.webp){kind=tracking}
Intel a publié un billet intéressant sur « How to Get Started as a Developer in AI ». Comme l’IA deviendra un pilier de notre vie, les développeurs qui y montent tôt auront un net avantage.
L’article commence par une définition de l’IA
Percevoir — Identifier et reconnaître des objets ou concepts significatifs au milieu de vastes données. Est-ce un feu de circulation ? Est-ce une tumeur ou un tissu normal ?
Raisonner — Comprendre le contexte plus large et planifier pour atteindre un objectif. Si le but est d’éviter une collision, la voiture doit calculer la probabilité d’un accident selon le comportement des véhicules, la proximité, la vitesse et l’état de la route.
Agir — Soit recommander, soit initier directement la meilleure action. Selon l’analyse, le véhicule peut freiner, accélérer ou préparer les mécanismes de sécurité.
S’adapter — Finalement, il faut pouvoir adapter les algorithmes à chaque phase, en les réentraînant pour les rendre toujours plus intelligents. Les algorithmes de véhicules autonomes doivent être réentraînés pour reconnaître plus d’angles morts, intégrer de nouvelles variables au contexte et ajuster les actions en fonction des incidents précédents.
L’article enchaîne avec un flux de travail machine learning typique :
Acquisition de données — D’abord, il faut d’énormes volumes de données. Ces données peuvent être collectées de toutes sortes de sources : capteurs dans les wearables et autres objets, le cloud, le web.
Agrégation et curation — Une fois collectées, les data scientists les agrègent et les étiquettent (en apprentissage supervisé).
Développement du modèle — Les données sont utilisées pour développer un modèle, entraîné pour la précision et optimisé pour la performance.
Déploiement et scoring — Le modèle est déployé dans une application où il sert à faire des prédictions sur de nouvelles données.
Mise à jour — À mesure que de nouvelles données arrivent, le modèle se raffine et gagne en précision. Par exemple, une voiture autonome pousse en temps réel l’info de capteurs, GPS, vidéo 360, etc., qui sert à optimiser les prédictions futures.
La première application potentielle de l’IA dans l’industrie manufacturière est la conception d’algorithmes pour anticiper les réparations et améliorer la maintenance préventive. On peut aussi penser à l’amélioration de la performance via machine learning au fil du temps : déterminer quels produits transformer sur quelle ligne et la séquence idéale pour optimiser les ressources.
SOURCE : https://software.intel.com/en-us/articles/how-to-get-started-as-a-developer-in-ai?
Articles connexes
