Introduction : Un guide pour bien comprendre la structure et les principes de l'intelligence artificielle

I L'essor de l'intelligence artificielle

Les ordinateurs peuvent lire les images
Définition de l'intelligence artificielle
Utilisation abusive de la terminologie de l'IA
Histoire de la technologie de l'intelligence artificielle
Exemples clés d'intelligence artificielle

II. Données et intelligence artificielle

Classification par type de données
Comment analyser et utiliser les données
Des données qui nécessitent beaucoup de temps de travail manuel
Le Big Data et l'intelligence artificielle
Qu'est-ce qu'un modèle d'analyse de données ?
Principaux cas d'utilisation de l'analyse des données

III Apprentissage automatique

Définition de l'apprentissage automatique
L'émergence des fonctions linéaires
La signification de l'hypothétique
Difficulté à trouver des poids
régression linéaire
Calcul des coûts des pertes
descente de gradient
Mettez l'apprentissage automatique en pratique.
régression linéaire polynomiale
classification binaire
Multiclassification
Des ordinateurs qui lisent les images
Ensemble de données MNIST
Reconnaître des images

IV Apprentissage profond

neurones
perceptron
Vérification du perceptron ①
Vérification du perceptron ②
L'émergence des perceptrons multicouches
L'importance du perceptron multicouche
DNN
Changement de paradigme de développement
CNN ①
CNN ②
CNN ③
RNN
Utilisation des RNN

V Apprentissage non supervisé

Trois types d'apprentissage automatique
Apprentissage supervisé des modèles de prédiction de caractères et de mots
Le concept d'apprentissage non supervisé
K-moyennes
GAN

Apprentissage par renforcement VI

Principes de l'apprentissage par renforcement
Cas d'utilisation de l'apprentissage par renforcement
Apprentissage par renforcement dans une serre ?

VII Modèle de langage à grande échelle

L'émergence de ChatGPT
LLM : Un problème d'apprentissage automatique
Traitement du langage naturel
Fonctionnalités clés mises en œuvre grâce au traitement du langage naturel
Un bond en avant dans la technologie du traitement automatique du langage naturel
Concepts de base des plongements lexicaux
Comment les plongements lexicaux représentent les mots
Concepts de base de l'apprentissage par transfert
Apprentissage par transfert dans le traitement automatique du langage naturel
Apprentissage par transfert pour les modèles de langage à grande échelle
Modèles de langage à grande échelle avec apprentissage par transfert à différents niveaux
Concepts de base des modèles de langage
Extension du concept de modèle de langage
Modèle encodeur-décodeur
vecteur de contexte
Pourquoi l'attention est nécessaire
mécanisme d'attention
Transformers
L'attention du transformateur
Caractéristiques du mécanisme du transformateur
Modèles de langage à grande échelle - BERT et GPT
Sortie de BERT et GPT
Secrets des modèles de langage haute performance ①
Secrets des modèles de langage haute performance ②
Limites des modèles de langage à grande échelle
Importance de l'émergence des modèles de langage à grande échelle
Au final, c'est le même principe de base.

VIII. Machines et personnes à hautes performances

Vulnérabilités de la technologie IA ①
Vulnérabilités de la technologie IA ②
Vulnérabilités de la technologie IA ③
La nature maléfique (?) de la technologie de l'IA
L'intelligence artificielle repose en fin de compte sur les données
Nettoyage et étiquetage des données
Obtention de données pour les modèles de langage
L'intelligence artificielle possède-t-elle une intelligence ?
IA forte et IA faible
La possibilité de l'émergence d'une intelligence artificielle forte
intelligence artificielle à usage général
Le potentiel des modèles comportementaux
Un monde peuplé d'humanoïdes
processus de développement des services d'IA
Devenir expert en IA
Comment devrions-nous réagir à l'avenir ?

Références
Source des images et des photos
Recherche

Seuls ceux qui comprennent l'intelligence artificielle survivront !
Un guide sur l'IA pour améliorer la culture en IA

Nous sommes véritablement entrés dans l'ère de l'intelligence artificielle.
L'intelligence artificielle est partout, et elle le sera bientôt.
À mesure que l'environnement évolue, les développeurs, les planificateurs et les praticiens informatiques peuvent être affectés à des tâches liées à l'IA à tout moment.
Si un développeur débutant en IA est affecté à une tâche, que devrait-il faire en premier ?
Si vous devez travailler sur le terrain sans même avoir eu le temps de poser les fondations, vous vous retrouverez généralement dans une situation difficile.
De plus, le domaine de l'intelligence artificielle offre une grande variété de sujets à étudier et une quantité considérable de matière à couvrir.
Voici une méthode simple et rapide pour comprendre la technologie de l'IA depuis ses fondements.
Le « Manuel sur les principes de la structure de l'intelligence artificielle » sera une aide précieuse pour beaucoup de ceux qui rencontrent des difficultés.

Découvert lors de rencontres sur place
Aborder les idées fausses et les questions entourant l'IA

Ce livre est une compilation des enseignements tirés de l'expérience de Song Kyung-bin, chercheur principal au sein de l'équipe Convergence et Diffusion de l'IA de l'Institut coréen pour la promotion de la société de l'information intelligente, lors de ses travaux sur des projets connexes dans ce domaine.
En bref, il s'agit d'un guide conceptuel sur l'IA conçu pour aider chacun à apprendre les principes fondamentaux et la structure de l'intelligence artificielle.

L'auteur explique avoir décidé d'écrire ce livre car les informations fragmentaires disséminées sur Internet ne permettent pas seulement de comprendre pleinement l'intelligence artificielle, mais aussi de la comprendre correctement.
Il a notamment déclaré se sentir mal à l'aise lorsqu'il voyait des reportages ou des interviews présentant l'IA comme une entité intelligente, alors qu'elle en est actuellement dépourvue, du fait de limitations technologiques. Il a donc décidé de s'attaquer personnellement aux idées fausses et aux interrogations concernant l'IA.

Il faut bien connaître le problème pour pouvoir le gérer correctement.
Ce livre vise à apporter une aide pratique en fournissant des informations précises sur l'IA à ceux qui doivent se lancer immédiatement dans ce domaine mais qui estiment ne pas posséder de connaissances de base, ainsi qu'au grand public et aux étudiants qui souhaitent en apprendre davantage sur l'intelligence artificielle.

L'intelligence artificielle commence par les mathématiques du collège.
Principes fondamentaux et structure des technologies d'apprentissage automatique et d'apprentissage profond

Ce livre est structuré par étapes afin que chacun puisse facilement commencer à étudier l'intelligence artificielle.
Après avoir expliqué un concept simple, nous expliquons un concept plus difficile qui s'appuie sur le premier.
Selon l'auteur, il a essayé d'écrire un livre que même les élèves du primaire pourraient comprendre, mais en raison de son propre manque de capacité (?), il s'est contenté d'un niveau que les élèves du collège pouvaient comprendre.
Ce passage révèle la confiance de l'auteur dans le fait que même ceux qui ont une formation en sciences humaines, sans parler des non-spécialistes, peuvent pleinement comprendre la technologie de l'intelligence artificielle.


Les lecteurs qui liront ce livre chapitre par chapitre se retrouveront au cœur de la compréhension de l'intelligence artificielle, un domaine que d'autres ont abandonné car jugé trop complexe.
Après un bref historique de l'intelligence artificielle, nous aborderons les types de données et leur analyse, et acquerrons une compréhension approfondie des tendances technologiques et de l'histoire de l'apprentissage automatique et de l'apprentissage profond, notamment leur émergence et leur développement jusqu'à leur état actuel.


Pour expliquer les principes de l'apprentissage automatique, ce livre commence par les fonctions linéaires.
L'affirmation de l'auteur selon laquelle même les élèves du collège peuvent comprendre l'intelligence artificielle, car les fonctions linéaires sont apprises au collège, n'est pas exagérée.
Le livre utilise, à titre d'exemple, le modèle d'apprentissage automatique le plus simple (régression linéaire) pour déterminer la probabilité d'une relation.

La régression linéaire est un modèle qui exprime un phénomène sous forme de ligne droite sur un graphique.
Dans l'exemple du livre, la valeur de la relation augmente linéairement avec le nombre de pommes, ce qui peut être exprimé par la formule : y=ax+b.
Ici, x représente le nombre de pommes et y la différence.
Si nous transformons cela en la forme hypothétique utilisée dans l'apprentissage automatique, cela devient y=wx+b.
Une hypothèse est une formule qui calcule un résultat de prédiction à partir de données d'apprentissage.
Comme vous pouvez le constater d'après la forme de l'équation, il s'agit finalement d'une fonction linéaire.

En apprentissage automatique, l'apprentissage est le processus qui consiste à déterminer les valeurs de w et b dans cette formule.
Substituez le nombre de pommes et les données de prix dans l'équation hypothétique y=wx+b pour optimiser w et b.
Autrement dit, l'objectif est de trouver les valeurs de w et b qui produisent la bonne réponse.
Un modèle d'apprentissage automatique ayant suivi ce processus peut prédire le prix de cinq pommes.

L'élaboration d'hypothèses de ce type et la détermination de leur importance constituent le fondement de l'apprentissage en intelligence artificielle.
La technologie d'apprentissage automatique, qui doit trouver des réponses uniquement à partir de données sans règles ni procédures spécifiques, ajuste les pondérations pour tendre vers la bonne réponse.

L'algorithme utilisé ici est la descente de gradient, que l'on peut considérer comme le cœur de la compréhension de l'apprentissage automatique.
En effet, la descente de gradient est applicable à toutes les tâches d'apprentissage automatique, des modèles relativement simples qui calculent une valeur moyenne aux modèles de langage à grande échelle incroyablement complexes.


Pour bien comprendre l'intelligence artificielle, il est nécessaire de connaître divers autres concepts.
En particulier pour les modèles de langage à grande échelle comme ChatGPT, des concepts plus complexes sont utilisés.
L'ouvrage consacre la plus grande partie de son volume à une discussion approfondie des modèles de langage à grande échelle.
Bien que le contenu soit complexe, les lecteurs peuvent y apprendre des concepts techniques tels que l'intégration de mots, l'attention dans les modèles de transformateurs et l'auto-attention.
Vous pouvez techniquement comprendre comment les modèles de langage comprennent les mots, les phrases, les paragraphes et même les relations entre eux.


Si vous avez bien compris, vous pouvez voir
La véritable nature de l'intelligence artificielle et ses applications futures

L'auteur affirme qu'il est nécessaire de bien comprendre les principes fondamentaux qui sont au cœur de la technologie de l'intelligence artificielle.
Autrement, nous risquons de tomber dans l’idée fausse que « l’IA possède sa propre intelligence », ce qui pourrait engendrer des craintes vagues, de l’anxiété, ou des attentes ou un optimisme excessifs.
Repensons à la sortie initiale de ChatGPT 3.
De nombreux médias ont fourni diverses explications, comme le fait qu'il possède 175 milliards de paramètres ou qu'il est similaire aux neurones, mais rares sont les cas où sa nature technique et ses principes ont été clairement expliqués.
Même longtemps après les faits, les articles de presse continuent souvent de contenir des explications vagues et imprécises.
Les explications qui manquent de compréhension technique comme celle-ci peuvent alimenter de nombreux malentendus concernant l'intelligence artificielle.


Cela peut engendrer des coûts et des conflits inutiles.
Par exemple, si un spécialiste travaillant sur un projet d'IA comprend mal l'IA et vise une « IA auto-apprenante », cela constituerait un problème grave.
Il n'existe actuellement aucun concept technique de ce type en intelligence artificielle, nous sommes donc complètement dans la mauvaise direction.
En revanche, si nous résistons au changement technologique par crainte que l'intelligence artificielle ne remplace complètement les humains et ne s'intéresse à des comportements bizarres comme le mouvement luddite du XXIe siècle, nous ne ferons que perdre en compétitivité.


C’est alors que nous avons besoin d’une compréhension adéquate.
Rappelons les bases de l'intelligence artificielle.
Toute technique d'apprentissage automatique commence par une hypothèse.
Nous devons comprendre que, aussi avancée soit l'intelligence artificielle, elle n'est finalement rien de plus qu'une formule avec des pondérations sophistiquées.
Il suffit de voir les modèles de langage à grande échelle qui attirent l'attention ces derniers temps.
Malgré sa capacité à générer des phrases fluides, il manque de bon sens et est sujet à des biais en fonction des données d'entraînement.
Un autre problème qui continue d'être soulevé est que le modèle de langage ne peut pas expliquer comment ses résultats sont obtenus.

Grâce à de solides connaissances techniques comme celles-ci, les professionnels peuvent orienter les projets d'IA dans la bonne direction, et les développeurs peuvent accélérer leur apprentissage et leur compréhension techniques. Les personnes non initiées au domaine de l'IA peuvent ainsi se libérer de leurs inquiétudes et angoisses inutiles et envisager sereinement comment l'utiliser dans leurs propres domaines.

L'intelligence artificielle, une technologie au potentiel de développement illimité,
Comprenez les principes de base et utilisez-les judicieusement.

L'intelligence artificielle n'est finalement qu'une technologie automatisée qui détermine les poids.
Cependant, nous ne pouvons pas simplement l'ignorer.
Parce qu'il gère incroyablement bien des choses qu'il ne pouvait pas faire auparavant.
Sa méthode de traitement unique, qui utilise uniquement les données pour trouver des solutions, recèle un potentiel incroyable.
C’est une réalité que l’émergence de divers modèles depuis l’avènement de ChatGPT a prouvée.
Elle affiche des performances exceptionnelles non seulement en matière de conversation, mais aussi dans divers domaines tels que la finance, la médecine, le développement de nouveaux médicaments, la traduction et la conduite autonome, démontrant ainsi la possibilité qu'elle remplace un jour de nombreuses tâches humaines.

L'intelligence artificielle, ou plus précisément la technologie d'apprentissage automatique, est encore en développement et devrait encore progresser à l'avenir.
Bien sûr, comme mentionné précédemment, il existe de nombreuses limitations et de nombreux problèmes.
C’est pourquoi l’auteur continue d’insister sur le fait que, pour utiliser l’IA à bon escient, il est indispensable de bien comprendre ses principes de base et sa structure.
Ce livre nous permettra de bien comprendre les principes fondamentaux de l'intelligence artificielle.
Cela nous aidera certainement à nous préparer judicieusement à l'ère de l'intelligence artificielle.