Introduction

Avant-propos

Les ingénieurs, les data scientists, les roboticiens, les économistes, les financiers, les physiciens ou les hommes et femmes du marketing partagent comme bien d’autres de nombreuses pratiques mathématiques, probabilistes et algorithmiques.

Au travers de son aptitude à manipuler d’immenses tenseurs et structures multidimensionnelles, ou ses capacités de différentiation automatique, TensorFlow permet de créer des programmes embarquant ces techniques d’algèbre, d’analyse, de topologie, de statistique et d’intelligence artificielle autrefois réservées aux experts de ces domaines. Cet outil est polymorphe et utilisable dans de nombreux contextes professionnels et techniques : il n’est donc pas dédié à l’IA, mais il en est un grand serviteur.

Les modèles créés peuvent être utilisés sur les minuscules configurations embarquées de l’Internet des objets, au sein de robots, dans des téléphones, sur votre PC, dans un réseau de machines propre au big data ou dans de supercalculateurs scientifiques.

Quand ces modèles relèvent des réseaux neuronaux ou du deep learning, l’API Keras, intégrée dans TensorFlow 2, nous permet de les créer puis de les manipuler simplement en quelques lignes de code.

Nous sommes aujourd’hui confrontés à la manipulation de grandes quantités de données, aussi bien en termes de volume que de dimensions sémantiques (l’espace, le temps, les matériaux, l’argent, les sentiments, le sens des mots ou des images...). Il nous faut trier, comprendre, prédire et agir au travers de la médiation de machines dont la puissance de calcul s’approche inexorablement de celle d’organismes vivants et relativement évolués.

Le sujet est d’importance : en effet, la science-fiction...

L’esprit de l’ouvrage

Bien que nous ne supposions pas que notre lecteur possède la moindre des connaissances spécifiques aux sujets que nous traitons dans cet ouvrage, celui-ci n’est pas une introduction formelle ou systématique à l’intelligence artificielle, au machine learning, à la science des données, à la robotique ou même à TensorFlow : c’est un parcours didactique, une promenade élaborée pour vous permettre de progresser sur des points qui nous semblent importants dans la définition d’une Intelligence Artificielle (IA) en partie construite avec un outil comme TensorFlow.

Pour autant, le lecteur pourra y trouver, from scratch :

Nous nous sommes attachés à concevoir un texte avec plusieurs niveaux de lecture : dans les transports en commun, au bureau devant une machine de développement ou enfin comme table d’orientation vers vos propres recherches sur le Web. C’est en pensant à cette dernière option que nous avons sélectionné avec soin une bibliographie...

L’Intelligence Artificielle dans cet ouvrage

L’intelligence artificielle, même incarnée dans un artefact proche du monde animal, n’a pas aujourd’hui pour objet de créer un être vivant, ni même de simuler la vie chez un artefact. Nous nous contentons de vouloir conférer une certaine autonomie à des objets réels ou virtuels.

Cette recherche d’autonomie passe par de nombreuses facultés, comme pouvoir :

Ce point de vue fonctionnel et intimiste écarte les sujets clés, par ailleurs traités dans les œuvres d’anticipation et par de nombreux gourous, que sont :

Mais de façon opérationnelle, le point de vue fonctionnel développé dans les pages suivantes occulte également l’aspect systémique d’une IA, caractérisé par l’extraordinaire complexité des interactions entre ses composants et notre incapacité à déterminer formellement comment converger vers une architecture optimale de l’agencement de ceux-ci.

Les IA que nous concevons actuellement possèdent des facultés atomiques fascinantes, mais l’intégration de ces facultés reste difficile.

Peut-être...

Les promesses de TensorFlow

TensorFlow ambitionne d’être un des frameworks de référence du deep learning, mais pas seulement. En effet, la richesse de ses fonctionnalités le rend apte à résoudre de nombreux problèmes, par exemple en physique et dans des branches de l’intelligence artificielle ou de la recherche opérationnelle qui ne relèvent pas strictement des data sciences.

Ce logiciel permet de répondre avec efficacité à tous les problèmes de manipulation de base de grands tenseurs (que vous pouvez imaginer comme la généralisation de concepts comme les vecteurs, les matrices ou les tableaux multidimensionnels). TensorFlow est aussi redoutablement efficace sur la différentiation de ces tenseurs (celle-ci étant perçue comme la généralisation de la notion de dérivée), ce qui en fait un outil de choix pour la mise en place de nombreuses démarches d’optimisation.

L’API TensorFlow a été publiée sous la forme d’un progiciel libre sous la licence Apache 2.0 en novembre 2015 et rendue disponible à l’adresse suivante : www.tensorflow.org.

C’est un produit dont les orientations ont légèrement évolué par rapport à l’annonce d’origine (GoogleResearch 2015). Le texte de cette annonce mettait en évidence...

Zoom sur Keras

Keras est une API proposant un haut niveau d’abstraction. Elle s’avère très utilisée, puisqu’elle permet d’invoquer aisément divers frameworks de machine learning (TensorFlow, CNTK, Theano). Keras peut s’exécuter sur CPU ou GPU, l’exécution sur GPU permettant des gains importants de performance dans de nombreuses configurations d’entraînement de modèles.

Keras peut être utilisée à partir de Python, mais aussi à partir de R. Ces deux implémentations sont très bien documentées par son créateur, ce qui en fait un "espéranto" qui s’impose de facto dans l’univers du machine learning et permet à chacun de garantir la pérennité de ses investissements.

Aujourd’hui, Keras est intégrée dans la distribution TensorFlow (tf.keras) et devient une des API "phare" intégrées à TensorFlow 2 : l’esprit étant de disposer de niveaux d’abstraction plus ou moins complexes en fonction de la difficulté, de l’originalité et de la complexité de la tâche de machine learning à mettre en œuvre.

En consultant la documentation de Keras, on remarque que cette API est globalement dédiée aux high-level neural networks. TensorFlow possède quant à lui un champ d’application beaucoup plus important et permet de traiter une grande part des aspects numériques de l’algèbre linéaire et de l’analyse dans de bonnes conditions de performance. C’est en conséquence un framework applicable dans presque tous les domaines de l’ingénierie.

Il est possible d’utiliser Keras de différentes manières, ce qui facilite son introduction au sein de projets comportant des personnes aux compétences variées. Ainsi, si l’on souhaite répartir harmonieusement les tâches liées aux réseaux neuronaux au sein des équipes, on peut facilement utiliser Keras dans différentes configurations de travail collaboratif et se donner des objectifs de natures diverses, concrétisés dans différents workflows, afin...

Comment l’esprit vient aux machines

Dans un article plaisant à parcourir (Munier-Temime 2006) Brigitte Munier cite Lamartine : "Objets inanimés, avez-vous donc une âme ?", puis fait allusion à l’un des romans fondateurs de la science-fiction, l’Eve future de l’écrivain français Auguste de Villiers de L’Isle-Adam, publié en 1886, où l’on découvre pour la première fois le concept d’andréide (aujourd’hui orthographié androïde).

Sans entrer dans une polémique stérile autour du fond et de la forme, ou de la réalité de l’intelligence d’un objet qui en présente tous les attributs mais pas la genèse biologique, cette section va tenter de déconstruire notre perception technique d’une intelligence incarnée dans un robot plus ou moins humanoïde. Pour cela, nous vous proposons de parcourir quelques traces des dernières années de recherche autour de l’intelligence artificielle et de la robotique. Notre présupposé est le suivant : il est plus facile de comprendre la technologie actuelle et de la mettre en application quand on perçoit la façon dont elle a été échafaudée.