L’intelligence artificielle existe-t-elle vraiment ?
- Session scientifique du mardi 29 juin, coordonnée et animée par Alexandre Gramfort
Keynote
Luc Julia, directeur scientifique chez Renault
En tant que Directeur Technique et SVP Innovation à Samsung, Dr. Luc Julia a défini et conduit la stratégie du groupe pour l’IoT et se consacre maintenant à rendre ces objets intelligents. Luc a dirigé Siri chez Apple, été Directeur Technique chez HP et a cofondé plusieurs startups dans la Silicon Valley dont ORB Networks où il a inventé le place shifting. Il a débuté sa carrière au SRI International où il a fondé le Computer Human Interaction Center et a participé à la création de Nuance Communications aujourd’hui leader mondial de la reconnaissance de la parole. Luc est diplômé en Mathématiques et Informatique de l’Université Pierre et Marie Curie de Paris et a obtenu un doctorat à l’École Nationale Supérieure des Télécommunications de Paris. Il est aujourd’hui membre de l’Académie des technologies. Il est l’auteur du best-seller L’Intelligence Artificielle n’existe pas, titulaire de plusieurs dizaines de brevets et reconnu comme l’un des 100 développeurs français les plus influents du monde numérique.
Intervention : L’intelligence artificielle n’existe pas
Malgré une histoire chaotique et bien que la discipline existe depuis les années 50, l’« intelligence artificielle » est revenue en force dans la dernière décennie. Mais telle qu’elle est présentée, cette « intelligence artificielle » amène son lot de promesses irréalistes dignes des meilleurs films d’Hollywood, permettant à quelques charlatans de nous faire croire que les machines pourraient un jour prendre le pouvoir et nous réduire pratiquement à néant. Mais surtout de nous faire courir le risque, soit par peur, soit par dépit, d’abandonner toutes les recherches dans ce domaine et de menacer les avancées dans des disciplines telles que le machine learning ou le deep learning qui seraient stoppées en plein élan, alors qu’elles n’en sont qu’à leurs balbutiements et qu’elles apporteront encore beaucoup à l’humanité…
Présentations scientifiques
1. Vision par ordinateur : défis et contributions
Elisa Fromont
Professeure des universités
Université de Rennes 1, IUF, IRISA UMR CNRS 6074
Chercheuse au sein de l’équipe-projet Lacodam
Inria Rennes – Bretagne Atlantique
Résumé : L’analyse de scènes extérieures est un problème de vision par ordinateur difficile à résoudre pour de nombreuses raisons liées au coût et à la rareté des données étiquetées pour certaines tâches, à la variabilité des données extérieures ou aux défis techniques auxquels on peut être confronté lorsqu’on fusionne les informations provenant de plusieurs capteurs. Cet exposé passera en revue ces défis et proposera quelques contributions pour les relever.
2. Apprentissage fédéré et décentralisé : avancées et défis
Aurelien Bellet
Chercheur au sein de l’équipe-projet Magnet
Inria Lille – Nord Europe
Université de Lille, UMR CNRS 9189 CRIStAL
Résumé : L’apprentissage fédéré (federated learning) est un paradigme récent en apprentissage automatique dans lequel plusieurs participants (par exemple, des appareils mobiles ou des organisations) entraînent un modèle de façon collaborative sans partager leurs données. L’apprentissage fédéré incarne le principe de minimisation de la collecte de données, et peut atténuer les risques et coûts systémiques liés au respect de la confidentialité dans les approches traditionnelles centralisées d’apprentissage automatique et de science des données.
Dans cet exposé, je présenterai les grands principes de l’apprentissage fédéré ainsi que quelques avancées récentes, et discuterai des principaux défis qui restent encore à relever.
3. Sécurité de l’apprentissage profond : les exemples adversaires en classification d’images
Teddy Furon
Chercheur au sein de l’équipe-projet Linkmedia
Inria Rennes – Bretagne Atlantique
Université de Rennes, CNRS, IRISA
Résumé : Les exemples adverses sont des perturbations à peine perceptibles appliquées à des données en entrée d’un algorithme pour en modifier la sortie de façon arbitraire. Cette extrême sensibilité des réseaux de neurones est une vulnérabilité quand ceux-ci sont utilisés à des fins de sécurité. Comment peut-on parler d’intelligence artificielle si on peut leurrer ces algorithmes si facilement ? L’exposé brosse un panorama où des pistes d’explications et des contre-mesures sont évoquées.
4. Apprentissage par essai-erreur en quelques essais
Jean-Baptiste Mouret
Chercheur au sein de l’équipe-projet Larsen
Inria Nancy – Grand Est
CNRS, Université de Lorraine
Résumé : La plupart des algorithmes d’apprentissage par essai-erreur (apprentissage par renforcement) nécessitent des milliers d’essais pour trouver une politique capable de prendre des décisions. Ces algorithmes fonctionnent bien lorsque des simulateurs rapides et fidèles sont disponibles, mais pas pour des systèmes réels (e.g., robots) ou avec des simulateurs coûteux (e.g., mécanique des fluides). Dans cet exposé nous nous intéresserons aux algorithmes pour apprendre en très peu d’essais et nous soulignerons l’importance d’intégrer explicitement les connaissances a priori.
