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
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)