Introduction a IA

L’intelligence artificielle nous permet de créer des logiciels exceptionnels capables d’améliorer les soins de santé, de permettre aux gens de surmonter leur handicap physique, d’offrir une infrastructure intelligente, de créer des expériences de divertissement incroyables et même de sauver la planète !

En bref, l’IA est un logiciel qui imite les capacités et les comportements humains. Les charges de travail clés sont les suivantes :

• Machine learning : souvent à la base des systèmes d’IA, c’est le machine learning qui nous permet d’apprendre à un modèle d’ordinateur à faire des prédictions et à tirer des conclusions à partir de données.
• Vision par ordinateur : les capacités de l’IA à interpréter visuellement le monde à travers des caméras, des vidéos et des images.
• Traitement automatique du langage naturel : les capacités de l’IA permettant à un ordinateur à interpréter une langue écrite ou parlée, et à y répondre.
• Intelligence des documents : les capacités de l’IA qui traitent de la gestion, du traitement et de l’utilisation de volumes élevés de données trouvées dans des formulaires et des documents.
• Exploration des connaissances : les capacités de l’IA à extraire des informations à partir de grands volumes de données souvent non structurées pour créer une base de connaissances pouvant faire l’objet d’une recherche.
• IA générative : les capacités de l’IA qui créent du contenu d’origine dans divers formats, notamment le langage naturel, l’image, le code, etc.

1. Comprendre le machine learning

L’apprentissage automatique est la base de la plupart des solutions d’IA. Depuis les années 1950, les chercheurs, souvent connus sous le nom de scientifiques des données, ont travaillé sur différentes approches de l’IA. La plupart des applications modernes de l’IA ont leurs origines dans le Machine Learning, une branche de l’IA qui combine la science informatique et les mathématiques.

Commençons par examiner un exemple concret de la façon dont le machine learning peut être utilisé pour résoudre un problème difficile.

Les techniques agricoles durables sont essentielles pour maximiser la production alimentaire tout en protégeant un environnement fragile. The Yield est une société spécialisée en technologies agricoles située en Australie. Elle utilise des capteurs, des données et le machine learning pour aider les agriculteurs à prendre des décisions éclairées concernant la météo, le sol et les conditions des plantes.

Comment les machines apprennent-elles ?

La réponse est : à partir de données. Aujourd’hui, nous créons d’énormes volumes de données lors de nos activités quotidiennes. Qu’il s’agisse des messages texte, des e-mails et des publications que nous envoyons sur les réseaux sociaux, ou qu’il s’agisse des photos et des vidéos que nous prenons sur nos téléphones, la quantité d’informations que nous générons est énorme. Il y a aussi les données qui sont générées par les millions de capteurs situés dans nos maisons, nos voitures, nos villes, nos infrastructures de transport public et nos usines.

Les scientifiques des données peuvent utiliser toutes ces données pour entraîner des modèles Machine Learning capables de faire des prédictions et des inférences en fonction des relations qu’ils découvrent dans les données.

Les modèles Machine Learning tentent de capturer la relation entre les données. Par exemple, supposons qu’une organisation de conservation de l’environnement souhaite que des volontaires identifient et cataloguent différentes espèces de fleurs sauvages à l’aide d’une application sur leur téléphone portable. L’animation suivante montre comment le machine learning peut être utilisé pour permettre ce scénario.

1. Une équipe de botanistes et de scientifiques collecte des données sur des échantillons de fleurs sauvages.

3. Les données étiquetées sont traitées à l’aide d’un algorithme qui trouve des relations entre les caractéristiques des échantillons et les espèces données sur les étiquettes.

5. Lorsque de nouveaux échantillons sont trouvés par des bénévoles, le modèle peut identifier l’étiquette d’espèce correcte.

Les approches de l’IA ont progressé pour accomplir des tâches d’une complexité accrue. Ces modèles complexes constituent la base des fonctionnalités d’IA.

Microsoft Azure fournit le service Azure Machine Learning, qui est une plateforme cloud permettant de créer, gérer et publier des modèles Machine Learning. Azure Machine Learning Studio offre plusieurs expériences de création comme :

• Machine Learning automatisé : cette caractéristique permet aux non-experts de créer rapidement un modèle Machine Learning efficace à partir de données.
• Concepteur Azure Machine Learning : interface graphique permettant le développement sans code de solutions Machine Learning.
• Visualisation des métriques de données : analysez et optimisez vos expériences avec la visualisation.
• Notebooks : écrivez et exécutez votre propre code dans les serveurs Jupyter Notebook managés directement intégrés au studio.

2. Qu’est-ce que la vision par ordinateur ?

La vision par ordinateur est un domaine de l’intelligence artificielle qui concerne le traitement visuel. La plupart des solutions de vision par ordinateur sont basées sur des modèles Machine Learning qui peuvent être appliqués à l’entrée visuelle des caméras, des vidéos ou des images. Le tableau suivant décrit les tâches qui sont couramment effectuées avec la vision par ordinateur.

Vous pouvez utiliser Azure AI Vision de Microsoft pour développer des solutions de vision par ordinateur. Les caractéristiques du service peuvent être utilisées et testées dans Azure Vision Studio et dans d’autres langages de programmation. Parmi les caractéristiques d’Azure AI Vision figurent les suivantes :

• analyse d’images : capacités d’analyse d’images et de vidéos et d’extraction de descriptions, de balises, d’objets et de texte.
• visage : capacités de création de solutions de détection et de reconnaissance des visages.
• Reconnaissance optique des caractères (OCR) : capacités d’extraction de texte imprimé ou manuscrit à partir d’images, permettant d’accéder à une version numérique du texte numérisé.

3. Comprendre le traitement du langage naturel

Le traitement du langage naturel (NLP) est le domaine de l’IA qui traite de la création de logiciels capables de comprendre le langage parlé et écrit.

Le traitement du langage naturel vous permet de créer des logiciels qui peuvent :

• Analyser et interpréter du texte dans des documents, des e-mails et d’autres sources.
• Interpréter le langage parlé et synthétiser les réponses vocales.
• Traduire automatiquement des phrases parlées ou écrites entre différentes langues.
• Interpréter des commandes et déterminer des actions appropriées.

4. Comprendre l’intelligence documentaire et l’exploration des connaissances

L’Intelligence documentaire représente la partie de l’IA qui s’occupe de la gestion, du traitement et de l’utilisation de volumes élevés d’une variété de données trouvées dans des formulaires et des documents. L’intelligence documentaire vous permet de créer des logiciels qui peuvent automatiser le traitement des contrats, des documents d’intégrité, des formulaires financiers et bien plus encore.

L’Exploration des connaissances est le terme utilisé pour décrire les solutions qui impliquent l’extraction d’informations dans de grands volumes de données souvent non structurées afin de créer une base de connaissances qui peut faire l’objet d’une recherche.

5. L’IA Générative

L’IA générative fait référence à une catégorie de fonctionnalités au sein de l’IA qui créent du contenu original. Les personnes interagissent généralement avec l’IA générative qui est intégrée aux applications de conversation. Les applications d’IA générative acceptent les entrées en langage naturel et retournent des réponses appropriées dans divers formats, dont le langage naturel, les images, le code, et l’audio.