Tout savoir à propos de blog high-tech
Historiquement, les débuts de l’IA datent à Alan Turing dans les années 1950, et le terme veut tout dire et ne rien dire. En effet, dans l’imaginaire commun, lorsqu’on parle d’intelligence artificielle, on désigne par là un catalogue qui peut effectuer des tâches d’humain, en apprenant toute seule. Or, l’IA telle que signalée dans l’industrie est plutôt « des algorithmes plus ou moins évolués qui imitent des actions de l’homme ». Par exemple, un catalogue qui nous dit si on est en surpoids ( en lui laissant notre taille et poids ), est une intelligence artificielle : l’utilisation de la logique IF… THEN… ELSE… dans un programme en fait une intelligence artificielle, sans qu’elle soit « convenablement » minutieuse. De la même manière, une machine de Turing est une ia.A l’inverse, une ia forte ( AGI ) ou une superintelligence embarrassée ( ASI ) sont entièrement autonomes et auto-apprenantes ( mais il n’en existe aucune à l’heure actuelle préjugé ) ! En conclusion, si l’Intelligence Artificielle est une affaire très vaste qui rassemble partiellement des algorithmes qui « ne font pas rêver », il y a aussi des algorithmes plus performants, notamment dans le machine learning.Partons d’un exemple véritable : imaginons que vous vouliez entraîner une intelligence artificielle qui met à votre disposition le coût d’un appart à partir de sa aire. Dans les années 1950, vous auriez fait un programme du type « si la aire est mineure à 20m², le coût vaut 60 000€, si elle est entre 20m² et 30m², le montant vaut 80 000€, etc… », ou peut-être « prix = superficie*3 000 ». si vous avez un ami statisticien, il pourrait alors vous expliquer que ces devis ne sont effectivement pas satisfaisantes, et qu’il suffirait de vérifier le coût de énormément d’appartements dont on saura la superficie pour estimer le montant d’un home sweet home de taille non-référencée ! Votre ami vient de faire au machine learning ( qui est donc un sous-domaine de l’intelligence embarrassée ).Le Deep Learning est lui-même un sous-domaine du Machine Learning, où on développe des algorithmes susceptibles de révéler des propositions abstraits, à l’image d’un jeune kid à qui l’on apprend à personnaliser un chiot d’un cheval. L’analyse d’images ou de compositions forment aujourd’hui l’essentiel des solutions du Deep Learning. Pour la reconnaissance d’image, les algorithmes vont par exemple se focaliser sur l’analyse des lignes, des modèles et des couleurs.L’intelligence compression ( ia ) et le machine learning ( sos ) – il étant aussi appelé formation automatique ( AA ) en français – sont 2 thèmes très en vogue à l’heure et qui sont généralement utilisés de façon remplaçable. L’IA et le deep sont dans les sondages des “GAFAM”, Google, Apple, Facebook, Amazon, Microsoft. Une course internationale à l’innovation a démarré et laisse présager plusieurs progression que ce soit dans le domaine de la domotique, des espaces de besogne intelligents, des formules médicales ou la robotique.Toujours dans le cas de la banque, de quelle manière pourrait-on utiliser cette vision déterministe dans un tel cas de figure ? De manière fondamental, vous désirez établir ce activité expert en vous appuyant sur vos parfaits activités. Le activité prendrait alors en charge 70% du procédé boulot ( la domotique de l’analyse d’actions en bourse en ligne par exemple ) et il le ferait avec entièrement de rigueur, venant même jusqu’à vous donner une suivi grâce à « des indications de expérimentation » pour toutes les conclusions proposées. sur des secteurs d’activité comme la banque, l’assurance, la grande distribution et beaucoup d’autres, l’approche déterministe donne l’opportunité déjà de dynamiser les offres et d’améliorer les performances, tout en limitant les coûts.
En savoir plus à propos de blog high-tech