{"product_id":"140202","title":"La structure de l'IA générative ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jYGWruL1RJ3SXRgs26M7UnSFqgHWT.png?v=1765078695\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e La structure de l'IA générative \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/145386781\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eLes principes fondamentaux de la technologie de génération de données par IA générative permettent une lecture et une compréhension faciles sans formules.\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Daisuke Okanohara, le plus grand expert japonais en IA, a écrit ce livre, expliquant la structure de l'IA générative en utilisant uniquement du texte et des images, sans équations, afin que même les non-spécialistes puissent la comprendre. \u003cbr\u003eDe l'histoire de l'IA générative aux modèles de flux, de diffusion, de correspondance des flux et de transport optimal, comprenons mieux le cœur de l'IA générative, qui est au centre de l'informatique d'aujourd'hui, grâce aux commentaires accessibles d'un auteur chevronné, reconnu pour « la richesse du contexte qu'il offre autour de cette technologie ».\u003cbr\u003e\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e Préface du traducteur ix\u003cbr\u003e Aux lecteurs coréens x\u003cbr\u003e Préface xi\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 1 IA générative 1\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Qu’est-ce que l’IA générative ? Partie 1\u003cbr\u003e Création selon instructions et conditions 2\u003cbr\u003e Capacité à créer des données qui étaient auparavant difficiles à créer 3\u003cbr\u003e Du système basé sur des règles à l'apprentissage automatique 5\u003cbr\u003e Les tâches de génération constituent un problème d'apprentissage automatique particulièrement difficile 7.\u003cbr\u003e Générer des données, c'est comme trouver une île dans un vaste océan.\u003cbr\u003e Vaste et étrange espace multidimensionnel 11\u003cbr\u003e La génération comporte plus d'une sortie correcte 13\u003cbr\u003e Hypothèse de variété : données en basse dimension 15 \u003cbr\u003eSymétrie : Données invariantes aux transformations 18\u003cbr\u003e Composition : Données composées d'une combinaison de plusieurs parties 20\u003cbr\u003e [COLONNE] Les caractéristiques des données sont-elles fournies par les humains ou s'apprennent-elles par elles-mêmes ? 21\u003cbr\u003e Résumé 22\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 2 : Histoire de l'IA générative 23\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Mécanismes de la mémoire 23\u003cbr\u003e Du modèle d'assouplissement au réseau Hopfield 24\u003cbr\u003e Modèle énergétique 28\u003cbr\u003e Modèle énergétique 29 pour la réalisation naturelle de la mémoire associative\u003cbr\u003e Relation entre énergie et probabilité : distribution de Boltzmann 31\u003cbr\u003e Principes de la méthode de Monte Carlo de Langevin 32\u003cbr\u003e 33 problèmes majeurs liés aux modèles énergétiques\u003cbr\u003e [CHRONIQUE] Le monde réel est un simulateur géant 34\u003cbr\u003e Fonction de distribution 35 qui régit l'information dans tout l'espace\u003cbr\u003e Données générées à partir d'informations cachées 37\u003cbr\u003e La prise de conscience est nécessaire à la création 38\u003cbr\u003e Auto-encodeur variationnel (VAE) 40\u003cbr\u003e Problème 42 du modèle à variable latente\u003cbr\u003e [COLUMN] Réseaux antagonistes génératifs (GAN) 43\u003cbr\u003e [COLONNE] Modèle autorégressif 43\u003cbr\u003e [COLONNE] Prix Nobel 2024 44\u003cbr\u003e Résumé 45\u003cbr\u003e \u003cbr\u003e\u003cb\u003eCHAPITRE 3 Création à l'aide de Flow 47\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Floran 47\u003cbr\u003e Équation de continuité : la matière ne disparaît pas soudainement et ne se déforme pas 49\u003cbr\u003e Distributions de probabilité complexes créées à l'aide du flux 51\u003cbr\u003e Modèle basé sur les flux 53 qui ne nécessite pas de fonction de distribution\u003cbr\u003e Flux de normalisation et flux de normalisation continue 55\u003cbr\u003e Apprendre à maximiser la probabilité obtenue le long du flux 55\u003cbr\u003e Générer des données selon le flux 57\u003cbr\u003e Flux 58 : Décomposition des problèmes de génération complexes en problèmes de sous-génération plus simples\u003cbr\u003e Modélisation des flux 60\u003cbr\u003e Calcul du résultat du flux 62\u003cbr\u003e Défi de flux de normalisation 64\u003cbr\u003e Résumé 65\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 4 Modèles de diffusion et adaptation d'écoulement 67\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Découverte du modèle de diffusion 67\u003cbr\u003e Phénomène général de diffusion 68\u003cbr\u003e [COLONNE] Mouvement brownien 69\u003cbr\u003e Le modèle de diffusion est de 70\u003cbr\u003e Flux généré par le processus de diffusion = Score 72\u003cbr\u003e Relation entre le score et l'énergie 73\u003cbr\u003e Score 74, qui évolue avec le temps\u003cbr\u003e Score de débruitage correspondant 76\u003cbr\u003e L'apprentissage sans simulation n'est accessible qu'à environ 78 % des étudiants.\u003cbr\u003e Résumé de l'apprentissage et de la génération par les modèles de diffusion 79 \u003cbr\u003eCaractéristiques de l'écoulement généré par les modèles de diffusion 79\u003cbr\u003e Relation entre les modèles de diffusion et les modèles à variables latentes 80\u003cbr\u003e Apprentissage automatique d'arbres phylogénétiques pour la génération de données 81\u003cbr\u003e Le modèle de diffusion est un modèle énergétique 82\u003cbr\u003e Le modèle de diffusion est un modèle génératif utilisant le flux 82\u003cbr\u003e Correspondance des flux : Flux complexe 83 créé par la collecte de flux\u003cbr\u003e Transport optimal 83\u003cbr\u003e Génération 85 utilisant un transport optimal\u003cbr\u003e La recherche directe du transport optimal est trop gourmande en ressources de calcul.\u003cbr\u003e Appariement du flux d'apprentissage 86\u003cbr\u003e L'évolution de l'adaptation des flux 88\u003cbr\u003e La génération conditionnelle est réalisée avec le flux conditionnel 88\u003cbr\u003e Modèle de diffusion latente : Transformer les données originales en espace latent pour améliorer la qualité 90\u003cbr\u003e Résumé 91\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 5 : LES PERSPECTIVES D'AVENIR DES TECHNOLOGIES BASÉES SUR LES FLUX 93\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Résoudre le mystère de la généralisation 93\u003cbr\u003e Génération 95, avec la symétrie en tête\u003cbr\u003e Mécanisme de l'attention et flux 96\u003cbr\u003e Optimisation numérique par flux 96\u003cbr\u003e Générer des données discrètes telles que la langue 97\u003cbr\u003e 99 Contact avec les mécanismes computationnels du cerveau\u003cbr\u003e L'avenir de la création par Flow 99\u003cbr\u003e \u003cbr\u003e\u003cb\u003eANNEXE A Mots clés de l'apprentissage automatique 101\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Probabilités et modèles génératifs 101\u003cbr\u003e Méthode du maximum de vraisemblance 102\u003cbr\u003e Apprentissage automatique 103\u003cbr\u003e Mécanismes d'apprentissage automatique 104\u003cbr\u003e Réglage des paramètres = apprentissage 105\u003cbr\u003e Réseau neuronal 106\u003cbr\u003e Généralisation 106 : Obtention de règles applicables à des données infinies à partir de données d’entraînement finies\u003cbr\u003e\u003cbr\u003e \u003cb\u003eANNEXE B RÉFÉRENCES 109\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Chapitre 2, 110\u003cbr\u003e Chapitre 3, 112\u003cbr\u003e Chapitre 4, 112\u003cbr\u003e Chapitre 5, 114\u003cbr\u003e\u003cbr\u003e Recherche 117\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate5267\/MidCate004\/526637671.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eDans le livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e Plus les problèmes se complexifient, plus les solutions basées sur des règles deviennent difficiles.\u003cbr\u003e Le travail génératif dont il est question dans ce livre est précisément ce type de travail.\u003cbr\u003e Par exemple, supposons que nous voulions générer une image à partir de l'instruction suivante : « Silhouette d'un chien et de son maître courant au bord des vagues sur une plage au coucher du soleil ».\u003cbr\u003e Dans ce cas, vous devriez les informer à l'avance de la couleur du ciel au coucher du soleil, de la forme des vagues et des mouvements possibles du chien et de son maître.\u003cbr\u003e Nous devons aussi leur apprendre ce qui se passe lorsqu'ils sont combinés. \u003cbr\u003eLe coucher du soleil devrait se refléter dans la couleur de la mer, et cette lumière réfléchie devrait également affecter la couleur des chiens et des personnes.\u003cbr\u003e Selon les lois de la physique, les silhouettes du chien et de son maître devraient être opposées au soleil.\u003cbr\u003e\u003cbr\u003e --- p.6\u003cbr\u003e\u003cbr\u003e Passons en revue les distributions de probabilité.\u003cbr\u003e Une distribution de probabilité attribue une probabilité supérieure ou égale à 0 à chaque événement possible.\u003cbr\u003e Et la somme des probabilités attribuées à tous les événements doit être exactement égale à 1.\u003cbr\u003e Par exemple, si vous lancez un dé et qu'il vous indique ce qui va se passer, il s'agit d'une distribution de probabilité avec une probabilité de 1\/6.\u003cbr\u003e De plus, la probabilité que le temps soit ensoleillé, nuageux ou pluvieux demain aura des distributions de probabilité telles que 1\/2, 1\/3 et 1\/6, respectivement.\u003cbr\u003e\u003cbr\u003e --- p.35\u003cbr\u003e\u003cbr\u003e Il existe différents flux autour de nous, tels que le flux d'air et le flux d'eau.\u003cbr\u003e De manière générale, l'état de la matière est classé en trois types : solide, liquide et gazeux, en fonction de la température et de la pression ; un écoulement peut être observé dans les liquides et les gaz. \u003cbr\u003ePar exemple, l'eau ou la vapeur obtenue en chauffant de l'eau a un écoulement.\u003cbr\u003e Sous l'effet du flux, la matière peut librement changer de forme et se déplacer le long du courant.\u003cbr\u003e Le flux possède diverses propriétés, mais parmi elles, la « continuité » est particulièrement importante lorsqu'il s'agit de modèles génératifs.\u003cbr\u003e La continuité signifie que la matière n'apparaît ni ne disparaît soudainement sans raison, ou qu'elle ne se déforme pas soudainement pour apparaître à un autre endroit lorsqu'elle se déplace.\u003cbr\u003e --- pp.47-48\u003cbr\u003e\u003cbr\u003e Imaginons que vous écriviez à l'encre sur la surface de l'eau.\u003cbr\u003e Les lettres écrites avec cette encre se dissoudront progressivement au fil du temps, et finalement l'encre se mélangera uniformément à l'eau.\u003cbr\u003e (…) Si nous pouvions reproduire ce processus de diffusion d’encre dans le sens inverse, nous pourrions revenir d’un état où l’encre est uniformément mélangée à l’eau à un état où les lettres sont à nouveau écrites à l’encre. \u003cbr\u003eL'idée est donc qu'en inversant le processus d'ajout de bruit à un objet ordonné, en le détruisant progressivement et en le transformant en un désordre complet, on peut créer de l'ordre à partir du désordre, c'est-à-dire réaliser la création.\u003cbr\u003e\u003cbr\u003e --- pp.68-69\u003cbr\u003e\u003cbr\u003e Comprendre la généralisation est essentiel pour comprendre comment les données d'entraînement sont utilisées pour générer de nouvelles données et pourquoi des résultats inattendus peuvent survenir.\u003cbr\u003e Par exemple, les généralisations peuvent parfois conduire à un phénomène appelé hallucination.\u003cbr\u003e Il s'agit d'un problème lié à la génération de données irréalistes qui n'existent pas dans les données d'entraînement.\u003cbr\u003e Bien que ce phénomène ne pose généralement pas de problème lors de la génération d'images, d'audio et de vidéo, il peut engendrer des difficultés importantes lorsqu'on essaie de générer du contenu à partir de faits. \u003cbr\u003eIl est donc souhaitable de pouvoir contrôler la généralisation avec plus de précision.\u003cbr\u003e\n\n\u003c\/div\u003e\n\u003cdiv\u003e --- p.94\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003eUn livre expliquant l'IA générative uniquement à l'aide de texte et d'images.\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Les techniques génératives basées sur les flux, et notamment les modèles de diffusion, ont émergé dans de nombreux domaines, y compris la génération d'images, d'audio et de vidéo.\u003cbr\u003e Daisuke Okanohara, le plus grand expert japonais en IA, a écrit « The Mathematics of Diffusion Models », qui explique clairement le modèle de diffusion mathématiquement, et cette fois-ci il a écrit « The Structure of Generative AI », qui explique l'intégralité de l'IA générative en utilisant uniquement du texte et des images, sans aucune formule mathématique.\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e Il est rédigé dans un style facile à lire, compréhensible même par les non-spécialistes, et couvre tous les aspects, de l'histoire de l'IA générative aux modèles de flux, de diffusion et de correspondance des flux, en passant par le transport optimal et les perspectives d'avenir. \u003cbr\u003ePlutôt que d'éviter les formules, je préfère utiliser des métaphores du quotidien. Par exemple, je commence mon explication du modèle de diffusion comme suit :\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e « Imaginons que vous écriviez à l’encre sur la surface de l’eau. »\u003cbr\u003e Les lettres écrites avec cette encre se dissoudront progressivement au fil du temps, et finalement l'encre se mélangera uniformément à l'eau.\u003cbr\u003e (…) Si nous pouvions reproduire ce processus de diffusion d’encre dans le sens inverse, nous pourrions revenir d’un état où l’encre est uniformément mélangée à l’eau à un état où les lettres sont à nouveau écrites à l’encre.\u003cbr\u003e Autrement dit, l'idée est qu'en inversant le processus d'ajout de bruit à un objet d'ordre, en le détruisant progressivement et en le transformant en un désordre complet, nous pouvons créer de l'ordre à partir du désordre, c'est-à-dire le créer.\u003cbr\u003e \u003cbr\u003eDaisuke Okanohara est célèbre en tant que cofondateur de Preferred Networks, la plus grande licorne japonaise spécialisée dans l'IA, mais c'est aussi un auteur chevronné qui a écrit plus d'une douzaine d'ouvrages professionnels et qui est reconnu pour « fournir un contexte riche autour de la technologie ».\u003cbr\u003e Grâce à ses explications claires et précises, comprenons mieux la structure de l'IA générative, qui est au cœur de l'informatique actuelle. \u003cbr\u003e\n\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate d'émission :\u003c\/strong\u003e 13 mai 2025\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 132 pages | 170 × 225 × 8 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791194587231 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893405089834,"sku":"140202","price":30.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/6c82ceef82117ea3e1d0c82e393fce7e.jpg?v=1765400589","url":"https:\/\/librairie.coreenne.fr\/products\/140202","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}