Université du Québec à Montréal
Cégep André-Laurendeau
Ce projet consiste à créer une école d’été permanente en intelligence artificielle axée sur les sciences cognitives et destinée à la population étudiante post-secondaire. L’école aura pour vocation d’initier les étudiants du cégep et du premier cycle universitaire à l’IA et aux sciences cognitives, d’ouvrir les horizons sur la formation universitaire offerte dans ce domaine et d’utiliser les deux premières années d’activité de l’école pour cibler et consolider les contenus, mais aussi pour intégrer des notions en IA dans les programmes collégiaux.
En raison des mesures sanitaires en vigueur à l’été 2020, la première édition a dû être reportée et s’est déroulée uniquement en ligne et en mode « asynchrone », à partir du 15 mars 2021. L’objectif de cette première édition était d’initier la population étudiante collégiale à l’intelligence artificielle par le prisme des sciences cognitives. Les sciences cognitives étant intrinsèquement pluridisciplinaires, cet événement s’addressait à toute personne inscrite à un programme collégial ou universitaire de premier cycle ou de cycles supérieurs, qu’elle soit inscrite à un programme de sciences humaines, d’arts et lettres, de sciences naturelles ou de sciences de la santé.
Pour les enregistrements de toutes les présentations, consultez la page web de l’événement.
La cognition c’est tout ce qui se passe dans nos têtes qui produit notre capacité de faire tout ce que nous sommes capables de faire (marcher, voir, entendre, apprendre, raisonner, parler, comprendre, ressentir). Alan Turing, un des inventeurs de l’ordinateur et de l’informatique, a proposé un test en 1950 qui est devenu le plan de match des sciences cognitives: de créer un modèle qui pourra produire toutes les capacités humaines à tel point qu’on ne pourra pas le distinguer d’un humain. Où en sommes nous sur le trajet vers cette cible?
2012 est non seulement le titre d’un film catastrophe états-unien, mais aussi l’année qui a mis l’expression apprentissage profond sous les feux de la rampe. Depuis, ce terme est fréquemment confondu avec l’intelligence artificielle et les médias de masse ne manquent de l’associer avec les pouvoirs extraordinaires de personnages de science-fiction. La présentation fera la part des choses en offrant une introduction au domaine général des réseaux de neurones artificiels, avec une emphase sur l’apprentissage profond et ses applications.
Une part importante de l’activité d’un système intelligent est de raisonner. Au cours des 50 dernières années, psychologues, logiciens, neuroscientifiques, philosophes, linguistes et informaticiens ont fait de nombreuses découvertes sur les mécanismes du raisonnement humain. Nous allons aborder quelques-unes de ces découvertes du domaine interdisciplinaire des sciences cognitives et voir en quoi elles ont été prises en compte pour contribuer à l’avancement de l’intelligence artificielle. Nous terminerons avec quelques éléments relatifs aux tendances actuelles et aux nouveaux défis.
Le cortex visuel humain est composé de milliards de neurones, chacun envoyant en moyenne 7000 connexions vers ses voisins. Cette impressionnante toile de connectivité nous permet d’accomplir l’exploit de reconnaître instantanément des milliers de catégories d’objets dans une infinité de positions et de formes différentes. De l’intelligence artificielle et de la biologie, émerge un simple modèle du cortex visuel : les réseaux de neurones convolutifs. Dans cette capsule, nous mettrons en action sur un ordinateur, un réseaux de neurones artificiels démontrant de surprenantes compétences visuelles : souvent à la base de technologies retrouvées sur les téléphones cellulaires et sur les réseaux sociaux.
Historiquement, les bases de données relationnelles, sous forme de tables, ont été utilisées pour conserver l’information. Récemment, des bases de données en graphes ont été développées, avec une utilisation croissante par les entreprises. Dans cette présentation, je montrerai la différence entre les bases de données relationnelles et en graphes, les différentes bases de données en graphes qui existent sur le marché et leur utilisation dans différentes applications. Je montrerai aussi comment combiner l’information sous forme de graphe avec l’intelligence artificielle (apprentissage machine traditionnel et apprentissage profond) et comment une base de données en graphes est combinée avec l’IA pour augmenter la connaissance sur les employés de la Banque Nationale et pour améliorer la recherche d’information.
Partant des lignes directrices pour une IA digne de confiance établies par le Groupe d’experts indépendants de haut-niveau sur l’intelligence artificielle de la Commission européenne, nous examinerons quel cadre permet le développement d’une IA digne de confiance, plus spécifiquement comment ce cadre s’inscrit dans les droits fondamentaux, quels sont les principes éthiques qui doivent être pris en compte dans le déploiement de l’IA, quelles sont les exigences spécifiques d’une IA digne de confiance et quels sont les moyens techniques et non-techniques d’y parvenir.
Une des percées récentes qui a mis l’intelligence artificielle à l’avant-plan de l’actualité est sans aucun doute la performance du programme AlphaGo de DeepMind. En effet, il s’agit du premier programme informatique à battre un joueur de go professionnel (Fan Hui, en 2015). Par la suite, il a aussi vaincu le joueur de go professionnel considéré comme le meilleur de la dernière décennie (Lee Sedol, en 2016).
Dans cette capsule vidéo, nous allons nous concentrer sur une des briques sur lesquelles repose le programme de DeepMind: l’apprentissage par renforcement. Inspiré des modèles cognitifs d’apprentissage par essai et erreur, l’apprentissage par renforcement est étudié depuis plusieurs décennies, mais c’est surtout grâce à son emploi avec succès sur des jeux de plateau qu’il est aussi connu aujourd’hui.
Nous introduirons la notion de processus de décision de Markov, accompagné d’exemples. Puis, nous décrirons les méthodes permettant d’entraîner un agent intelligent par renforcement. Finalement, nous expliquerons comment ces différentes notions ont permis de mettre sur pied un programme tel que AlphaGo.
Le traitement automatique du langage naturel (TALN) est un domaine de l’IA à l’intersection de l’informatique, des sciences cognitives et de la linguistique.
Qu’en est-il des applications les plus florissantes des dernières années avec l’émergence de l’apprentissage profond?
Nous allons faire le point sur l’historique, les dernières tendances dans ce domaine, l’apport de l’IA et les méthodes récentes d’apprentissage à base de réseaux de neurones. Des exemples d’applications émergentes seront abordés, tels les chatbots, les systèmes de recherche d’information, la traduction automatique, le traitement des données massives hautement bruitées, l’application aux médias sociaux, la désinformation, etc.
Les téléséries policières donnent parfois l’impression qu’une personne peut être facilement identifiée par ce qu’elle écrit à l’aide des systèmes d’intelligence artificielle. En quoi la réalité diffère-t-elle de ce portrait ? Quels sont les différents types des systèmes utilisés pour l’identification d’auteur, et quels sont les enjeux éthiques de leurs usages ?
Il s’agît d’une présentation du programme en Informatique Cognitive en général, et donc de l’Intelligence Artificielle et les Sciences Cognitives qui s’intègrent pour faire de l’Informatique Cognitive.
Cliquez ici pour en savoir plus.