FC5 : Intelligence Artificielle Flashcards
(63 cards)
1
Q
Quels sont les types d’IA
A
- ia faible (ou descendante)
- ia forte (ou ascendante ou générale)
2
Q
Quelle ia utilise le machine Learning et laquelle utilise le deep Learning
A
- ia faible (ou descendante) —> MACHINE LEARNING
- ia forte (ou ascendante ou générale) —> DEEP LEARNING
3
Q
Parler de la sensibilité des deux types d’ia
A
- ia faible : non sensible
- ia forte : sensible
4
Q
intelligence limitée à l’exécution de taches précises qu’on lui attribue
A
Machine Learning
5
Q
Capacité de plus en plus grande à s’apparenter à l’être humain
A
Deep Learning
6
Q
Date de l’ia forte
A
Il n’existe pas encore —> c’est un idéal
7
Q
Caractéristiques du deep learning
A
- conscience de soi
- intelligence égale à celle de l’homme
- capable de planifier l’avenir, d’apprendre et de résoudre des problèmes
8
Q
Objectifs de l’ia
A
Reproduire des activités cognitives de l’homme :
- perception
- langage
- apprentissage
- planification
- raisonnement
- prise de décision
9
Q
Objectifs du machine Learning
A
- découvrir des modèles
- faire des prédictions
- exploiter des données massives
10
Q
Définition de l’ia (selon Larousse)
A
Ensemble de théories et des techniques mises en œuvre pour réaliser des machines capables de simuler l’intelligence humaine
11
Q
Quelles approches utilise l’ia
A
- apprentissage automatique
- réseaux de neurones artificiels
- traitement du langage naturel
12
Q
Historique de l’ia
A
Alan turing dans les années 1950
13
Q
Citer les réseaux de neurones
A
- réseaux de neurones artificiels
- réseaux de neurones convolutifs
- réseaux de neurones récurrents
14
Q
Principe du machine Learning
A
- exploration de données basées sur des statistiques et des données massives (big data)
- reconnaissance de modèles
15
Q
Dater l’arrivée du deep Learning
A
2010 grâce à l’arrivée de la big data et des puissance de calcul
16
Q
Différence entre le machine Learning et le deep Learning concernant l’apprentissage
A
- machine Learning : faut un expert derrière lui permettant d’identifier son erreur
- deep Learning : apprentissage sans l’aide humaine
17
Q
Expliquer le fonctionnement du deep Learning
A
Basé sur un réseau neuronal :
- première couche d’entrée (input layer) —> rentrer l’info qui sera analysée
- couches neuronales cachées (hidden layer) —> analyse et exécute l’info reçue
- couche de sortie (output layer) —> couche qui va donner la réponse
18
Q
Objectifs du deep Learning
A
- s’inspirer de comment marche le cerveau humain avec des réseaux de neurones pour pousser l’analyse plus loin
19
Q
Quel est le réseau de neurone le plus facile ?
A
Le réseau de neurone artificiel
20
Q
Particularité du réseau de neurone récurrent (donner un exemple)
A
On réutiliser les infos utilisées (utiliser les infos du output layer pour le prochain input layer)
—> LSTM est le plus connu
21
Q
Quel réseau de neurone est utilisé pour le traitement de l’image (comment ?)
A
Le réseau de neurone convolutif
—> utilise des filtres pour faire ressortir de nouvelles informations
22
Q
Nombre de données pour le machine Learning et le deep Learning
A
- machine Learning peut utiliser des petites quantités pour faire des prédictions
- deep Learning : grandes quantités de données pour faire des prédictions
23
Q
Dépendances matérielle (machine et deep Learning)
A
- machine Learning : ne nécessite pas beaucoup de puissance de calcul (peut marcher sur des machines bas de gamme)
- deep Learning : nécessite des machines haut de gamme (GPU)
24
Q
Processus de personnalisation du machine Learning et du deep Learning
A
- machine Learning : nécessite que les caractéristiques soient identifiés et créés avec précision par l’utilisateur
- deep Learning : crée de nouvelle caractéristiques de façon autonome
25
Sortie des machines Learning et deep Learning
- machine Learning : valeur numérique
- deep Learning : texte, score ou son
26
Temps d’exécution des 2 ia
- machine : peu de temps (qq sec à qq h)
- deep Learning : beaucoup de temps
27
Bilan du machine et deep Learning
- machine Learning : ia + statistiques
- deep Learning : machine Learning + réseau de neurones
28
Quels sont les types d’apprentissage
- apprentissage supervisé
- apprentissage non supervisé
- apprentissage renforcé
29
Particularité de l’apprentissage supervisé
L’algorithme s’entraîne sur un ensemble de données étiquettées
—> se modifie jusqu’à être capable de traiter le dataset
30
Particularité de l’apprentissage non supervisé
Données non étiquetés
- le réseau de neurone analyse l’ensemble de données
31
Particularité de l’apprentissage renforcé
Le réseau de neurone est renforcé suite à une réponse positive et sanctionné pour les résultats négatifs
—> apprend progressivement comme un être humain par les erreurs
32
Définir la NOTION DE PARTAGE
Échanger les données au niveau international pour avoir plus de puissance
33
C’est quoi la base de l’ia
Le big data
34
Principe du big data
C’est la donnée
(Sans données, y’a pas d’ia)
35
Qu’est ce qui est le plus long dans le développement d’une ia
Savoir quelles données utiliser et leur qualité
36
Optimiser l’algorithme par son entraînement est la partie la plus longue du développement d’une ia
FAUX, l’étape la plus longue est de trouver les bonnes données à utiliser et leurs qualités
37
Pour le deep Learning : il faut des dizaines de milliers de données pour arriver à entraîner la machine
Faux, il faut des centaines de milliers de données
—> doivent être en nombre, variées et accessibles
38
Rôle des données d’entraînement :
Permettre à l’ia d’apprendre :
- à segmenter une image et à faire ressortir la forme d’interêt
- à localiser, classifier et se concentrer sur l’objet principal
- à détecter repérer un objet
- à segmenter et reconnaître différents objets sur une même image
39
L’ia est sexiste mais pas raciste
Faux, l’ia est ni raciste, ni sexiste —> c’est notre interprétation, nos attentes qui en font ce qu’elle est
40
Problème principal de l’ia
- ne reconnaît pas forcément les personnes afro américaines
- taux d’erreur de 35% si c’est une femme noire sur la photo
—> cela signifie qu’il n’y a pas assez d’entraînements dans la base de données
41
Souhaits politiques en santé
- création du Health Data Hub pour améliorer la qualité de soins
- amélioration des diagnostiques grâce à l’ia
- lancement de 3 instituts IA en France : instituts multidisciplinaires d’IA à Nice, Grenoble et Paris
- création de nouveaux programmes d’enseignement qui mixe IA et santé : AI4HEALTH
- lancement de paris santé campus
42
Exemples de domaines d’application
- médecine prédictive = prédiction d’une maladie et de son évolution
- médecine de précision —> chirurgie assistée par ordinateur
- aide à la précision —> diagnostique et thérapeutique
- robots compagnons —> pour les personnes âgées ou fragiles
- prévention —> anticiper une épidémie ou pharmacovigilance
43
ÇA de la médecine avec l’ia
5 milliards de dollars en 2020 grâce à la chirurgie robotique
44
Rôle de l’ia dans l’ophtalmologie ((taux de réussite, nb de patho, images)
Dispositif pour diagnostiquer les rétinopathies diabétiques
- 98.5% de réussite
- basées sur 120.002 images de fonds d’œil
- peut détecter jussqu’à 10 pathologies
45
Lien entre la radiologie et l’ia
Therapixel
—> diagnostiquer un cancer du sein par mammographie
46
Lien entre ia et cardiologie
Ia permettant de diagnostiquer des arythmies cardiaques par Holter ECG
47
Lien entre neurologie et ia
Prédictions de la progression d’alzheimer + aide à l’apprentissage automatique
48
Lien entre médecine moléculaire et ia
Études de l’ADN, l’arn, protéines et métabolisme
49
Lien entre dermatologie et ia
- création d’une ia capable de détecter des grains de beauté bénins de ceux responsables d’un cancer
- règle ABCDE du mélanome (asymétrie, bords, couleur, diamètre, évolution)
—> ia plus performante que les médecins pour reconnaître les images de grains de beautés malins
50
Rôle de la robotique en médecine
- chirurgie assistée par ordinateur (améliorer la précision et opérations intelligente)
- prothèses intelligentes
- robots d’assistance
51
Autres applications de l’ia à part pour la médecine
- utilisation à des fins thérapeutiques ou administratifs
- surveillance de la santé publique
52
Utilisation à des fins administratives
- planification des ressources et des horaires
- gestion des dossiers médicaux (salles d’opération)
- assistance à la facturation et à la codification
- gestion des stocks
53
Utilisation pour la santé publique
- détection des épidémies et des maladies infectieuses
- prévisions et modélisation de flambées épidémiques
- surveillance des maladies chroniques
- surveillance de la résistance aux antibiotiques
- analyse des données de santé environnementale
54
Quels sont les actes possibles de la E-consultation
- téléconsultation = consultation à distance (remboursé par la sécu depuis septembre 2019)
- télé expertise = demande à distance par un médecin de l’avis d’experts médicaux
- télésurveillance = surveillance d’un patient grâce à des indicateurs à distance
- téléassistance médicale = assistance d’un médecin par un professionnel de santé
- réponse médicale
55
Qu’est ce qui a favorisé l’émergence de la E-médecine
La 5G et le développement d’objets connectés
56
Rôles des objets connectés
- mieux se connaître
- améliorer sa santé
- coaching
- Dépister
- alerter
57
Parler des bracelets et montres connectés
2% des français en ont :
- bracelet pour l’activité physique
- bracelet pour le niveau d’exposition au soleil
- bracelet qui enregistre les battements du cœur
- bracelet qui évalue la qualité du sommeil
58
(À part les montres connectés) donner des exemples d’objets connectés pour la santé
- balance connectée
- brosse à dents connectée
- vêtements connectés (pour mesurer le rythme respiratoire et cardiaque du bébé notamment)
- fourchette minceur
59
Objets connectés pour la médecine
- pilulier intelligent (rappeler les prises)
- tensiomètre
- lentille de contact (qui mesure le taux de glycémie)
- fréquence cardiaque
60
Rôle de l’ia dans la recherche
- accélérer le développement d’un médicament (simuler des réactions beaucoup plus rapidement grâce à InVivo AI)
- analyse des données de recherche clinique (identifier des modèles qui pourraient échapper à l’analyse manuelle)
61
Problème éthiques liés à l’ia
- biais et équité
- transparence et explicabilité (l’ia peut être complexe et difficile à comprendre)
- consentement éclairé et participation
- autonomie de prise de décision (préserver l’autonomie du patient et le jugement des professionnels de santé)
- confidentialité et protection des données
- responsabilité et responsabilisation (qui faut il blâmer en cas d’erreur ?)
62
Loi de bioéthique concernant l’ia
Loi de bioéthique de août 2021
—> avis du comité consultatif national d’éthique (CCNE)
63
Quelle ia est surtout utilsiée en médecine ?
Ia faible
—> mais on essaie d’aller vers l’ia forte (deep Learning)
