Imagine Cup

Imagine Cup

Plan

1 : application

• Dernier tweet de Yann Lecun Machine Learning Intelligence Artificelle Formation Continue

• Développement logiciel des années 1990-2010 (langage bas-niveau, installé chez le client)

• Internet

• Développement logiciel des années 2000+ (application web, téléphone, mise à jour continue, test A/B, …)

• Machine plus performante, langage haut niveau (Python, R)

• Librairie open source (machine learning, serveur web, base de données…), Github, travis

• Développement logiciel des années 2015+ (API REST qui communiquent, remote - Azure, Amazon, …)

• 2017+ deep learning, transfer learning

• Développement logiciel des années 2017+ (deep learning)

2 : données

• Tous les problèmes peuvent être résolus : il suffit d’avoir les bonnes données

• Collecter la données (capteurs, application facebook, …)

• Kafka (temps réel), Hadoop (stockage), Spark (traitement), Beam (pipeline), Arrow (API)

• Exemples : moteur de recherches, site marchand

• Enjeux légaux, protections des données

3 : production

• Pas de solution standard aujourd’hui mais bientôt

• Implémentation faite par chaque entreprise

• Approche très deep learning : TensorFlow Serving

• Approches plus génériques : ONNX

• ONNX : apprendre et prédire sur différentes machines

• onnxmltools, winmltools

• How Three Lines of Code and Windows Machine Learning Empower .NET Developers to Run AI Locally on Windows 10 Devices

4 : IA

• Pas d’inelligence artificelle autonome

• Mais une myriade de modèles de machine learning

• Effet long terme (usage) / court terme (rendement)

• Mise à jour de modèle, historique des versions

• Ingénieur recherche et développement, de plus en plus recherche

5 : conquête

• Plein de domaines où la machine peut aider.

• Education, santé, droit, transport…

• Impact social, économique

• Marché mature (client, acteurs présents)