuvent être heures peuvent avoir un écart avec eux la vérité
00:11:39
les cas étaient en grâce et ce que j'ai acquis le greffier et ce qui suit était générée par le modèle
00:11:46
17 de ce set de formation datent des années 50
00:11:53
c'est un mot ne s'arrête pas très désirable
00:12:00
né évidemment c. ces
00:12:03
idées eux ne sont pas 13
00:12:07
jours les reflète la mentalité que résister dans les années 50
00:12:16
certains modèles sont capables d'augmenter la résolution des images
00:12:23
les peuvent faire la même chose dans les séries et policiers avec envoi intelligente autant
00:12:31
dans cet exemple augmentée l'échelle
00:12:40
mon ancien que l'image ergo chez eux à obama
00:12:45
mais le système a été tellement entraîner si la base d'images de personnes jeunes
00:12:51
et blanches qu'après avoir été traitée par le système à l'image à droite
00:12:56
lorsqu'en mettant en scène d'un jeune en mode lent
00:13:04
maintenant
00:13:06
mais le modèle de langage jeûne officiels peuvent eux se vante réussissaient test
00:13:16
en commémorant entraînait un mandat de langage l'a
00:13:22
expliqué les pour les raisons eux qui ce tandem blagues
00:13:29
i. se vendre la levée capable de vous donner l'explication
00:13:34
une plaque en ce qui concerne la confusion entre l'esprit humain
00:13:40
eléments de statistique certains modèles
00:13:44
ce serveur de 17 de d'images de textes de
00:13:49
ceux des millions de périodes d'images de textes en peuvent s'entraîner
00:13:55
à traduire un l'image
00:14:01
les deux premiers majeures ont été générés à monsieur
00:14:07
la base du mineur d'un tableau du dernier jugement
Conference Program
Mots de bienvenue
Aurélie Rosemberg, Prof. Antoine Geissbuhler, Vice-recteur de l’Université de Genève
June 15, 2022 · 4:01 p.m.
Ouverture de la Conférence
Mme Fabienne Fischer, Conseillère d’Etat du canton de Genève – Département de l’Economie et de l’Emploi (DEE)
June 15, 2022 · 4:06 p.m.
232 views
Introduction – Evolutions de l’informatique et vision
Prof. Giovanna Di Marzo Serugendo, Directrice du Centre Universitaire Informatique de l’Université de Genève et Professeure ordinaire à l’Université de Genève
June 15, 2022 · 4:16 p.m.
106 views
Réalité, Vérité et Intelligence Artificielle
Prof. François Fleuret, Professeur Ordinaire, Directeur du groupe de recherche en apprentissage artificiel, Université de Genève. Professeur Titulaire, École Polytechnique Fédérale de Lausanne. Chercheur externe, Institut de Recherche Idiap. Cofondateur Neural Concept SA
June 15, 2022 · 4:32 p.m.
143 views
Gouverner la montée en puissance de l’Intelligence Artificielle
M. Nicolas Miailhe, Fondateur et Président, The Future Society (TFS)
June 15, 2022 · 4:50 p.m.
230 views
Intelligence artificielle, questions relatives aux États, à la paix et à la coopération internationale
Dr Giacomo Persi Paoli, Directeur du programme de sécurité et de la technologie de l'Institut des Nations unies pour la recherche sur le désarmement UNIDIR
June 15, 2022 · 5:11 p.m.
Tour de table et questions
June 15, 2022 · 5:31 p.m.
Clôture du 50ème anniversaire
Jean-Pierre Rausis, Président de la Fondation Dalle Molle
June 15, 2022 · 6:31 p.m.
Recommended talks
Reality, Truth et Artificial Intelligence
Prof. François Fleuret, Professeur Ordinaire, Directeur du groupe de recherche en apprentissage artificiel, Université de Genève. Professeur Titulaire, École Polytechnique Fédérale de Lausanne. Chercheur externe, Institut de Recherche Idiap. Cofondateur Neural Concept SA
June 15, 2022 · 4:30 p.m.
117 views
Discoverying Life patterns
Fausto Giunchiglia, from University of Trento, Italy
June 8, 2015 · 4:07 p.m.
278 views