Vidéos
CONTENU ASSOCIÉ
L’intelligence artificielle
Les réseaux de neurones
Exemples d’IA en simulation
Présentation
3. Exemples d’IA et conclusion
Quelques exemples d’IA et conclusion sur les points clefs et l’évolution à venir de la technologie.
3.1. Quelques exemples
Dans cette partie nous allons voir quelques exemples d’utilisations.
3.1.1. Vérifier si un pneu est conforme (Prédire)
Les données :
On prend en image un pneu à l’aide de différents capteurs de type vision
Puis on entre ces dernières dans un réseau de neurones entrainés
Les résultats :
On obtient en résultat la probabilité que le pneu soit conforme
– Si la probabilité est inférieure à un certain seuil, le pneu part en correction
– Si elle est supérieure à un certain seuil, le pneu est bon
– Et si la probabilité est entre ces deux seuils, on envoie le pneu vers un opérateur qui apportera son expertise
Remarque :
On n’aura jamais une probabilité de 100%, mais un réseau de neurones correctement entrainé donne généralement de meilleurs résultats qu’un humain
L’expertise de l’opérateur donne la cible que l’IA aurait dû atteindre. Enregistrées avec l’image du pneu qui était incertaine, ces dernières peuvent être réutilisé lors d’un nouvel entrainement du réseau de neurones afin d’entrainer l’IA à reconnaitre ces cas de figures les prochaines fois
Des échantillons peuvent être prélevés après le passage de l’IA pour vérifier manuellement la fiabilité de cette dernière dans le temps
3.1.2. Reconnaitre un défaut sur un pneu (Classifier)
Les données :
On reprend l’image du pneu effectué à l’aide de différents capteurs de type vision
Puis on entre ces dernières dans un réseau de neurones entrainés
Les résultats :
On obtient en résultat les probabilités que le pneu ait chacun des défauts référencés
Cela permet de classer le pneu en fonction des différents résultats obtenus
3.1.3. Commander une machine (Contrôle)
Les données :
En entrée de l’IA il y a la / les mesure(s) effectuée(s) sur la machine ou le produit
Les résultats :
On obtient en résultat une commande à exécuter sur la machine permettant de faire l’action la plus optimale possible
L’action :
La commande est envoyée à la machine pour effectuer l’action
On détermine le résultat de l’action effectué avec des mesures
Remarque :
Beaucoup de systèmes étant complexes, il faut généralement un réseau de neurones complexe (Deep Learning) pour le comprendre ainsi qu’une phase d’entrainement importante
Pour pallier cela, il est possible de développer une IA algorithmique calculant de façon logique le résultat voulu (régulation PID, Grafcet, calcul, algorithmes adaptatifs…)
3.2. L’évolution de l’IA dans le futur
Dans cette seconde partie nous allons voir les prévisions de l’IA pour le futur.
3.2.1. Evolution du chiffre d’affaires prévisionnel :
Analyse :
On peut voir sur ces deux courbes que la croissance prévisionnelle est très forte
Le plus gros investisseur est l’Amérique, suivi de l’Asie (Chine et Corée du sud) puis de l’Europe
Tous les secteurs d’activité vont être touchés par l’intégration de cette technologie
Remarque :
À noter qu’en 2016 on s’attendait à atteindre les 11,1 milliards de bénéfices en 2024. On devrait dépasser cette valeur cette année (en 2019, date de création de cette présentation). Cela montre l’évolution rapide du marché
3.2.2. Répartition géographique des bénéfices économiques pour 2030 :
Analyse :
On peut voir sur cette carte que presque la moitié des bénéfices économique apporté par l’IA devrait se retrouver en Chine avec 7 000 milliards de dollars
En deuxième position se trouvent les Etats-Unis avec 3,7 et en troisième l’Europe du Nord avec 1,8
Remarque :
En 2018 on a passé la barre des 1 200 milliards de bénéfices économiques, en 2030 en dépassera la barre des 15 700 milliards
La société de stratégie Roland Berger a estimé que si l’Europe prenait le tournant de l’IA, nous pourrions faire + 1 250 milliards de bénéfice d’ici 2030, mais que si nous échouions nous perdrions 605 milliards notamment du fait de notre perte de compétitivité face à la concurrence
3.3. A retenir
Dans cette troisième partie nous allons conclure avec quelques points importants à retenir.
3.3.1. Prédire, Classifier et Contrôler :
- L’intelligence artificielle est puissante mais pour la mettre en œuvre il va falloir développer les compétences des équipes
- Elle nécessite une grande quantité de données pour l’apprentissage
- Et d’avoir un réseau de neurones correctement configuré pour atteindre les objectifs voulus
- Pour cela il faut tester différents réseaux de neurones afin de valider le plus performant
- Il faut faire attention que le réseau généralise suffisamment le système pour détecter correctement les features importantes sans surapprendre
- La création des réseaux de neurones est simplifiée par des bibliothèques
