Et si l’IA était plus accessible que ce qu’on pensait ?
Je vous en parlais dans cet article, les inconvénients de l’intelligence artificielle sont nombreux.
Alors tout de suite, vous vous dites « On ne peut juste pas utiliser tout ça, c’est fini, c’est réservé à une poignée d’élites. »
J’ai une bonne nouvelle pour vous. Et cette bonne nouvelle ce sont les outils open source d’intelligence artificielle. Ces nouvelles solutions démocratisent la pratique et permettent de s’en sortir sans avoir suivi un PHD en data science à Stanford.
Python est le langage par excellence de l’intelligence artificielle. Et c’est aussi le 2e langage de programmation le plus utilisé au monde !
D’abord, sa syntaxe très simple le rend accessible par des personnes sans profil ingénieur. Ensuite, il est flexible : en tant que langage dynamique, aucune règle figée ne bride le développement de fonctionnalités ou la résolution de problèmes. Enfin, de par sa popularité, on trouve quantité de ressources pour éviter de partir de zéro, comme les fameuses librairies d’IA open source.
Ces fameuses librairies de deep learning recensent plusieurs algorithmes, proposés en open source, par des acteurs plus avancés sur ces sujets.
TensorFlow et Pytorch sont les plus connues, tandis que d’autres librairies plus spécifiques font aussi leur apparition, comme Huggingface, la librairie nlp (traitement du langage), Prohet pour la prédiction de séries temporelles par Facebook ou encore l’algorithme H3 de géolocalisation d’Uber.
Grâce à cette technologie, vous accédez à un très grand nombre d’algorithmes déjà entraînés pour vous !
Mais pourquoi les entreprises mettent-elles gratuitement leurs librairies à disposition ? Revenons sur l’exemple de TensorFlow.
Aujourd’hui, les smartphones et les ordinateurs actuels ont un niveau d’intelligence équivalent à celui d’un enfant de 4 ans, et Google souhaite faire évoluer l’IA rapidement. C’est pourquoi, l’entreprise a mis en open source TensorFlow, leur outil d’IA, en espérant que les développeurs du monde entier le fassent évoluer.
Si seules les équipes de Google utilisaient TensorFlow alors ils seraient déjà capables d’entrainer X fois l’algorithme tous les jours. Mais si des centaines d’applications l’utilisent en plus de Google, c’est autant de nouvelles possibilités d’entrainements et donc une évolution beaucoup plus rapide..
Les équipes de Google l’utilisent notamment pour la reconnaissance vocale dans l’application Google, pour Smart Reply dans Inbox pour Gmail, pour la recherche dans Google Photos et dans la recherche web avec RankBrain.
Il s’agit d’une librairie codée en Python qui fournit une API pour les utilisateurs qui voudraient utiliser des techniques de machine learning. Ce sont en fait des fonctions mathématiques et de méthodes de calcul qui permettent de développer des fonctions d’apprentissage par la machine à adapter à chaque cas de figure.
Une fois que vous accédez à la librairie d’IA open source, vous avez deux options.
Soit vous utilisez un algorithme déjà entraîné.
Par exemple, si vous souhaitez différencier des chiens et des chats, vous pouvez facilement utiliser un algorithme existant.
Soit vous utilisez le transfert learning.
Vous utilisez un algorithme entraîné pour une tâche qui n’est pas forcément la même que celle pour laquelle il a été créé. Vous allez donc l’entraîner pour votre cas spécifique.
Si un algorithme peut reconnaître des objets sur une image, alors il peut aussi distinguer des voitures jaunes de voitures rouges.
Par exemple, les algorithmes GPT 3 dont je parlais dans cet article comprennent globalement le texte et peuvent donc être utilisés pour de la traduction, de la rédaction de résumé ou de la prédiction de mots.
Aujourd’hui, vous pouvez déjà utiliser des logiciels d’analyse poussée, comme Dataiku, qui permettent de coordonner toutes les tâches liées à l’intelligence artificielle : entraînement, prédiction et mise à disposition.
L’objectif est de faciliter la mise en production.
Si vous ne savez pas quel algorithme utiliser pour répondre à votre problématique, ces outils permettent aussi de pratiquer l’auto Machine Learning. Vous leur indiquez simplement ce que vous cherchez à faire et ils testent algorithmes et paramètres pour vous trouver la meilleure solution.
Toutefois, les logiciels d’analyse ne sont pas encore totalement accessibles aux plus novices.
C’est pour cette raison que je vous présente dans mon dernier article de la série, les solutions SaaS dédiées à l’intelligence artificielle réellement accessibles.
Vous vous demandez quels types de métiers nos étudiant.e.s font après Le Wagon ? Découvrez
Après avoir suivi la formation du Wagon à Marseille en 2017, Benjamin lance Hosman avec
Les meilleurs conseils de développeurs expérimentés aux gradués du Wagon Montréal
Et si vous profitiez de votre weekend pour coder votre première page web ? On
Giovanni a grandi et habite à Genève. Génération Z il a toujours été
Lundi 6 avril, 65 étudiant.e.s des batches #400 et #401 en développement web faisaient leur
