IA, ML et DL

– Déverrouiller les jargons

Comment cela se rapporte
au cerveau humain ?

  • L’Intelligence Artificielle copie le comportement humain, notre façon de penser, de travailler et de fonctionner.
  • L’apprentissage automatique apprend aux ordinateurs à penser comme nous, les humains.
  • Deep Learning est un logiciel qui imite les réseaux de neurones dans un cerveau humain. Il s’améliore tout seul avec l’expérience et en utilisant des données historiques.

ARTIFICIEL
INTELLIGENCE:

ARTIFICIEL
INTELLIGENCE:

Depuis l’évolution de la technologie, les humains ont voulu des machines
travailler sur l’automatisation sans aucune aide extérieure. L’IA tombe
en trois catégories :

INTELLIGENCE ARTIFICIELLE ÉTROITE (ANI) :

ANI ou Weak AI est programmé pour se concentrer sur une tâche étroite. Il peut même effectuer une tâche en temps réel, mais ils ont la capacité de n’extraire des informations que d’un ensemble de données spécifique.

INTELLIGENCE GÉNÉRALE ARTIFICIELLE (IAG) :

C’est l’intelligence hypothétique d’une machine qui a la capacité de comprendre n’importe quelle tâche intellectuelle que les humains peuvent comprendre.

SUPER INTELLIGENCE ARTIFICIELLE (ASI):

C’est l’IA hypothétique qui n’imite tout simplement pas l’intelligence humaine, mais qui possède une intelligence bien supérieure à celle des esprits humains les plus brillants et les plus intelligents.

Depuis l’évolution de la technologie, les humains ont voulu des machines
travailler sur l’automatisation sans aucune aide extérieure. L’IA tombe
en trois catégories :

INTELLIGENCE ARTIFICIELLE ÉTROITE (ANI) :

ANI ou Weak AI est programmé pour se concentrer sur une tâche étroite. Il peut même effectuer une tâche en temps réel, mais ils ont la capacité de n’extraire des informations que d’un ensemble de données spécifique.

INTELLIGENCE GÉNÉRALE ARTIFICIELLE (IAG) :

C’est l’intelligence hypothétique d’une machine qui a la capacité de comprendre n’importe quelle tâche intellectuelle que les humains peuvent comprendre.

SUPER INTELLIGENCE ARTIFICIELLE (ASI):

C’est l’IA hypothétique qui n’imite tout simplement pas l’intelligence humaine, mais qui possède une intelligence bien supérieure à celle des esprits humains les plus brillants et les plus intelligents.

EXEMPLES D’APPLICATIONS

  • L’analyse sentimentale aide à comprendre les réactions des clients
  • Les logiciels de vérification grammaticale comme Grammarly & ProWritingAid utilisent l’IA
  • Reconnaissance faciale, d’empreintes digitales et vocales qui améliore nos systèmes de sécurité
  • RPA automatise les tâches banales et répétitives, réduisant ainsi la charge de travail
  • La technologie NLP d’IA permet de détecter l’urgence dans le texte, aidant ainsi les équipes CS

ALGORITHMES

Méthodes acteur-critique, gradient de politique déterministe profond multi-agents (MADDPG), Q-Learning, REINFORCE.

MACHINE
APPRENTISSAGE:

MACHINE
APPRENTISSAGE:

Les systèmes ML apprennent et s’améliorent automatiquement à partir de l’expérience sans avoir
à programmer. Il est basé sur la prémisse que les systèmes peuvent apprendre des données,
identifier les modèles et prendre des décisions avec peu ou pas d’intervention humaine. ML
est le meilleur choix lorsqu’il s’agit d’analyser, de comprendre et d’identifier
modèles dans les données.

EXEMPLES D’APPLICATIONS

  • Des services comme Uber et Lyft minimisent les détours pour les trajets en taxi partagé.
  • La section “Personnes que vous connaissez peut-être” sur Facebook
  • Les chatbots prennent la place d’un cadre CS. À chaque interaction, il devient plus intelligent et sert mieux.
  • Prédictions de trafic sur Google Maps
  • Les recommandations de films que vous obtenez sur votre compte Netflix

ALGORITHMES

Analyse des sentiments, machines à vecteurs de support, régression linéaire, clustering K-means, régression logistique, etc.

PROFOND
APPRENTISSAGE:

PROFOND
APPRENTISSAGE:

Il imite le réseau de neurones du cerveau humain. Si un modèle ML prédit quelque chose de manière erronée, le programmeur doit le corriger, mais dans le cas de l’apprentissage en profondeur, il se corrige lui-même. Deep Learning utilise des réseaux de neurones à plusieurs couches pour résoudre les problèmes les plus difficiles.

EXEMPLES D’APPLICATIONS

  • Les voitures autonomes sont une conséquence de l’apprentissage en profondeur
  • Watson d’IBM est connu pour ses recommandations très précises dans les traitements contre le cancer
  • Traducteurs de langue
  • Offrir des expériences personnalisées sur les sites de commerce électronique
  • Identifier les troubles du langage et de la parole chez les enfants avant même la maternelle

ALGORITHMES

Réseaux de neurones récurrents (RNN), réseaux siamois, réseaux de mémoire à long terme (LSTM), apprentissage par transfert, réseaux de neurones convolutifs (CNN), transformateur, etc.

LA TAILLE DU MARCHÉ

LA TAILLE DU MARCHÉ

La taille du marché de l’IA devrait atteindre 733,7 milliards de dollars d’ici 2027.

Le marché de l’apprentissage automatique devrait atteindre 47,29 milliards de dollars d’ici 2027, avec une croissance à un TCAC de 44,9 % de 2020 à 2027.

La taille du marché de l’apprentissage en profondeur sera de 10,2 milliards de dollars d’ici 2025, selon les estimations.

La taille du marché de l’IA devrait atteindre 733,7 milliards de dollars d’ici 2027.

Le marché de l’apprentissage automatique devrait atteindre 47,29 milliards de dollars d’ici 2027, avec une croissance à un TCAC de 44,9 % de 2020 à 2027.

La taille du marché de l’apprentissage en profondeur sera de 10,2 milliards de dollars d’ici 2025, selon les estimations.