Apprentissage profond

Item

Title
Apprentissage profond
preferred label
Apprentissage profond
alternative label
Deep learning
Apprentissage par couches profondes
Deep learning
hidden label
apprentissages profonds
has exact match
https://www.wikidata.org/wiki/Q197536
http://ark.bnf.fr/ark:/12148/cb17706295v
has broader
Apprentissage machine
has related
Réseaux de neuronnes artificiels
Réseaux neuronaux antagonistes (RNA)
IA générative
definition
Technique d'apprentissage automatique utilisant des réseaux de neurones à de nombreuses couches pour extraire des représentations hiérarchiques complexes à partir de grandes quantités de données.
Item sets
Concepts et mots-clés
IA générative, puissances du faux et régimes d'authenticité

Linked resources

Items with "keywords: Apprentissage profond"
Title Class
La création au-delà de l’humain Conference
Items with "has top concept: Apprentissage profond"
Title Class
« [...] deux hypothèses de départ. Premièrement, les réseaux d'apprentissage profond sont des structures techniques computationnelles construites pour opérer en elles-mêmes sur des formes d'authenticité et d' "inauthenticité". Ces formes s'incarneraient dans des architectures de réseau des traitements et des fonctions mathématiques. » author self citation
« C'est un exemple assez emblématique qui a été créé au début des années 1990's, qui nous remet un peu en question d'ailleurs sur le caractère que nous avons un peu souvent l'impression que l'intelligence artificielle est arrivée avant hier. Mais en 1992, Nicolas Baginski, qui s'intéresse à la musique, un luthier et roboticien amateur - donc un peu self thought, autodidacte - , va réaliser, il s'intéresse aux systèmes appelés à l'époque le connexionnisme, les réseaux de neurones qui n'étaient pas des réseaux profonds, mais qui étaient tout de même des réseaux de neurones artificiels et capables d'apprendre jusqu'à un certain point. À la fin des années 1980's, il y a des publications qui émergent dans le domaine de l'informatique qui montrent qu'on peut entraîner des réseaux de neurones sur les partitions de musique. Ensuite, on peut les utiliser pour générer de nouvelles partitions. Donc, c'est déjà une forme qui vient du domaine de l'ingénierie, de créativité - pourrait-on dire- computationnelle. Puis, il y a une étude assez importante qui sort en 1989, je pense, qui porte sur la génération, à partir de musique blues. On entraîne une base de données de table de notations de composition de blues et on entraîne un réseau de neurones et ça génère... Et Baginski regarde cela et se dit que cela, ce n'est pas vraiment de l'art, ce n'est pas vraiment de la musique, ce n'est pas vraiment intéressant. Parce que la seule chose que cela peut faire, c'est créer encore plus de ce qui existe déjà. Donc, créer plus de blues qui va ressembler à d'autres formes déjà existantes. Il se dit que ce qui l'intéresse, c'est qu'il veut apprendre quelque chose sur la musique. Il veut dépasser la musique. Il y a peut-être aussi un sentiment ici, d'une certaine manière, de transhumaniste. Il va confier cette création de musique à des machines. Il créera Aglaopheme qui est le robot que vous voyez à l'écran. Son premier instrument dont il se garde de dire que c'est un robot qui joue de la guitare, c'est vraiment un robot-guitare. Parce qu'il n'a pas besoin d'un androïde qui viendrait jouer de la guitare. L'instrument lui-même est l'agent. » author self citation
« Et donc, petit à petit dans ce règne de l'apprentissage machine, dans ce règne du connexionnisme, des réseaux de neurone profonds, dans cet univers de corrélation sans cause, la créativité humaine va avoir une immense chance de retrouver sa fonction d'antidote, c'est-à-dire sa fonction de désapprentissage. Il ne s'agit plus de copier pour imiter, mais pour désapprendre ce qui existe, pour désapprendre une habitude, pour que simplement cette habitude n'entre pas dans le métier. Vous copiez, vous vous observez vous-mêmes comme une tendance, et ainsi on arrive à identifier un espace de liberté. Désapprendre, cet acte est totalement étranger à l'IA. Ça permet d'arpenter les limites de la reproductivité. Donc c'est cette capacité à interrompre une série, à s'extraire d'un genre, qui est vraiment le fait du désapprentissage, autrement dit de la créativité. » author self citation
« Là on assiste à quelque chose de marquant. En fait, parmi nos plus jeunes chercheurs, on gagne énormément de compétences en deep learning, et c'est intéressant parce que ce sont des gens qui sont capables de faire des réseaux formidables, on obtient des outils qui sont souvent beaucoup plus performants que ce qu'on avait avant, des possibilités de création comme on a vu ce matin, des choses très intéressantes. Et, à côté de ça, on perd réellement des compétences en mathématiques. Moi, ma formation, c'est de la vision par ordinateur, et il y a un temps où tout le monde savait calibrer des caméras du point de vue mathématique, alors que maintenant, dans les mêmes conférences, tout le monde sait faire du réseau, mais en fait c'est beaucoup de maths qui sont perdues en fait, personne sait comment calibrer une caméra. » author self citation
« Les deep fakes sont des contenus audio ou vidéo de synthèse qui vont avoir été modifiés en utilisant différentes techniques d'apprentissage profond, le fameux deeplearning en terme d'intelligence artificielle, pour créer des vidéos qui ont l'apparence d'être véridiques ou qui souvent auront été créés dans l'intention de tromper le public. » author self citation
« Les questions fondamentales qu'on veut se poser sur tout ce qui est l'intelligence artificielle, générative en particulier, on pose souvent la question : est-ce qu'on est capable de faire ça ou quand est-ce qu'on sera capable de faire ça? La réponse est toujours trop tôt, mais en fait ce n'est pas la bonne question, les bonnes questions sont : que sont les usages qu'on veut en faire, pourquoi et quelles sont les intentions que l'on y met. » author self citation
« Ne vous inquiétez pas, on ne va pas transférer nos esprits dans le cloud. Google ne va pas posséder un droit de copyright sur nos esprits demain matin. Par contre, il y a des problèmes, évidemment, très contemporains par rapport à l'intelligence artificielle. Et, évidemment, comme Maude (Bonenfant) le soulève, il s'agit tout de même d'un mouvement qui vient soutenir un ensemble de croyance dans la communauté qui prend diverses formes. Dans le monde de l'intelligence artificielle, il y a tout de même une forme, ça prend en ce moment, il y a un certain nombre de personnes du domaine qui croit que le deep learning (apprentissage profond) - donc la technologie qui a été développée qui explique le breakthrough (les progrès, les percées) du début des années 2000's et l'industrialisation rapide de l'intelligence artificielle à partir de 2010 - serait déjà, on aurait solutionné, soit-disant découvert, pas mal tous les éléments concernant qu'est-ce que c'est que l'intelligence humaine et que tout ce qui resterait à cette étape-ci, c'est d'avoir juste plus de données, une plus grosse capacité de calcul. C'est une pensée qui est assez répandue. » author self citation
« On est passé des méthodes qui étaient basées sur des modèles de signaux, donc de la connaissance humaine, formelle, scientifique, etc., petit à petit à des modèles d'apprentissage, aujourd'hui type réseaux de neurones, on a fait la bascule également au milieu des années 2010, et ce qu'on essaye de faire c'est justement réussir à accorder le meilleur des deux mondes entre la connaissance humaine et la compréhension, ou l'explicabilité, de ce qui est produit, et la magie, de l'autre côté, et justement de faire de la magie, mais de manière compréhensible pour l'artiste lui-même. » author self citation
« Ultimately, I kind of came to this realization that what I was trying to do was I was trying to train a generative model without modelling data which is an oxymoron, it's a complete contradiction. It took me about a year to really figure this out but once I did, that was quite helpful, quite constructive, it made me rethink the problem, reframe the research I was trying to do, and so then I started thinking: "ok, we're not trying to train something from scratch to do something that isn't modelling data, how do we just push or nudge a general model away from an existing data set?" So how do we take something that's already been trained, and how do we kind of move it in a direction. And I ended up—instead of looking at very theoretical statistics in cognitive science—just looking at the actual structure of the models and really just thinking about their component parts. How can we play around with this? The talk is kind of an hacker's guide, and I started taking a hacker's mentality to working with generative AI where I was really just trying to pull these things apart, figure out what you can do, figure out the unintended ways that you could use them, figure out ways of using them that you weren't really supposed to do. » author self citation
Items with "has broader: Apprentissage profond"
Title Class
Embedding Concept
Prédiction Concept
Items with "has related: Apprentissage profond"
Title Class
Réseaux de neuronnes artificiels Concept
Réseaux neuronaux antagonistes (RNA) Concept
Transformeurs Concept
Items with "a comme concept: Apprentissage profond"
Title Class
CASM: A Deep-Learning Approach for Identifying Collective Action Events with Text and Image Data from Social Media Academic Article
Items with "concepts et mots-clés reliés: Apprentissage profond"
Title Class
Après l’intelligence artificielle, l’éthique, les tics, l’esthétique Conference
Artful Intrusions—A Hacker's Guide to Generative AI Conference
Deepfakes ou synthèse vocale Conference
L'intelligence artificielle générale, une théorie du complot ? Conference
L’intelligence est forcément artificielle: peurs déplacées et dangers ignorés Conference
Mesonet : Détecter la falsification de vidéos deepfakes Conference

Annotations

There are no annotations for this resource.