WSAI 2018 - Amsterdam - The Age of AI Innovation

Après 2 jours passés à Amsterdam, pour la 2^ème édition du « World Summit AI », Le Lab @SQLI vous donne un aperçu des conférences ainsi que quelques enseignements.

Beaucoup d’entreprises sont déjà embarquées dans des projets IA, alors qu’attendez-vous pour y aller ? Les technologies sont maintenant matures et disponibles, et on peut prototyper rapidement pour pas très cher. Mais avant de se lancer, vous devez identifier un objectif clair et mesurable basé sur les indicateurs de performance de votre métier.  N’ayez pas peur, vous n’avez plus besoin d’un gros volume de données pour créer des modèles, itérer sur votre code et tester vos modèles.

C’est parti ! Collectez vos données, créez vos modèles, n’oubliez pas de les entraîner, et gardez en tête que votre IA n’est pas une boîte noire, qu’il faut la challenger et comprendre comment elle fonctionne.

Un service cloud d’IA derrière chaque appareil

Joseph Sirosh, CTO AI chez Microsoft, nous a présenté le travail de deux étudiants (Samin Khan et Hamayal Choudhry de l’Université de Toronto) initié pendant le Hackathon Microsoft Imagine Cup 2018. Grâce à leurs compétences combinées dans les domaines du computer vision, du machine learning (ML), et de l’électronique, ils ont été capables de créer une prothèse de bras connecté « SmartArm » pour moins de $100.

Figure 1. smartarm prototype

Comment ce bras connecté fonctionne-t-il ?

La caméra placée sur le prototype capture en continu la vidéo en direct depuis la paume de la main. Ce flux vidéo est traité par un Raspberry Pi qui calcule la forme géométrique en 3D de l’objet, à l’aide d’algorithmes (auto/ML), développé grâce au Machine Learning Studio de Microsoft Azure.

Différents types de préhension sont associés à différentes formes stockées en mémoire. Une fois la forme déterminée, le prototype sélectionne la prise correspondante qui permet à l’utilisateur d’interagir correctement avec l’objet.

Le prototype étant compatible avec le cloud, ses fonctionnalités ne se limitent pas aux modèles initialement chargés et aux prises pré-calculées. Au fil du temps, le bras peut apprendre à reconnaître différents types de formes et à effectuer une plus grande variété de prises sans avoir à modifier le matériel.

De plus, les utilisateurs ont la possibilité d’entraîner le bras à effectuer de nouvelles prises en envoyant des échantillons vidéo pour analyse et intégration.

Figure 2. microsoft ai – connected arm

Plus d’info : https://www.youtube.com/watch?v=XCwwspwXD9Q&t=316s

A retenir : la baisse du prix du matériel combinée à l’augmentation de l’offre d’IA dans le cloud (vous n’avez plus besoin de développer votre propre intelligence artificielle, vous pouvez vous servir dans le cloud), nous pousse à penser que nous aurons de plus en plus d’appareils connectés dopés à l’intelligence artificielle afin de faciliter notre quotidien, d’accélérer et d’automatiser les processus.

Un modèle d’IA doit optimiser une métrique métier pertinente

Figure 3. pandora – oscar celma (head of ai)- 5 lessons learned

Oscar Celma, responsable de l’IA chez Pandora, a présenté ses conclusions sur la mise en place d’un système de recommandations étendues. Il en a retenu 5 leçons :

# 1 Les signaux implicites des utilisateurs sont plus utiles que les signaux explicites

# 2 Ne pas toujours choisir le modèle le plus précis

# 3 Les modèles doivent optimiser une métrique commerciale pertinente

# 4 Les modèles d’expérimentation et de production doivent être les mêmes

# 5 L’expertise métier est fondamentale dans une équipe ML / AI

Nous avons retenu le n° 3 : « Les modèles doivent optimiser une mesure commerciale pertinente », qui est certainement le plus important de nos jours.

Oscar Celma a insisté sur la nécessité de choisir votre indicateur de performance clé avant de lancer une initiative d’intelligence artificielle, afin de maximiser l’impact de votre modèle d’IA sur le chiffre d’affaires. Dans l’exemple qu’il a partagé, il se concentre sur la « valeur vie client » sur leur plateforme de streaming musical, en analysant des données historiques pour évaluer le modèle d’IA, et prévoir l’activité (court terme : aime, zappe, écoute…) et la rétention (long terme : temps passé, jours actifs…).

A retenir : le potentiel des modèles d’IA est très vaste mais reste complexe à mettre en œuvre sur la chaîne de valeur de l’entreprise. Vous devez donc vous concentrer sur les principaux leviers de performance de l’entreprise.

Entraîner les modèles

L’entraînement d’un modèle d’IA est similaire à celui d’un athlète : plus on l’entraîne, plus les performances sont de haut niveau. Lors du World Summit AI, nous avons découvert différentes manières de former des modèles.

Figure 4. unity – ml-agents toolkit

Unity a développé un environnement virtuel et une boîte à outils (ML-Agents) pour automatiser l’entraînement des modèles d’IA. Danny Lange, VP IA chez Unity Technologies, a expliqué le principe de « l’apprentissage par renforcement » selon lequel un agent ML collecte des observations sur l’état de l’environnement, exécute une action et obtient une récompense pour cette action. Pour illustrer ce concept, il a présenté Puppo, un framework permettant de définir le comportement d’un NPC (Non-Player Character) dans un jeu vidéo.

Former un NPC en utilisant l’apprentissage par renforcement est assez similaire à la façon dont nous entraînons un chiot à aller chercher un bâton. Dans ce cas, l’environnement est la scène du jeu et l’agent est Puppo. Nous présentons au chiot une friandise puis jetons le bâton. Au début, le chiot se promène sans savoir quoi faire, jusqu’à ce qu’il finisse par prendre le bâton et le ramener, obtenant ainsi une friandise. Après quelques séances, le chiot apprend que récupérer un bâton est le meilleur moyen d’obtenir une friandise et continue de le faire.

C’est précisément ainsi que fonctionne l’apprentissage par renforcement pour former le comportement d’un NPC. Nous fournissons une récompense à notre NPC chaque fois qu’il accomplit une tâche correctement. Au travers de multiples simulations du jeu, le NPC élabore un modèle interne pour optimiser ses gains, ce qui aboutit au comportement idéal souhaité.

Plus d’info : https://www.youtube.com/watch?v=OxR1ZFFPnro

A retenir : Unity, avec cette boîte à outils, offre une alternative intéressante à l’automatisation de la formation des modèles d’IA pour le développement de jeux.

Lors d’un Tech Talk, Lucian Georghe, Responsable de la recherche en innovation chez Nissan, a présenté la nouvelle technologie Brain-to-Vehicle développée par Nissan Intelligent Mobility. Elle a pour but d’aider une voiture dotée de capacités autonomes à exécuter plus rapidement des manœuvres d’évitement grâce à la technologie des ondes cérébrales. En détectant si un conducteur est sur le point de freiner, de dévier ou d’effectuer un autre geste évasif, Nissan déclare que cette interface Brain-to-Vehicle pourrait aider une voiture à exécuter ces actions plus rapidement (entre 0,2 et 0,5 seconde de moins).

La technologie Brain-to-Vehicle est basée sur l’activité qui précède le mouvement intentionnel (par exemple la direction), appelée « potentiel cortical lié au mouvement » (MRCP). Elle est également basée sur l’activité qui révèle la différence entre les attentes du conducteur et ses expériences, connue sous le nom de « potentiel lié à une erreur » (ErrP). Cette activité d’ondes cérébrales est mesurée à l’aide d’un casque muni d’électrodes porté par le conducteur, puis analysée et interprétée pour une mise en œuvre immédiate par les systèmes autonomes embarqués.

• En mode de conduite autonome, en détectant et en évaluant l’inconfort du conducteur, l’intelligence artificielle peut modifier la configuration de conduite ou le style de conduite pour que le conducteur se sente à l’aise.
• En mode de conduite manuelle, en identifiant les signes indiquant que le cerveau du conducteur est sur le point de déclencher un mouvement – tel que tourner le volant ou appuyer sur la pédale d’accélérateur – les technologies d’assistance au conducteur peuvent commencer l’action plus rapidement.

Figure 5. nissan – brain-to-vehicle

A retenir : C’est une autre façon de mettre en œuvre l’apprentissage par renforcement, en utilisant les ondes cérébrales comme observations, les manœuvres du conducteur comme actions et le plaisir de conduire comme récompense.

Mieux comprendre et challenger les IA

Comme l’a expliqué le Dr. Evert Haasdijk, Senior Manager et Expert en intelligence artificielle chez Deloitte, nous avons besoin d’une IA explicable pour :

• Lutter contre les biais et les inégalités (afin d’éviter les algorithmes qui amplifient les stéréotypes de genre)
• Comprendre quand on peut (et ne peut pas) s’appuyer sur des modèles pour expliquer des décisions ou des prédictions.

Une des solutions pour que l’IA atteigne la transparence consiste à identifier et à inspecter des modèles, à effectuer des analyses statistiques et à expliquer les approximations.

Figure 6. umeå university – the art of ai

• Transparence : combattre l’opacité des données, des processus, des hypothèses, des approximations et des modèles d’algorithmes

A retenir : La technologie est maintenant mature, mais le prochain défi sera d’expliquer les résultats de toutes les IA disponibles dans le cloud afin de garantir la confiance dans votre application.

Maxime Thubière

innovation consultant SQLI