Principes de l'IA · Chapitre 1 sur 8
Ce qu'est l'IA, et ce qu'elle n'est pas
La plupart des systèmes d'IA utilisés aujourd'hui apprennent des motifs à partir d'exemples et s'en servent pour inférer un résultat pour quelque chose de nouveau. Un tel système n'est ni un esprit, ni une base de données, ni un moteur de recherche, et ses exemples façonnent chaque réponse.
Objectifs
- Placer des exemples de deux catégories et laisser le classifieur les apprendre.À faire
- Tester un nouveau fruit et voir quels exemples décident.À faire
- Ajouter un lot biaisé d'exemples et regarder la frontière se déplacer.À faire
- Réussir la vérification.À faire
Étape 1 sur 4 : La lecture
Apprendre à partir d'exemples
La plupart des systèmes d'IA utilisés aujourd'hui sont des programmes qui apprennent des motifs à partir d'exemples, puis utilisent ces motifs pour produire un résultat pour quelque chose de nouveau. Les exemples s'appellent des données. Le résultat peut être une étiquette comme « spam », un nombre comme les ventes de la semaine prochaine, ou le mot suivant d'une phrase.
Obtenir un résultat de cette façon s'appelle l'inférence : la réponse vient des motifs, et non d'une recherche dans une liste.
L'entraînement, puis l'utilisation
Un tel système a deux phases. Pendant l'entraînement, on lui montre de nombreux exemples et il s'ajuste pour leur correspondre. Pendant l'utilisation, il applique ce qu'il a appris à des entrées qu'il n'a jamais vues. L'utiliser ne change pas ce qu'il a appris ; pour cela, il faut un nouveau cycle d'entraînement.
Ce qu'il n'est pas
Ce n'est pas un esprit : il calcule des résultats à partir de motifs et ne veut rien. Ce n'est pas une base de données : une base de données ne rend que ce qui y a été stocké, alors qu'un système d'IA répond pour des entrées que personne n'a stockées, et peut se tromper. Ce n'est pas un moteur de recherche : il ne va pas chercher de pages, même si certains outils le relient à un moteur de recherche.
Les exemples décident
Un système n'apprend que de ses exemples, donc ils façonnent chaque réponse. Si les exemples sont biaisés, c'est-à-dire qu'une catégorie ou une source en compte bien plus que les autres, les réponses penchent du même côté. Un système qui a surtout appris à partir de photos prises dans un seul pays a tendance à moins bien réussir sur des photos d'ailleurs.
Dans le visuel
Vous entraînez un classifieur, un programme qui range des choses par catégorie, à distinguer les citrons des oranges selon leur taille et leur couleur. Chaque fruit est un point sur une carte. Pour juger un nouveau fruit, il trouve les 3 exemples les plus proches de lui sur la carte, ses plus proches voisins, et répond avec la catégorie de la majorité d'entre eux. La ligne où sa réponse passe d'une catégorie à l'autre est sa frontière.
Pour ce classifieur simple, l'entraînement consiste à garder les exemples. Les grands modèles, eux, ajustent un très grand nombre de valeurs internes pendant leur entraînement, et gardent ces valeurs plutôt que les exemples.
Étape 2 sur 4 : Essayez : Entraînez un tout petit classifieur
Entraînez un tout petit classifieur
Placez des citrons et des oranges sur la carte, testez un fruit qu'il n'a pas vu, puis ajoutez un lot biaisé et regardez la frontière se déplacer.
Chargement du visuel…
Mode :RéelRéel : le classifieur tourne dans cette page et n'apprend qu'à partir des fruits de la carte. Dans la dernière étape, la page place le nouveau citron et le lot, et elle met le lot là où il change la réponse pour ce citron.
Étape 3 sur 4 : Vérification
Vérification
Ensuite : Question 2 sur 3
Étape 4 sur 4 : Ce que vous savez faire maintenant
Ce que vous savez faire maintenant
- Expliquer avec des mots simples qu'un système d'IA infère des résultats à partir de motifs dans ses exemples.
- Distinguer l'entraînement (quand un système apprend de ses exemples) de l'utilisation (quand il applique ce qu'il a appris).
- Dire pourquoi un système d'IA n'est ni un esprit, ni une base de données, ni un moteur de recherche.
- Expliquer pourquoi des exemples biaisés mènent à des réponses biaisées.