Préparez-vous pour l’Intelligence Artificielle avec MATLAB

L’Intelligence Artificielle (IA) est partout. Elle n’est pas seulement utilisée dans le cadre du développement d’applications comme les assistants intelligents, la traduction automatique ou la conduite automatisée, elle offre également aux ingénieurs et scientifiques un ensemble de techniques permettant de traiter des tâches courantes de manière innovante. Pourtant, bien qu’elles reconnaissent sa valeur et son potentiel, peu d’entreprises la mettent en pratique. En effet, selon une enquête récente de Gartner, 50 % d’entre elles ont commencé à planifier un projet basé sur l’IA, mais seules 4% l’ont mise en œuvre.

De nombreuses organisations sont découragées avant même de se lancer dans un tel projet :

  • Manque d’expertise en data science et de données de bonne qualité
  • Budget pour le développement d’un système d’IA
  • Coût et complexité de l’intégration d’un système d’IA

Qu’est-ce que l’Intelligence Artificielle ?

L’intelligence artificielle est « la capacité d’une machine à imiter le comportement humain intelligent ». Elle prend tout son sens lorsque la machine ne se contente pas d’imiter, mais qu’elle égale voire dépasse les performances humaines. Les techniques associées à l’IA nous permettent de nous décharger de tâches répétitives, et de travailler de manière plus sécurisée et efficace.

Aujourd’hui, quand on entend Intelligence Artificielle, on pense au machine learning : faire apprendre un comportement souhaité à une machine.

Avec la programmation traditionnelle, vous écrivez un programme qui traite les données de manière à atteindre le résultat souhaité.
Avec le machine learning, les étapes sont inversées : vous renseignez les données et le résultat souhaité, puis l’ordinateur écrit le programme pour vous.

Aujourd’hui, une catégorie du machine learning appelée deep learning, qui se base sur les réseaux de neurones, est en plein essor. Le terme « deep » fait référence au nombre de couches dans le réseau : plus le nombre de couches est élevé, plus le réseau est « profond ». L’un de ses principaux avantages est qu’il permet d’éliminer certaines étapes de traitement manuel des données et la connaissance approfondie du domaine.

Pour faire simple, considérez le machine learning et le deep learning comme des moyens d’atteindre l’intelligence artificielle – il s’agit des techniques les plus fréquemment appliquées à l’heure actuelle.

Utiliser le machine learning pour déterminer le croustillant des chips

Voici comment une scientifique a appris et appliqué le machine learning dans MATLAB pour s’attaquer à un problème qu’elle n’aurait pas pu résoudre autrement.

Solange Sanahuja, scientifique spécialisée dans l’agroalimentaire, devait mettre au point un processus répétable pour déterminer le croustillant des chips. Ses premiers modèles physiques ou de traitement du signal n’ont pas eu de résultats performants.

Le Dr. Sanahuja a alors décidé de tester des modèles de machine learning avec MATLAB. Elle a mené des centaines d’expériences pour enregistrer le son et la force du croustillant à différents niveaux de fraîcheur, qu’elle a associées aux évaluations des goûteurs.

Elle a utilisé son expertise métier pour identifier les caractéristiques des mesures de force, en calculant des valeurs comme la dureté et la fragilité. A partir des enregistrements sonores, elle a également créé et extrait de nouvelles caractéristiques.

Elle a ainsi pu développer un modèle de machine learning basé sur ces différentes variables. Pour cela, le Dr. Sanahuja a utilisé l’application Classification Learner pour évaluer automatiquement tous les modèles possibles, lui évitant de le faire manuellement.

L’application permet de lister et de comparer les performances de tous les modèles de machine learning en un clic.

Sur la base de ces résultats, le Dr. Sanahuja a sélectionné un modèle SVMavec une performance de près de 95 %. Adieu les chips molles.

Excavation de tunnel plus efficace avec le deep learning

L’entreprise de construction japonaise Obayashi Corporation utilise une technique d’excavation appelée « New Austrian Tunneling Method ». Dans le cadre de cette approche, les géologues surveillent la résistance de la face d’un tunnel au cours de l’excavation, en évaluant des mesures comme l’espacement entre les fractures. Bien que cette méthode permette de réduire les coûts de construction, elle présente plusieurs limites de temps et de moyens.

Pour remédier à ces limitations, Obayashi a entraîné un réseau de deep learning afin de reconnaître automatiquement les différentes mesures à partir des images de la face du tunnel. Leur principal défi était de recueillir suffisamment de données. A titre indicatif, les meilleurs réseaux de deep learning ont été entraînés à partir de plusieurs millions d’images. Obayashi n’en disposait à l’origine que de 70…

Les géologues ont d’abord labélisé trois régions pour chacune des 70 images, enregistrant les valeurs de mesures telles que l’altération sous l’action des agents atmosphériques et l’état de fracture. Ensuite, ils ont divisé ces régions en générant environ 3 000 images labélisées. Comme l’apprentissage d’un réseau à partir de zéro prend beaucoup de temps et requiert une expertise certaine et un nombre d’images conséquent, ils ont utilisé le transfer learning basé sur AlexNet* pour créer leur propre réseau.

AlexNet a été entraîné sur des images pour reconnaître les objets courants, mais il ne sait rien de l’interprétation des conditions géologiques à partir d’images de la face d’un tunnel. La méthode par transfer learning a permis de réentraîner ce réseau pour l’adapter à leurs propres images de tunnel, nécessitant alors de beaucoup moins de données, et par conséquent de ressources calculatoires et de temps.

Jusqu’à présent, le réseau réentraîné d’Obayashi a atteint une précision proche de 90 %.

Résumé

Avec MATLAB, vous êtes paré pour l’IA même si vous n’avez aucune expérience en la matière. Vous pouvez avoir recours à des applications pour tester rapidement différentes approches et utiliser votre expertise métier pour analyser les données.

Vous pouvez utiliser et combiner le machine learning avec le deep learning pour identifier d’autres caractéristiques. Vous pouvez utiliser le transfer learning pour étendre un réseau existant à vos propres données pour limiter le temps et les besoins de calcul.

* « Toute la vérité sur l’intelligence artificielle. » présenté lors du Gartner Data & Analytics Summit, mars 2018.
* AlexNet est un réseau de neurones de type CNN (Convolutional Neural Network) dans la reconnaissance d’objets basé sur 1000 classes.

En savoir plus : www.mathworks.com/AI
Venez rencontrer les experts MathWorks sur le stand #A8 de Big Data Paris 2019

Leave a Reply