Formation intelligence artificielle : rendre nos algorithmes d’IA plus efficaces

Module1 Les systèmes apprenants
Un système apprenant supervisé, non supervisé ou par renforcement doit être entrainé sur un kit de données, puis sera exploité sur un flux de données pouvant dériver par rapport aux donnés d’apprentissage. Différents indicateurs existent pour évaluer la représentativité de l’apprentissage, sa précision, etc. Différents raisonnements peuvent être menés sur la base de ces indicateurs pour évaluer la qualité des prédictions du système apprenant et leur recevabilité. Sont-ils toujours vrais ?

Comment constituer le kit d’apprentissage de notre IA ? Comment mesurer sa performance intrinsèque ? Sur quelle base un apprentissage peut-il être déclassé ? Est-ce une bonne solution de Multiplier les données d’apprentissage de notre IA ? Comment renforcer la variété du kit d’apprentissage de notre IA ? Comment faire si des données nécessaires à l’apprentissage de notre IA sont inaccessibles ?

Module2 Les Modèles
Un modèle de données est un représentant d’un phénomène permettant de réaliser des sélections, des prédictions, ou de prendre des décisions éclairées. Mais un modèle est associé à des conditions de mise en œuvre et à un domaine de donnée particulier qu’il faut respecter sous peine de commettre des erreurs. Le modèle peut être généré par un ingénieur, par des règles, ou par un apprentissage.
Est-ce que nous connaissons bien le domaine d’application de notre modèle ? Est-il toujours représentatif du phénomène observé ? L’utilise-t-on sur le bon domaine de données ? Peut-on comparer plusieurs modèles pour notre IA et sur quels critères ? Existe-t-il des indicateurs de performance de notre modèle ? Si le phénomène dérive dans différentes directions, peut-on recalculer le modèle ? A quel moment un réapprentissage de notre IA devient il nécessaire ?

Module3 Les heuristiques
Une heuristique est une procédure permettant de répondre, au moins en partie, à une problématique difficile et/ou avec des données incomplètes. En IA il s’agit d’appliquer ou transposer des modèles qui ont été créés dans des circonstances différentes. On peut procéder par analogie en comparant les problèmes à résoudre et fournir rapidement une solution imparfaite mais fonctionnelle. Le monde de l’IA avec ses démarches de type « essai erreur » se prête bien à la mise en œuvre d’heuristiques, encore faut-il respecter certaines règles si l’on veut être efficace.

Peut-on utiliser une heuristique pour solutionner rapidement notre projet de développement d’une IA ? Comment construire une heuristique pour notre IA ? Comment exploiter une heuristique qui a fait ses preuves ? Quelles erreurs peut-on commettre sur l’heuristique ? Quels sont les risques attachés à l’usage de l’heuristique attribuée à notre IA ?

Module4 Le scoring
Il est fréquent que l’on demande de sélectionner les N meilleurs cas selon certains critères. Pour cela on calcule un score en pondérant les critères. Mais ce calcul est parfois établit de façon simpliste, sans mener les vérifications nécessaires.

Le scoring établit par notre IA correspond-t-il à la réalité objective ? A-t-on observé la distribution des scores pour mesurer le niveau de précision de notre IA ? Ne cherche-t-on pas un résultat en dehors de la plage de précision ? Notre IA prend-t-elle en compte les incertitudes existant sur les données d’entrée ? Et si non, est-on sûrs de ne pas introduire d’iniquité dans notre IA ?

Module5 Les prédictions
Une prédiction est une information projetée dans le futur à partir de cas observés dans le passé. La prédiction se base sur la constance des phénomènes observés. Mais cette constance n’est pas acquise en cas de crise, de pandémie ou de tout événement à fort impact. Lors de ces disruptions, le passé n’est plus représentatif de l’avenir, les prédictions sont alors erronées. Il faudra du temps pour qu’un passé exploitable se reconstitue. Dans le cas de changements de moindre importance, ce même phénomène est tout de même présent avec des amplitudes plus faibles mais néanmoins bien perceptibles.

Les prédictions de notre IA sont-elles crédibles ? Comment notre IA peut-elle prendre en compte les événements perturbateurs ? Peut-elle assortir les prédictions d’un facteur de confiance ? Comment peut-elle le calculer à priori ?

Module6 La sélection d’un algorithme
Notre kit de données est-il représentatif ? Sa taille place-t-elle les algorithmes testés dans des plages de fonctionnement nominaux ? Comment calculer la taille et la diversité des kits de donnés suffisants pour une bonne sélection d’algorithme pour notre IA ? Quelle méthode faut il appliquer pour comparer les résultats des différents algorithmes testés pour notre IA ?

Module7 Les graphes
Les graphes sont souvent utilisés par les algorithmes de machine learning et par les IA génératives. Il existe nombre de types de graphes, parmi eux les treillis (graphes munis de relations d’ordre) particulièrement adaptés aux phénomènes ou les relations entre les objets sont volumineuses.

Le phénomène que nous cherchons à modéliser se prête-t-il à l’usage de graphes ? Quel type de graphe sera le plus approprié pour notre IA ? Comment optimiser l’exploitation du graphe généré par notre IA ? Quels indicateurs de performance peut-elle associer au graphe ? Comment notre IA peut-elle faire évoluer le graphe sans devoir le reconstruire ? Son graphe est-il réductible ?

Module8 La différenciation
Tous les systèmes complexes peuvent se représenter selon trois composantes (régulière, intégrative et différenciative). L’IA des années 80 était régulière (systèmes experts, moteurs de règles). Le machine learning apporte en plus la dimension intégrative (on intègre des cas du passé via l’apprentissage). Mais la dimension différenciative est moins développée à ce jour, elle relève principalement du deep learning. Elle est nécessaire pour tous les systèmes amenés à évoluer, à s’adapter, à personnaliser.

Quelle est la capacité d’évolution du modèle de notre IA ? Quelle est sa capacité à différencier les cas ? La dimension différenciative de l’algorithme retenu pour notre IA est-elle présente ? Est-elle suffisante ? Comment ajouter une dimension différenciative à notre algorithme si besoin ? Est-ce toujours possible ? Différencier peut couter cher, comment fixer un équilibre acceptable pour notre IA ?

Module9 La discrimination
Comment détecter des comportements discriminatoires ? Comment détecter l’iniquité des décisions ? Comment construire une IA étique ? Comment vérifier que notre IA n’est pas discriminatoire ? Comment s’assurer que nos données sont équitables ? Comment corriger les effets de la discrimination humaine sur les données ?

Module10 L’hyperpersonnalisation
Comment notre IA peut-elle bâtir une réponse hyperpersonnalisée ? L’hyperpersonnalisation de notre IA s’obtient elle en multipliant les critères ? Comment peut-elle différencier les cas ? Comment peut-elle gérer plusieurs axes de personnalisation simultanément ?

Module11 Les séries
Certains algorithmes d’IA traitent de données qui se présentent sous forme de séries. Les séries peuvent être temporelles ce qui constitue un flux continu de données. D’autres peuvent varier selon d’autres dimensions (spatiales, géographiques, couleurs, fréquences, cours, etc.). Les séries nécessitent une algorithmie particulière.

Module12 La plausibilité
Quelle plausibilité significative peut-on associer aux résultats de notre IA ?