L'intelligence artificielle (IA) est la simulation du comportement humain intelligent. Il s'agit du software d'un ordinateur ou d'un système conçu pour percevoir son environnement, prendre des décisions et agir en conséquence. Créer un système d'IA performant impose de comprendre l'ensemble du workflow et de ne pas se contenter d'entraîner un modèle d'IA.
Fonctionnement de l'IA
Le terme « intelligence artificielle » est vaste et les concepts qu'il recouvre continuent de s'étendre, à mesure qu'un nombre toujours plus grand d'ingénieurs intègrent l'IA dans un large éventail d'applications, comme en témoignent certaines des applications les plus récentes, allant des voitures autonomes à la robotique en passant par le traitement du langage naturel. La manière dont ces applications implémentent l'intelligence artificielle varie, mais la technologie sous-jacente, en l'occurrence les modèles de Deep Learning ou de Machine Learning utilisés pour créer un système capable de prendre des décisions, reste la même.
Lorsque vous choisissez des algorithmes de Deep Learning ou de Machine Learning pour votre application d'intelligence artificielle, basez votre choix sur les objectifs et les exigences de votre système.
Comparaison entre le Machine Learning et le Deep Learning
Vous avez le choix entre différents modèles et techniques en fonction de l'application envisagée, du volume de données que vous avez à traiter et du type de problème que vous souhaitez résoudre. Le Machine Learning et le Deep Learning présentent tous deux des avantages uniques :
Le Machine Learning traditionnel permet l'apprentissage de divers classificateurs, tels que les machines à vecteurs de support (SVM) et les arbres de décision. Le Machine Learning permet également d'optimiser l'extraction des caractéristiques. Vous pouvez combiner différentes approches pour déterminer le meilleur arrangement pour les données.
Le Deep Learning est une forme spécifique de Machine Learning, qui automatise l'extraction de caractéristiques pertinentes à partir de données. Les réseaux de Deep Learning ont souvent une capacité de prédiction supérieure à celle des modèles de Machine Learning classiques, et leur précision s'améliore à mesure que la taille des données d'apprentissage augmente.
Essayez différents algorithmes de Machine Learning pour trouver celui qui correspond le mieux à votre modèle.
Que vous choisissiez le Machine Learning ou le Deep Learning, il faut que vous ayez la possibilité de tester différents algorithmes afin de choisir ce qui fonctionne le mieux pour votre application et vos besoins.
Concepts essentiels de l'IA
Un workflow d'intelligence artificielle robuste implique de comprendre vos données, de créer un modèle, ainsi que de concevoir et tester le système final sur lequel le modèle s'exécutera. Les sections suivantes décrivent les concepts importants de l'IA dont vous devez tenir compte pour intégrer l'intelligence artificielle à votre travail.
L'IA pilotée par les données
Les données sont au cœur de la majorité des applications d'intelligence artificielle. Partir de données brutes et les rendre utiles pour créer un modèle précis et pertinent représentera très probablement une part importante du temps que vous consacrerez à votre effort d'IA. La préparation des données requiert une expertise du domaine cible pour comprendre les caractéristiques essentielles des données, identifier les données sans importance et savoir quels événements rares doivent être pris en compte.
La préparation des données, jusqu'à l'obtention de données labellisées, représente souvent une étape fastidieuse et chronophage. Ce processus peut éventuellement inclure l'augmentation des jeux de données grâce à des données synthétiques et des échantillons supplémentaires, mais les ingénieurs doivent envisager d'accélérer l'obtention de données propres et labellisées en automatisant les efforts consacrés à la labellisation.
Modélisation de l'IA
Voici deux facteurs clés pour construire un modèle d'IA performant :
- Choisir un ensemble d'algorithmes : faut-il envisager du Machine Learning ou du Deep Learning ? Partir d'un ensemble complet d'algorithmes et de modèles prédéfinis vous donne déjà une longueur d'avance, car vous tirez parti du travail de la communauté globale de l'intelligence artificielle au lieu de partir de zéro.
- Itérer sur votre modèle : il s'agit d'identifier le jeu de paramètres optimal qui vous permettra d'obtenir le modèle le plus robuste et le plus précis. La création d'un modèle précis prend du temps. Heureusement, l'ajout de hardware (par exemple l'exécution sur un ou plusieurs GPU) peut accélérer de manière significative le temps d'apprentissage des modèles sur toutes les combinaisons possibles de paramètres, de données en entrée et de couches.
La simulation dans le design d'IA
Les modèles d'IA font généralement partie de systèmes larges et complexes. Par exemple, dans les systèmes de conduite autonome, l'intelligence artificielle dédiée à la perception doit s'intégrer aux algorithmes de localisation et de planification de la trajectoire, ainsi qu'aux commandes de freinage et d'accélération, et à bien d'autres composants. Ces éléments collaborent pour créer un système complet. Les systèmes complexes de ce type pilotés par l'IA nécessitent des efforts d'intégration et de simulation.
Pour voir l'IA en action : Détection du survirage dans les véhicules BMW avec le Machine Learning
L'intelligence artificielle est utilisée dans différentes parties de systèmes robotiques complexes.
C'est par le biais de la simulation que tout se met en place. Elle permet de vérifier que tous les éléments fonctionnent correctement ensemble. La simulation garantie que les résultats et les réactions correspondent à ce que vous attendez dans chaque situation. Cette phase vous permet également de valider le bon fonctionnement de votre modèle avant de le déployer sur du hardware.
Pour continuer à explorer ce sujet
Applications concrètes de l'intelligence artificielle
Compte tenu de l'utilisation répandue de l'intelligence artificielle dans de nombreuses applications, les exigences de déploiement sont multiples, que ce soit pour une ECU dans un véhicule, un système périphérique dans une usine chimique ou un système de diffusion en streaming basé dans le cloud recevant des données de plusieurs endroits. L'intelligence artificielle peut résider dans n'importe quelle partie de ces systèmes, de sorte que vos modèles doivent pouvoir être déployés et fonctionner sur toutes les plateformes possible.
Développer l'IA en entreprise avec MATLAB
Pour intégrer l'intelligence artificielle dans des systèmes, un grand nombre de facteurs doivent être pris en compte. Il est important que les ingénieurs ne se concentrent pas uniquement sur la création du modèle et qu'ils prennent en compte l'ensemble du workflow d'IA.
- Acquérir des données : interfacez-vous rapidement avec différents types de hardware d'acquisition de données, organisez de grands volumes de données ou générez des données synthétiques lorsque les données d'apprentissage disponibles sont limitées.
- Prétraiter et labelliser les données : créez plus rapidement des jeux de données de meilleure qualité grâce à des applications de prétraitement et de labellisation. Utilisez des applications low-code et des fonctions prédéfinies dans MATLAB® pour améliorer la qualité des données et labelliser automatiquement la vérité terrain.
- Construire un modèle d'IA : testez différents modèles et comparez les algorithmes de Machine Learning et de Deep Learning pour trouver la solution idéale pour votre application. Accédez à des centaines de modèles pré-entraînés, notamment des modèles provenant de TensorFlow™ et PyTorch®, et effectuez un apprentissage par transfert pour gagner du temps et économiser des ressources.
- Visualiser les décisions : améliorez la confiance accordée aux décisions de l'IA en utilisant des techniques d'explicabilité et en vérifiant la robustesse des modèles d'IA. Les méthodes telles que LIME, Shapley et Grad-CAM sont accessibles directement dans MATLAB, ce qui vous évite d'avoir à écrire ces fonctions manuellement.
- Simuler : effectuez l'intégration de vos modèles d'IA dans Simulink pour incorporer des fonctionnalités d'intelligence artificielle directement dans vos systèmes complexes. Cette intégration permet aux ingénieurs de simuler l'intelligence artificielle dans l'ensemble du système avant de déployer le modèle en production.
- Déployer en périphérie: identifiez et éliminez les erreurs de codage en générant automatiquement le code et en ciblant votre dispositif. MATLAB génère automatiquement du code pour votre hardware cible spécifique afin que vous puissiez intégrer vos modèles dans des systèmes d'entreprise, des clusters, des environnements cloud ou du hardware embarqué.
Les ingénieurs et les scientifiques sont les experts domaine apportant les informations essentielles à la réussite des projets d'IA. MATLAB donne les moyens aux ingénieurs et aux scientifiques d'utiliser l'intelligence artificielle dans leur domaine et favorise les collaborations entre les équipes et les organisations de différents secteurs.
Pour continuer à explorer ce sujet
L’intelligence artificielle est un logiciel ou un système capable de percevoir son environnement, de prendre des décisions et d’agir en conséquence.
Le Machine Learning regroupe des méthodes statistiques permettant aux systèmes d’apprendre à partir de données sans être explicitement programmés. Le Deep Learning est un sous-ensemble du Machine Learning qui utilise des réseaux de neurones pour automatiser l’extraction de caractéristiques à partir des données et offre généralement de meilleures performances, notamment avec de grands ensembles de données.
Le choix dépend des objectifs et des exigences de votre système, du volume de données et du type de problème à résoudre. En général, les algorithmes de Machine Learning conviennent bien aux jeux de données de petite taille, tandis que le Deep Learning est plus adapté aux ensembles de données volumineux et aux environnements disposant d’une forte puissance de calcul.
Un workflow d’IA efficace comprend l’analyse des données, la création du modèle ainsi que la conception et les tests du système final. Il inclut notamment la préparation des données, la modélisation, la simulation et le déploiement.
La préparation des données requiert une expertise métier pour identifier les caractéristiques essentielles et les événements rares. Disposer rapidement de données propres et correctement annotées est crucial, car cette étape représente une part importante du temps consacré aux projets d’IA.
La simulation permet de vérifier que tous les composants d’un système complexe fonctionnent correctement ensemble, de valider que les résultats sont conformes aux attentes dans différents scénarios et de valider les modèles avant leur déploiement sur matériel.
Selon leur taille, les modèles d’IA peuvent être déployés sur de nombreuses plateformes, telles que des calculateurs embarqués dans les véhicules, des systèmes en périphérie (edge) dans des environnements industriels ou des infrastructures cloud capables de traiter des flux de données provenant de multiples sources.
MATLAB permet aux ingénieurs de collecter et de préparer les données, de créer et comparer des modèles d’intelligence artificielle, d’interpréter les résultats grâce à des techniques d’explicabilité, de simuler l’IA au sein de systèmes complexes et de déployer les modèles sur des dispositifs embarqués via la génération automatique de code.
