Vulgarisation data science

Transcript

1. Data Science Vulgarisation Non Vulgaire (sauf peut-être à la slide 14) Quentin Loridant Direction des Affaires Maritimes
2. 2 Exemple 1 Source images : thispersondoesnotexis
3. Sondage ▰ Qu’est ce que la Data Science/ l’intelligence artificielle vous évoque ? ▰ Avez-vous des exemples concrets de projets utilisants de la Data Science/ de l’intelligence artificielle ? 3
4. 1. Contexte • Définitions • Historique
5. Définitions (by Wikipédia) Intelligence Artificielle Discipline scientifique recherchant des méthodes de résolution de problèmes à forte complexité logique ou algorithmique Data Science Extraction de connaissance d'ensembles de données Machine Learning Champ d'étude de l'intelligence artificielle qui se fonde sur des approches statistiques pour donner aux ordinateurs la capacité “d'apprendre” à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune 5
6. 6 Définitions Visuelles (source image : eurodecision)
7. Historique 1950 - Test de Turing Détecter si interlocuteur est une machine ou un humain 1950 ->1995 Construction théorique des algorithmes et premiers résultats 2014 - Réussite test de Turing La machine Eugene Goostman convainc 33 % des juges humains qu’elle est humaine 7 Années 90 Naissance et popularisation d’internet 2015 - Alpha GO Un ordinateur de Google gagne contre le meilleur joueur du monde au jeu de GO
8. 2. En Pratique : Exemple sur les données du Titanic 8
9. 9 [Prévoir les survivants du Titanic] M. Smith 43 ans Anglais Aurait t-il survécu ? OUI - 11% NON - 89%
10. 10 [Prévoir les survivants du Titanic] Les Données Les données sont le fuel ... Un data scientist aime ses données : ▰ Accessibles ▰ Structurées ▰ Propres ▰ Nombreuses
11. 11 [Prévoir les survivants du Titanic] Les Modèles … et le modèle est le moteur ! Un réseau neuronal en action (source gif : 3Brown1Blue)
12. “ 12 Exemple 2 (source image: Dennis Goedegebuure, sur Medium)
13. Pyramide : De la Donnée à L’intelligence 13 Analyse statistique des données et définition de métriques 2 Visualisation des données et interactions 3 Intelligence Artificielle 4 Stockage organisé et documenté de la donnée 1
14. 3. Voir plus loin Limites et Dangers de la Data Science Ouverture culturelle 14
15. Limites : Biais 15
16. Autres Limites 16 Techniques ▰ Mauvaise connaissance des phénomènes rares ▰ Nous ne connaissons pas les limites formelles du machine learning Sociétales ▰ Respect de la vie privée sur les données personnelles ▰ Technologie opaque -> met de côté une grande majorité des personnes ▰ Les GAFAM ont des données indisponibles pour le commun des data scientists mortels
17. Ouverture culturelle 17 ▰ Kaggle : Plateforme internationale de défis de machine learning ▰ Meet Up ▰ Interview de Cédric Villani : Intelligence artificielle perspectives futures (Thinkerview) ▰ Ted Talks
18. Questions ? Doutes ? Remarques ? 18