· (Melanie Mitchell, L'intelligence artificielle,
éditions Dunod, 2021)
·
https://www.culture.fr/franceterme
Le CAPTCHA est une famille de tests de Turing qui vise
à différencier de manière automatisée un
utilisateur humain d'un ordinateur. Ce test de défi-réponse est
couramment utilisé en informatique pour vérifier que
l'utilisateur n'est pas un robot. Cependant, le CAPTCHA présente un
intérêt supplémentaire important.
En plus de sa fonction de vérification, il contribue
activement à l'enrichissement des connaissances des intelligences
artificielles et à l'amélioration de la technologie de
l'apprentissage profond qu'elles utilisent. Cette technologie enregistre chaque
choix effectué par l'internaute et stocke les images correspondantes
dans une base de données. De plus, elle conserve en mémoire les
caractères que les utilisateurs parviennent à décrypter
avec succès.
Ainsi, le CAPTCHA joue un rôle essentiel dans
l'acquisition de données et le perfectionnement des modèles
d'apprentissage profond, contribuant ainsi à l'évolution et
à l'amélioration continue des technologies d'intelligence
artificielle.
Ces informations contribuent aux développements des
technologies de Deep Learning utilisées par des entreprises telles que
Tesla et Google. Les bases de données générées par
les CAPTCHA permettent notamment d'améliorer les véhicules
équipés de systèmes d'assistance à la conduite
grâce aux images de feux tricolores ou de voitures. Pour Tesla, cela peut
se traduire par une meilleure reconnaissance des signaux routiers et une prise
de décision plus précise pour les fonctions de conduite
autonome.
De même, Google exploite les informations
typographiques fournies par les utilisateurs pour filtrer les e-mails et
protéger les utilisateurs des courriers indésirables tels que les
spams. Ces données permettent à Google de développer des
modèles d'apprentissage profond capables d'identifier et de trier
automatiquement les e-mails, améliorant ainsi l'expérience de ses
utilisateurs en évitant les contenus malveillants ou non pertinents.
Ainsi, les informations collectées via les CAPTCHA
jouent un rôle essentiel dans l'amélioration des technologies
utilisées par ces entreprises leaders dans le domaine de l'intelligence
artificielle et du Deep Learning.
15 sur 51
SITOGRAPHIE
support.google.com
En plus du CAPTCHA visuel, il existe également le
CAPTCHA audio, qui se concentre sur le son. Ce test de sécurité
demande à l'utilisateur de transcrire ce qu'il entend à partir
d'un fichier audio contenant une chaîne de caractères
parlés. Généralement, ces caractères sont
masqués et déformés par un bruit de fond afin de rendre la
tâche plus difficile pour les bots* et de s'assurer que la réponse
provient d'un utilisateur réel. Le CAPTCHA audio est une autre
méthode utilisée pour vérifier l'identité humaine
et empêcher les activités automatisées
indésirables.
(Document : Exemple de test CAPTCHA audio).
Ce test est conçu pour collecter des informations afin
de permettre aux intelligences artificielles de développer leur base de
données sur la lecture et la prononciation des mots. Par la suite, nous
constaterons que grâce à ce type d'outil de collecte
d'informations, l'apprentissage profond de certaines IA devient
extrêmement performant, au point de pouvoir composer et
interpréter des paroles de chansons. (voir III-Ecoutes
Critiques)
En résumé, le Deep Learning est une technique
de Machine Learning qui utilise des réseaux neuronaux profonds pour
résoudre des problèmes complexes en apprenant automatiquement
à partir de données. Il permet d'établir des règles
complexes en empilant de nombreuses couches de neurones, offrant ainsi une
grande capacité de traitement et d'interprétation des
données.
Apres avoir abordé le fonctionnement du Machine
Learning et du Deep Learning nous allons nous intéresser au
réseaux de neurones, une technologie importante au fonctionnement d'une
IA.
16 sur 51
*Bots : (abréviation de robot) est un logiciel qui
exécute des tâches automatisées, répétitives
et prédéfinies. Les bots imitent ou remplacent
généralement le comportement des utilisateurs humains.
SITOGRAPHIE
·
support.google.com
17 sur 51
D) Réseaux de neurones.
L'intelligence artificielle a longtemps eu pour but de
simuler l'intelligence humaine, et d'obtenir un système artificiel
capable de réflexion, de prise de décision et d'apprentissage.
Les chercheurs se sont donc assez rapidement intéressés au
fonctionnement du cerveau pour le reproduire. C'est ainsi que les premiers
neurones artificiels ont été définis en 1943 par Mac
Culloch, chercheur en neurologie, et Walter Pitts, scientifique étudiant
la psychologie cognitive.
Le neurone artificiel, aussi appelé neurone formel,
reprend le fonctionnement du neurone biologique. Il a des entrées de
signal appelé dendrites et des sorties appelé Axone.
La définition d'un neurone formel est la suivante : Un
neurone formel est une représentation mathématique et
informatique d'un neurone biologique. Le neurone formel possède
généralement plusieurs entrées et une sortie qui
correspondent respectivement aux dendrites et au cône d'émergence
du neurone biologique.
Le fonctionnement général d'un neurone
artificiel repose sur plusieurs caractéristiques clés. Tout
d'abord, le neurone reçoit des entrées provenant d'autres
neurones ou de l'environnement. Chaque entrée est associée
à un poids qui détermine son importance relative par rapport aux
autres entrées. Ces poids permettent de moduler l'influence de chaque
entrée sur la sortie du neurone.
Ensuite, le neurone utilise une fonction d'agrégation
pour combiner les entrées pondérées et calculer une valeur
unique. Cette fonction d'agrégation peut être une simple somme
pondérée des entrées ou une opération plus
complexe, selon le type de réseau de neurones utilisé.
Le neurone dispose également d'un seuil ou d'un biais,
qui est utilisé pour indiquer le moment où le neurone doit
être activé. Le seuil peut être considéré
comme un seuil de sensibilité : lorsque la valeur agrégée
dépasse ce seuil, le neurone est activé et fournit une sortie.
Sinon, le neurone reste inactif.
Enfin, la fonction d'activation joue un rôle crucial
dans le processus de sortie du neurone. Cette fonction associe à chaque
valeur agrégée une unique valeur de sortie, qui dépend du
seuil du neurone. Elle peut introduire une non-linéarité dans le
modèle et permettre au neurone de représenter des relations plus
complexes entre les entrées et les sorties.
En résumé, un neurone artificiel utilise des
poids pour moduler l'importance des entrées, une fonction
d'agrégation pour combiner ces entrées pondérées,
un seuil pour décider de l'activation du neurone, et une fonction
d'activation pour produire une sortie en fonction de la valeur
agrégée et du seuil. Ces mécanismes sont essentiels dans
la construction de réseaux de neurones artificiels.
