À propos de nous!

Nous croyons en un avenir où l’IA est abondante et accessible.
Nous aspirons à donner au monde les moyens de construire avec la technologie la plus marquante de notre époque, et de pouvoir en bénéficier.

En particulier, en apprentissage automatique, la descente de gradient permet de trouver une solution localement optimale, étant donné une fonction de coût à minimiser en faisant varier les paramètres du modèle. Elle consiste, à chaque étape, à modifier les paramètres à optimiser dans la direction qui permet de réduire le mieux la fonction de coût. La solution obtenue est localement optimale, mais il se peut qu’il y ait globalement de meilleures solutions, qui auraient pu être obtenues avec différentes valeurs initiales de paramètres^[27]. Les modèles d’IA modernes peuvent avoir des milliards de paramètres à optimiser, et utilisent souvent des variantes plus complexes et efficaces de la descente de gradient^[22].

Les algorithmes évolutionnistes, inspirés de la théorie de l’évolution, utilisent une forme de recherche par optimisation. À chaque étape, des opérations telles que la « mutation » ou le « croisement » sont effectuées de manière aléatoire pour obtenir différentes variantes, et les variantes les mieux adaptées sont sélectionnées pour l’étape suivante

Notre passion

L’intelligence artificielle (IA) est la capacité des machines à effectuer des tâches typiquement associées à l’intelligence humaine, comme l’apprentissage, le raisonnement, la résolution de problème, la perception ou la prise de décision. L’intelligence artificielle est également le champ de recherche visant à développer de telles machines ainsi que les systèmes informatiques qui en résultent.

Souvent classée dans le domaine des mathématiques et des sciences cognitives, l’IA fait appel à des disciplines telles que la neurobiologie computationnelle (qui a notamment inspiré les réseaux neuronaux artificiels), les statistiques, ou l’algèbre linéaire. Elle vise à résoudre des problèmes à forte complexité logique ou algorithmique. Par extension, dans le langage courant, l’IA inclut les dispositifs imitant ou remplaçant l’homme dans certaines mises en œuvre de ses fonctions cognitives^[1].

Les applications de l’IA comprennent notamment les moteurs de recherche, les systèmes de recommandation, l’aide au diagnostic médical, la compréhension du langage naturel, les voitures autonomes, les chatbots, les outils de génération d’images, les outils de prise de décision automatisée, les programmes compétitifs dans des jeux de stratégie et certains personnages non-joueurs de jeu vidéo^[2].

Depuis l’apparition du concept, les finalités, les enjeux et le développement de l’IA suscitent de nombreuses interprétations, fantasmes ou inquiétudes, que l’on retrouve dans les récits ou films de science-fiction, dans les essais philosophiques^[3] ainsi que parmi des économistes.

Notre but

L’apprentissage automatique consiste à permettre au modèle d’IA d’apprendre à effectuer une tâche au lieu de spécifier exactement comment il doit l’accomplir^[11]. Le modèle contient des paramètres dont les valeurs sont ajustées tout au long de l’apprentissage. La méthode de la rétropropagation du gradient est capable de détecter, pour chaque paramètre, dans quelle mesure il a contribué à une bonne réponse ou à une erreur du modèle, et peut l’ajuster en conséquence. L’apprentissage automatique nécessite un moyen d’évaluer la qualité des réponses fournies par le modèle^[12]. Les principales méthodes d’apprentissage sont :

Apprentissage supervisé: Un jeu de données annoté est utilisé pour entraîner l’algorithme. Il contient des données d’entrée fournies au modèle et les réponses correspondantes attendues, que le modèle est entraîné à produire^[11]. Il est parfois difficile de se procurer suffisamment de données annotées avec les réponses attendues^[13].
Apprentissage non supervisé: Un jeu de données est fourni au modèle, mais n’est pas annoté avec les réponses attendues. Le but peut par exemple être de regrouper les données similaires entre elles^[11] (clustering).
Apprentissage auto-supervisé: Un problème d’apprentissage supervisé est automatiquement généré à partir d’un jeu de données non annoté. Cela fonctionne souvent en cachant une partie des informations (des mots d’un texte, des morceaux d’images…) afin d’entraîner le modèle à les prédire^[14].
Apprentissage par renforcement: L’agent est plongé dans un environnement où ce qu’il fait est évalué. Par exemple, un agent peut apprendre à jouer aux échecs en jouant contre lui-même, et le résultat (victoire ou défaite) permet à chaque itération d’évaluer s’il a bien joué. Il n’y a dans ce cas pas besoin de jeu de données^[11].