L’être humain peut-il externaliser son « intelligence » ?
-
Doc. : Cours IA
Doc. : Cours IA
L’objectif de cette séance est de montrer comment on peut apprendre à un modèle d’apprentissage à reconnaître une position. Le logiciel utilisé est Teachable Machine et l’apprentissage aura pour objectif de faire en sorte que le logiciel puisse déterminer si on se tient droit, ou si on est incliné vers la gauche ou vers la droite.
Accéder au logiciel en ligne
Cliquer sur « Commencer ».
Choisir « Projet posture ».
Trois postures doivent être définies : - « Sans inclinaison », - « Inclinaison à gauche », - « Inclinaison à droite ».
Renommer la classe d’apprentissage « Class 1 » en « Sans inclinaison » et la classe d’apprentissage « Class 2 » en « Inclinaison à gauche ».
Ajouter une classe d’apprentissage et la renommer en « Inclinaison à droite ».
Sélectionner la webcam de la classe « Sans inclinaison ».
Se rendre dans la partie « configuration » (icône en forme de roue dentellée) et désactiver « Maintenir pour enregistrer ».
Enregistrer les paramètres.
Assis sur sa chaise, se tenir droit et lancer l’enregistrement.
Il est possible d’un petit peu bouger pendant l’enregistrement.
Sélectionner la webcam de la classe « Inclinaison à gauche ».
Lancer l’enregistrement et effectuer des petits mouvement en se penchant vers la gauche, en restant assis sur sa chaise.
Attention à toujours rester dans le champ de la caméra.
Sélectionner la webcam de la classe « Inclinaison à droite ».
Lancer l’enregistrement et effectuer des petits mouvement en se penchant vers la droite, en restant assis sur sa chaise.
Attention à toujours rester dans le champ de la caméra.
Dans la partie « Entraînement », cliquer sur « Entraîner le modèle » et attendre que l’apprentissage se termine.
Tester le modèle. Ce modèle fonctionne-t-il correctement ?
Se lever et reculer, tout en restant dans le champ de la caméra. Effectuer de nouveaux tests. Le modèle fonctionne-t-il toujours correctement ?
Comment faire en sorte que le modèle fonctionne aussi si on est debout ?
Effectuer les modifications dans l’entraînement du modèle et le tester à nouveau.
Se faire remplacer par une autre personne. Le modèle fonctionne-t-il toujours aussi bien ?
Différentes méthodes sont ici présentées dans des contextes simples (nombre limité de données). L’objectif pédagogique est de faire comprendre les méthodes mathématiques utilisées dans un cadre beaucoup plus complexe (notamment quant au nombre de données utilisées) en intelligence artificielle.
Cette méthode repose sur un traitement statistique des données :
| Année | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Prix | 4562 | 5270 | 5400 | 6020 | 6460 | 7360 | 8090 | 8840 | 9830 | 10100 | 9690 | 11870 | 12400 | 12250 | 11820 | 11280 | 12150 | 12320 | 12530 | 13880 |
Évolution du prix du mètre carré dans le 6ème arrondissement de Paris (année 0 en 2000).
Les données antérieures à l’année 2020 constituent des données à partir desquelles on détermine l’équation d’une courbe approchant les données.
Tracer le nuage de points à l’aide d’un tableur.
Justifier qu’il peut être ajusté par une droite.
Lorsqu’un nuage de points peut être ajusté par une droite, on parle de régression linéaire.
Établir les caractéristiques de la courbe de tendance (de la droite donc).
Estimer le prix du mètre carré dans le 6ème arrondissement en 2020.
De la même façon, estimer le prix du mètre carré dans le 6ème arrondissement en 1999.
La droite d’ajustement est la droite qui passe par des valeurs aux points de mesures au plus près des vraies valeurs mesurées, dans un sens mathématique bien précis, celui des moindres carrés. Si on note l’équation de la droite, on veut minimiser la somme des carrés des différences entres les vraies valeurs et leurs prédictions par la droite , soit trouver et qui minimisent .
Il convient de remarquer que la plupart des algorithmes d’apprentissage consistent à déterminer les valeurs des paramètres pour minimser l’erreur effectuée par la fonction de classification ou de régression qui est en train d’être apprise : on parle d’optimisation.
On suppose que les données d’apprentissage sont classifiées en deux catégories ( et ). On veut placer dans l’une ou l’autre de ces deux catégories une donnée nouvelle. Pour cela, on calcule sa distance à chacune des données déjà étiquetées et on lui attribue la catégorie de son plus proche voisin.
On se propose de répartir en deux catégories (Maligne, Bénigne) des tumeurs du sein dont on connaît un certain nombre de caractéristiques. Dans la réalité, un tel diagnostic automatique est effectué à partir de données d’apprentissage portant sur une cinquantaine de caractéristiques mesurées sur un échantillon d’un millier de tumeurs déjà étiquetées « Maligne » ou « Bénigne ». Dans un souci de simplification, on se restreint ici à 2 caractéristiques (diamètre et concavité) mesurées sur un panel de 10 patientes.
| Diamètre moyen (mm) | Concavité moyenne | Catégorie |
|---|---|---|
| 13,2 | 8,3 | Bénigne |
| 18,7 | 19,7 | Bénigne |
| 8,2 | 15,9 | Maligne |
| 13,2 | 9 | Bénigne |
| 13,5 | 4,8 | Maligne |
| 11,8 | 1,7 | Maligne |
| 13,6 | 1,9 | Maligne |
| 12 | 2 | Maligne |
| 18,2 | 17,7 | Bénigne |
| 12 | 6,6 | Maligne |
On considère une nouvelle tumeur de diamètre et de concavité connues et on cherche à savoir si elle est maligne ou bénigne.
On cherche parmi les données (triangles rouges pour les tumeurs malignes et losanges bleus pour les tumeurs bénignes) celle qui est la plus proche de la nouvelle donnée à catégoriser (point vert). On lui attribue la catégorie de son plus proche voisin.
On considère une nouvelle tumeur ayant un diamètre de 10 mm et une concavité de 12. Comment l’algorithme la classe-t-elle ? Déplacer le point vert.
Sélectionner « Coloriage » et « Frontière », puis déplacer le point vert.
Peut-on mettre en évidence deux régions bien spécifiques de l’espace ?
La méthode peut être généralisée à plus proches voisins. Il suffit de considérer les voisins les plus proches, d’identifier la catégorie à laquelle appartient la majorité de ces voisins et d’affecter au nouveau point cette catégorie.