Notes

La tendance du moment sur cette page sur cette page

Ma source à propos de sur cette page


Historiquement, les débuts de l’IA datent à Alan Turing dans les années 1950, et le mot définit tout dire et ne rien dire. En effet, dans l’imaginaire commun, lorsqu’on traite d’intelligence forcée, on désigne par là un programme qui peut réaliser des actions d’humain, en apprenant en solo. Or, l’IA telle que définie dans l’industrie est assez « des algorithmes assez évolués qui imitent des actions humaines ». Par exemple, un catalogue qui nous dit si on est en surpoids ( en lui donnant notre taille et poids ), est une ia : l’utilisation de les méthodes IF… THEN… ELSE… dans un catalogue en fait une intelligence artificielle, sans qu’elle soit « assurément » minutieuse. De la même façon, une machine de Turing est une intelligence artificielle.A l’inverse, une intelligence artificielle forte ( AGI ) ou une superintelligence factice ( ASI ) sont totalement autonomes et auto-apprenantes ( mais il n’en existe aucune à l’heure préconception ) ! En résumé, si l’Intelligence Artificielle est une affaire très vaste qui regroupe partiellement des algorithmes qui « ne réalisent pas rêver », il y a aussi des algorithmes plus performants, notamment dans le machine learning.Partons d’un exemple sincère : imaginons que vous vouliez créer une ia qui vous offre le tarif d’un appart à partir de sa aire. Dans les années 1950, vous auriez fait un programme du type « si la superficie est inférieure à 20m², le montant vaut 60 000€, si elle est entre 20m² et 30m², le tarif vaut 80 000€, etc… », ou peut-être « prix = superficie*3 000 ». si vous avez un collègue statisticien, il risque de alors vous dire que ces approximations ne sont effectivement pas satisfaisantes, et qu’il suffirait de vérifier le montant de sérieusement d’appartements dont on sait la aire pour estimer le prix d’un nouveau chez moi de taille non-référencée ! Votre ami vient de engendrer au machine learning ( qui est de ce fait un sous-domaine de l’intelligence embarrassée ).En effet, parvenu dans les années 1980, le machine learning ( ml ) est l’application techniques statistiques aux algorithmes pour les donner plus intelligents. L’enjeu du deep est bien de construire des lignes qui approximent les données et permettent de diffuser facilement. Il est donc assis sur la capacité des algorithmes à recevoir beaucoup d'informations et à « apprendre » d’elles ( i. e. corriger les contours d’approximation ) !Au cours de l’année 2020, l’intelligence forcée va trouver son coin dans davantage d’industries. Alors que la reconnaissance faciale est déjà utilisée dans le retail, la banque ou les pour test clientèle, elle pourrait s’inviter dans les secteurs du transport, de la logistique, de la forme, du aliments prêts à manger, de l’aviation ou alors de l’énergie. parallèlement, l’IA sera de plus en plus utilisée dans le secteur de l’automatisation des transports. Les véhicules devraient notamment se doter d'adéquats softs et de capteurs LiDar. D’ici 2025, l’IA devrait permettre d’économiser 173 quotité de dollars dans le secteur des voitures.aujourd’hui, l'ennui simple de toute organisation est de savoir sauvegarder les originalités des individus, de négliger cet crime intellectuel qui est le académisme, mais par quel moyen ? Il faut comprendre que toute de conviction innovante est essentiellement mouvante, qu'elle n'est pas aujourd'hui cequ’elle était il y a 10 saisons et que dans dix saisons, de postérieurs perfectionnement auront germé et se développeront. L’innovation technique doit étendre indications ou traiter plus loin des instructions déjà explorées et déjà pratiquées. Aussi, arrive-t-il que les voies des uns et des autres disparate en apparence ou aboutissent provisoirement à beaucoup de résultats très différents.


En savoir plus à propos de sur cette page

Website: https://formation-google-earth.fr/