EXPERIENCE AI

Atelier Découverte de l’Intelligence Artificielle

EXPERIENCE AI

Atelier Découverte de l’Intelligence Artificielle

& Témoignage métier

QUI SOMMES-NOUS ?

Animateur - Animatrice

Magic Makers

​

​

Partie 1

​

L’intelligence artificielle

​

​

DE QUOI ALLONS-NOUS

PARLER ?

Discussion

Qu’est ce que l’IA ?

• Est-ce que vous avez déjà entendu parler de Machine learning ? Apprentissage machine ?

Où se trouve l’IA dans notre quotidien ? Est-ce qu’il y a de l’IA autour de nous ?

​

Que peut-on faire avec ?

Discussion

L’ IA autour de nous

​

Reconnaissance faciale

Chat Bot

​

Assistant⸱e⸱s virtuel⸱le⸱s

Reconnaissance de caractères

Aide à l’imagerie médicale

Recommandations d’achats

• C’est quoi des neurones ? Un réseau ? Et donc un réseau de neurones ?

​

• Comment fonctionne l’IA ?

​

• Comment est-ce que l’IA apprend ?

​

Mais au fond… c’est quoi l’IA ?

Partie 2

​

Expérimentation

​

A vous de jouer !

​

​

Expérimentation #1

entraînons une machine à jouer à un jeu !

Le jeu de Nim (ou des allumettes)

La machine devient-elle imbattable ?

Est-elle intelligente ?

→ 6 allumettes + 2 adversaires �

• Chacun son tour
• On prend 1 ou 2 allumettes
• Pour gagner : prendre la dernière allumette

Expérimentation #2

entraînons un programme à reconnaître

des images !

À quoi cela pourrait-il servir ?

A vous !

Entraînons un programme à reconnaître des images !

1. Va sur https://fr.vittascience.com/ia/images.php
2. Clique sur “commencer”
3. “Projets images”
4. Renomme “Catégorie 1” en chats et “Catégorie 2” en poires (ou autres catégories)
5. On va importer des images de chats et de chiens
6. Puis on va entrainer le modèle
7. Pour le résultat, sélectionne “fichier” et on va importer l’image d’un chat ou d’un chien, que l’on n’a pas mis dans l’entrainement de notre IA.
8. On analyse le résultat

Mais pourquoi ?

Pomme

Banane

• Les modèles sont entraînés avec des données d’exemples
• Ces données sont regroupées en catégories, elle sont étiquetées

Nous avons créé un modèle avec des données d'entraînement

Mais pourquoi ?

Pomme

Banane

Maintenant, nous utilisons ce modèle !

Mais pourquoi ?

Pomme

Pomme

Pomme

Banane

Prédiction du modèle :

???

Les étapes d’un modèle ?

Expérimentation #3

​

Quick Draw

https://quickdraw.withgoogle.com/

Partie 3

​

Place des femmes

dans la tech

​

​

​

Exemples - reconnaissance de visages

Joy Buolamwini

TED talk

Des biais discriminants dans la vie de tous les jours ?

Des représentations genrées qui influencent des choix techniques ?

Exemples - sécurité routière

NBC News

Selon une enquête de 2019, lors d’un accident de voiture, les femmes auraient :

• 47 % plus de risques d’être grièvement blessées,
• 71 % de l’être légèrement
• 17 % plus de risques de mourir que les hommes

Génération d’images

Premiers résultats du prompt :

“ Someone playing football ”

​

​

​

​

​

avec Craiyon.com

Exemples de biais

Génération d’images

Résultats du prompt :

“ Someone doing chores ”

​

​

​

​

​

avec Craiyon.com

Exemples de biais

Exemples - reconnaissance de voix

​

Biais dans la détection de voix pour une montre

Des représentations genrées qui influencent des choix techniques ?

Exemples - la traduction automatique

En finnois, il n’existe pas de pronoms genrés (il ou elle), il n’existe que le neutre.

La traduction automatique de Google Traduction nous réserve quelques surprises...

Des outils qui ne verraient

jamais le jour ?

Quelles sont les limites des IA que nous venons de tester ?

Il faut être prudent avec les données, il y a 2 grands types de biais / d'erreurs possibles:

• Biais de données ou biais statistiques : ils concernent les données (mauvaise préparation, manque de représentativité…)

​

• Biais sociétaux ou cognitifs :

ils concernent les biais humains qui sont reproduits, voire accentués dans les modèles

​

Les biais sociétaux se produisent lorsque les données utilisées pour entraîner un modèle reflètent les préjugés qui existent dans la société.

Les biais sociétaux

Les biais de données

Les biais de données découlent de l’utilisation de données qui ne représentent pas exactement ce qui est modélisé.

Avons-nous utilisé assez de données ?

Avons-nous utilisé les « bonnes » données ?

Avons-nous utilisé des données représentatives de la diversité des possibles ?

Les biais des IA

Ce n’est pas l’IA qui fait des erreurs mais ceux qui la programment.

​

Les IA sont conçues et entraînées pour produire du contenu probable et non pas du contenu véridique.

Ne pas oublier :

Des solutions face à cela ?

Partie 4

​

Témoignage Métier

​

​

​

​

Merci de votre

attention !

​

A bientôt !