Tài liệu Intelligence artificielle pour la quantification automatique de la sécheresse oculaire

UNIVERSITÉ NATIONALE DU VIETNAM, HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL LATORTUE BENDY Intelligence artificielle pour la quantification automatique de la sécheresse oculaire MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE HANOÏ - 2019 UNIVERSITÉ NATIONALE DU VIETNAM, HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL LATORTUE BENDY Intelligence artificielle pour la quantification automatique de la sécheresse oculaire Spécialité : Systèmes Intelligents et Multimédia Code : Programme pilote MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE Sous la direction de : CORTEVAL François HANOÏ - 2019 Attestation sur l’honneur J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs. La source des informations citées dans ce mémoire a bien été précisée. Signature de l’étudiant LATORTUE BENDY Table des matières Remerciements v Résumé 1 2 3 4 Introduction vi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1 Contexte et cadre d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Groupe Théa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.3 Description du LaTIM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1 L’examen de la surface avec utilisation de colorant . . . . . . . . . . . . . 3 2.2 Le temps de rupture du film lacrymal ou break-up time (BUT) . . . . . . 3 . . . . . . . . . . . . . . . . . . . . 5 . . . . . . . . . . . . . . . . . . . . 14 La sécheresse oculaire Spécifications des Technologies . Etat de l’art . . . . . . . . . . . . . . . 4.1 Revue de littérature de la détection automatisée du temps de rupture lacrymal (TBUT) . . . . . . . . . . . . . . . . . . . . L’apprentissage profond : de l’image à la vidéo . . . 4.3 L’utilisation de l’apprentissage profond en ophtalmologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 5.1 Recueil des vidéos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 5.2 Matériel d’acquisition utilisé . . . . . . . . . . . . . . . . . . . . . . . . . 16 5.3 L’amplification de données . . . . . . . . . . . . . . . . . . . . . . . . . . 18 5.4 Protocol proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 5.5 Description de la découpe des images . . . . . . . . . . . . . . . . . . . . 19 . . . . . . . . . . . . . . 21 4.2 5 6 Réalisation des arborescences de fichier 14 15 6.1 Première arborescence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 6.2 Deuxième arborescence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 6.2.1 Description de l’annotation des images . . . . . . . . . . . . . . 24 Deuxième Annotation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 6.3.1 26 6.3 6.4 7 14 Comparaison des Annotations . . . . . . . . . . . . . . . . . . . Arborescence finale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 . . . . . . 29 Modèles pré-entraînés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 Apprentissage par Transfert (Transfer Learning) 7.1 i 8 9 7.1.1 VGG16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 7.1.2 Inception V3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 7.1.3 Resnet V2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 . . . . . . . . . . . . . . . . . 33 8.1 Cluster . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 8.2 Les Processeurs Graphiques GPU . . . . . . . . . . . . . . . . . . . . . . 33 8.3 Serveur SLURM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 8.4 Configuration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 8.5 Singularity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 Nombre d’images traitées . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 9.1.1 Bonne qualité | Mauvaise qualité . . . . . . . . . . . . . . . . . . 37 9.1.2 Ouvert | Fermé 39 9.1.3 Déchirement | Pas de Déchirement Les matériels Informatique utilisés Résultats 9.1 9.2 10 11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 Comparaison des résultats des différents modèles . . . . . . . . . . . . . . 46 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 Résultats finaux 10.1 Meilleur modèle par classe . . . . . . . . . . . . . . . . . . . . . . . . . . 10.2 Résultat deuxième annotation 50 . . . . . . . . . . . . . . . . . . . . . . . . 56 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 11.1 Critique des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 11.2 Difficultés rencontrées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 11.3 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 Discussion ii Table des figures 1 Intelligence Artificielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2 Apprentissage Automatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3 Modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 4 Apprentissage supervisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 5 Apprentissage non-supervisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 6 Apprentissage par renforcement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 7 Classifieur / Régresseur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 8 Mode de Fonctionnement d’un réseau de neurones . . . . . . . . . . . . . . . . . 12 9 Photographie d’une lampe à fente Haag Streit BQ 900 avec module d’acquisition CM 900 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 10 Le SL-D4 fait partie de la série D de Topcon Digital Slit Lamps. . . . . . . . . . 18 11 Arborescence 1 correspondant aux vidéos découpées . . . . . . . . . . . . . . . . 22 12 Partie du code permettant d’extraire les images . . . . . . . . . . . . . . . . . . 23 13 Arborescence 2 correspondant aux images à annoter . . . . . . . . . . . . . . . . 24 14 Image avec zones de rupture du film lacrymal (flèches orange) . . . . . . . . . . . 25 15 Tableau type d’annotation des images . . . . . . . . . . . . . . . . . . . . . . . . 26 16 Arborescence 3 correspondant à la répartition des images en sous-groupes . . . . 28 17 Branche d’Apprentissage par Transfert . . . . . . . . . . . . . . . . . . . . . . . 29 18 VGG16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 19 Inception V3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 20 Resnet V2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 21 Singularity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 22 Stastiques de la classe qualité du dossier d’entraînement . . . . . . . . . . . . . . 37 23 Stastiques de la classe qualité du dossier de Validation . . . . . . . . . . . . . . . 38 24 Stastiques de la classe qualité du dossier de Test . . . . . . . . . . . . . . . . . . 39 25 Stastiques de la classe Ouvert/Fermé du dossier d’entraînement . . . . . . . . . . 40 26 Stastiques de la classe Ouvert/Fermé du dossier de Validation . . . . . . . . . . . 41 27 Stastiques de la classe Ouvert/Fermé du dossier de Test . . . . . . . . . . . . . . 42 28 Stastiques de la classe Déchiré/Non Déchiré du dossier d’entraînement . . . . . . 43 29 Stastiques de la classe Déchiré/Non Déchiré du dossier de Validation . . . . . . . 44 30 Stastiques de la classe Déchiré/Non Déchiré du dossier de Test . . . . . . . . . . 45 31 Quantité d’image pour chaque classe . . . . . . . . . . . . . . . . . . . . . . . . . 46 iii 32 Aires sous la courbe des courbes ROC pour les trois premiers réseaux de neurones comparés pour la classe qualité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 Aires sous la courbe des courbes ROC pour les trois premiers réseaux de neurones comparés pour la classe ouverture palpébrale . . . . . . . . . . . . . . . . . . . . 34 47 48 Aires sous la courbe des courbes ROC pour les trois premiers réseaux de neurones comparés pour la classe déchirure du film lacrymal . . . . . . . . . . . . . . . . . 49 35 AUC : 0.813 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 36 Az : 0.534 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 37 AUC : 0.9982 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 38 Az : 0.9985 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 39 AUC : 0.828 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 40 Az : 0.8720 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 41 AUC : 0.78 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 42 Az : 0.73 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 43 AUC : 0.999 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 44 Az : 0.995 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 45 AUC : 0.79 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 46 Az : 0.77 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 iv Remerciements En premier lieu, je tiens à remercier DIEU le tout puissant et miséricordieux, qui m’a donné la force et la patience d’accomplir ce Modeste travail. En second lieu, je tiens à remercier mes maîtres de stage, M. Mathieu LAMARD, Ingénieur de chercheur au LaTIM, Inserm UMR 1101, et Gwénolé QUELLEC, chargé de recherche à l’Inserm. Un grand merci pour leur accueil chaleureux au sein de LaTIM, ainsi que pour leur patience et leurs précieux conseils. Ils m’ont beaucoup appris sur les défis qu’un encadrant doit relever au quotidien. Je saisis également cette occasion pour adresser mes profonds remerciements aux responsables et au personnel de Théa PHARMA. Ils ont toujours été à mon écoute et ont su m’apporter un soutien sans faille, notamment en ce qui concerne les démarches administratives relatives à un stage à l’étranger. Je désire aussi remercier les professeurs de l‘Institut Francophone International et de l’Université de La Rochelle, qui m’ont fourni les outils nécessaires au bon déroulement de mon stage. Je tiens particulièrement à remercier M. Ho Tuong Vinh, enseignant-chercheur, Institut Francophone International, Université Nationale du Vietnam qui fut le premier à me soutenir dans ma démarche de recherche de stage. Un grand merci à ma mère et mon père, pour leurs conseils, ainsi que pour leur soutien inconditionnel, à la fois moral et économique. Pour finir, je voudrais remercier ma relectrice, Sherly JN-Baptiste, pour ses conseils avisés sur la rédaction de ce rapport de stage et aussi remercier mes amis qui m’ont bien supporté durant ce long parcours. Abréviations AP-HP : assistance publique – hôpitaux de Paris AUC : Area under the Curve = aire sous la courbe. BUT : Break up time = temps de rupture CNN : Convolutional Neural Network = réseau de neurones convolutif IA : Intelligence artificielle LAF : Lampe à fente = biomicroscope ROC : Receiver Operating Characteristic = caractéristique de performance TBUT : Tear break up time = temps de rupture du film lacrymal v Résumé L’instabilité du film lacrymal est une caractéristique principale du syndrome sec oculaire. L’évaluation du temps de rupture du film lacrymal après instillation de fluorescéine est ainsi un critère diagnostic majeur de cette pathologie mais demeure sujet à une interprétation subjective. Notre étude cherche à automatiser cette détection grâce à l’utilisation de l’apprentissage profond (Deep Learning) après élaboration d’une base de données d’images de rupture du film lacrymal. Nous comparons différents réseaux de neurones convolutifs afin d’identifier le plus efficace. Au total, 30331 images ont été analysées pour 3 classes différentes, la première s’agit de la classe Bonne ou mauvaise qualité, la deuxième est Ouvert ou fermé et la troisième classe correspond au déchirement ou pas du film lacrymal. Le meilleur modèle pour chaque classe correspond, respectivement, aux réseaux de neurones convolutifs : Resnet_V2_152 (taux d’apprentissage à 0,001) avec une aire sous la courbe ROC de 0,83 pour la détection des images non interprétables, Inception_V4 (taux d’apprentissage à 0,001) avec une aire sous la courbe ROC de 0,9998 pour la détection des clignements des yeux et encore Resnet_V2_152 (taux d’apprentissage à 0,001) avec une aire sous la courbe ROC de 0,83 pour l’estimation de la rupture du film lacrymal. Ces résultats sont encourageants, de nombreuses techniques pourraient cependant les améliorer. Mots clés : Temps de rupture du film lacrymal / Tear break up time / TBUT, Réseau de neurones convolutif / Convolutional Neural Network / CNN, Sécheresse oculaire / Dry eye disease, Fluorescéine. Abstract : Instability of the tear film is a main characteristic of dry eye syndrome. The evaluation of the tear film break-up time after fluorescein instillation is thus a major diagnostic criterion for this pathology but remains subject to subjective interpretation. Our study seeks to automate this detection through the use of Deep Learning after developing a database of tear film break-up images. We compare different convolutional neural networks to identify the most effective. In total, 30331 images were analyzed for 3 different classes, the first one is the Good or Bad quality class, the second one is Open or closed and the third one is the tearing or not of the tear film. The best model for each class corresponds, respectively, to convolutional neural networks : vi Resnet_V2_152 (learning rate at 0.001) with an area under the ROC curve of 0.83 for detecting non-interpretable images, Inception_V4 (learning rate at 0.001) with an area under the ROC curve of 0.9998 for detection of eye blinks and Resnet_V2_152 (learning rate at 0.001) with an area under the ROC curve of 0.83 for tear film rupture estimation. These results are encouraging, but there are many techniques that could improve them. vii 1 1.1 Introduction Contexte et cadre d’étude La lampe à fente (ou biomicroscope) est un instrument de consultation utilisé par les ophtalmologues qui a été introduit en 1911, par Allvar Gullstrand, pour faire l’examen complet de l’oeil. Cette machine oculaire est un moyen très répandu pour calculer le temps de déchirement du film lacrymal (BUT) avec un chronomètre pour quantifier ce temps. Cette mesure permet au médecin de conclure sur la condition de l’oeil : sec ou pas. En raison du manque de précision de cette méthode, avec parfois quelques secondes de trop ou de moins, nous proposons d’utiliser l’intelligence artificielle afin d’automatiser ce processus. Dans ce chapitre d’innovation est souligné le sujet de notre stage “QUANTIFICATION AUTOMATIQUE DE LA SÉCHERESSE OCULAIRE” effectué au LaTIM (Laboratoire de Traitement de l’Information Médicale). 1.2 Groupe Théa Théa est un laboratoire pharmaceutique indépendant spécialisé dans la recherche, le développement et la commercialisation de produits en ophtalmologie. Créé il y a 25 ans, Théa a largement participé aux dernières avancées pharmacologiques et est aujourd’hui le 1er groupe pharmaceutique européen indépendant en ophtalmologie. Basé à Clermont-Ferrand, le laboratoire a poursuivi son expansion en ouvrant près de 25 filiales en Europe puis en Russie, au Maghreb et en Amérique Latine. Aujourd’hui, son réseau rassemble plus de 1400 collaborateurs et ses produits sont disponibles dans près de 70 pays dans le monde. Groupe indépendant et familial, fondé à partir d’une start-up de Recherche et Développement par Henri Chibret qui appartient à la 4ème génération d’une dynastie du monde de l’ophtalmologie, Théa est présidé depuis 2008 par Jean-Frédéric Chibret (5ème génération) ; Henri Chibret demeurant à la tête de la Holding Théa et se concentrant désormais sur la stratégie scientifique et financière du groupe. 1.3 Description du LaTIM Né de la complémentarité entre le domaine des STIC et de la Santé, le LaTIM (Laboratoire de traitement de l’information médicale) développe une recherche multidisciplinaire conduite par des membres issus de l’Université de Bretagne Occidentale, de l’IMT Atlantique, de l’INSERM et du CHRU de Brest. L’information est au coeur du projet de 1 recherche de l’unité ; par nature multimodale, complexe, hétérogène, partagée et distribuée, celle-ci est intégrée, par les chercheurs, au sein de solutions méthodologiques dans le seul but d’améliorer le service médical rendu. Le champ d’expression de cette recherche se focalise sur l’action thérapeutique en oncologie (équipe ACTION) et dans le domaine des thérapies interventionnelles (équipe IMAGINE). Bénéficiant d’une unité de lieu au sein même du CHRU, l’UMR dispose (en plus de l’accès à ses propres plateformes) d’un accès privilégié aux plateaux techniques hospitaliers, ainsi qu’à l’ensemble des données cliniques et aux patients, dans une dynamique forte de recherche translationnelle. 2 2 La sécheresse oculaire Avec près d’un quart des consultations en ophtalmologie, la sécheresse oculaire est l’une des causes les plus fréquente de consultation en ophtalmologie[1]. Une étude française estimait sa prévalence à 21,9% sur une population âgée[2]. L’impact de la sécheresse oculaire sur la qualité de vie et la fonction visuelle est désormais inclus dans la définition même de la maladie[3]. L’impact psychologique peut être majeur et être cause de dépression[4]. Par ailleurs, il s’agit d’une affection dont le coût pour la société est élevé. Selon une étude européenne[5], en France, en 2006, le coût direct était estimé à 215 euros par patient. 2.1 L’examen de la surface avec utilisation de colorant La fluorescéine est le colorant le plus utilisé : elle permet d’augmenter la sensibilité de l’examen ophtalmologique de la surface oculaire. C’est un colorant ne pénétrant pas les cellules (non vital) qui se dilue dans les larmes. Elle ne possède pas de toxicité intrinsèque et est très bien tolérée. L’imprégnation de la cornée ou de la conjonctive témoigne d’une altération des jonctions intracellulaires ou d’une anomalie des couches muqueuses. Ces examens sont réalisés avec une lampe à fente (grossissement x10) après instillation d’une goutte de fluorescéine 2% au niveau du cul de sac conjonctival inférieur. L’éclairage par une lumière bleue induit une fluorescence du produit en vert. On améliore le contraste de la fluorescéine par l’interposition d’un filtre jaune. 2.2 Le temps de rupture du film lacrymal ou break-up time (BUT) La mesure du temps de rupture lacrymal, Tear break-up time en anglais est un examen[7] permettant d’évaluer la stabilité du film lacrymal. Le temps de rupture du film lacrymal est défini par la durée de l’intervalle entre le dernier clignement complet et l’apparition sur la cornée de la première zone sèche (zone apparaissant sombre, sans colorant). Il est recommandé de le réaliser de manière systématique la mesure break up time chez tous les patients présentants les symptômes de sécheresse oculaire. 3 La réalisation d’une capture vidéo associée à un chronométrage permet une mesure précise[8] pour un éventuel essai clinique. La sensibilité du TBUT dans le diagnostic de sécheresse oculaire était évalué à 72,2% avec un seuil de 10 secondes après instillation de 25 microlitres chez des patients présentant un syndrome de Sjogren[4]. La rupture lacrymale se fait le plus souvent au niveau central de la cornée. 4 3 Spécifications des Technologies Figure 1 – Intelligence Artificielle 1. Intelligence Artificielle (IA) est le nom d’un champ de connaissances complet, similaire à la biologie ou à la chimie. Un ensemble de théories et de techniques utilisées pour produire des machines permettant de simuler l’intelligence. Cette notion voit le jour dans les années 1950 grâce à Alan Turing (mathématicien et logicien). “Computing Machinery and intelligence” est un livre d’Alan Turing dans lequel il a élaboré des arguments contre les objections qui font croire que l’intelligence demeure une qualité purement humaine. Dans ce présent rapport, nous allons passer en revue ces 9 protestations. • L’objection Théologique : Turing fait comprendre que le simple fait de penser est une caractéristique retrouvée uniquement chez l’être humain. Par conséquent, tel don accordé à l’être immortel par DIEU lui-même est une porte que les machines (pas même les animaux) ne peuvent franchir. 5 • L’objection de la tête dans le sable : soulève le point que si les machines pensent le résultat serait catastrophique. Le mieux est d’ignorer qu’une capacité pareille pourrait s’affecter à la machine. Cette objection renforce la première qui nous invite à croire que l’homme doit rester dans une situation dominante sur tout autre être du monde (le reste du monde). • L’objection mathématique : part du principe d’un système discret, qui luimême est caractérisé par un nombre fini d’inconnues, pour mettre en évidence la limite des machines. Turing fait comprendre que cette limite l’être aussi pour l’homme sinon il ne donnerait jamais de mauvaises réponses (ce qui n’est pas évident). Et aussi, Turing affirme qu’il est contradictoire de dire que l’homme généralement est supérieur à la machine en général ou vice versa en se basant sur le théorème de Gödel : notre supériorité, en de telles occasions, ne peut être ressentie que par rapport à la machine particulière sur laquelle nous avons remporté un triomphe insignifiant (our superiority can only be felt on such an occasion in relation to the one machine over which we have scored our petty triumph). De ce fait, Turing classe l’humain et la machine au même niveau de la pyramide dans le seul but de dire qu’ils ont la même limite. • L’objection-argument “de la conscience” : Turing éclairci la déclaration du professeur Jefferson en faisant apparaitre le coté solipsiste de cette dernière. Le professeur Jefferson disait qu’on ne peut pas en être sûr qu’une machine pense si on n’est pas à la place de celle-là. Pour faire suite à cette affirmation, Turing met en surbrillance que : “la seule manière de savoir qu’un homme pense est d’être cet homme lui-même. (The only way to know that a man thinks is to be that particular man)”. C’était justement pour contrer l’affirmation du professeur Jefferson face à la machine. • Les arguments des diverses incapacités : Turing consent de dire qu’ils pourront réaliser avec une machine tout ce qu’ils ont su décrire mais loin de là de construire une Machine qui fasse “X”. Turing qualifie telle machine qui fasse la tâche “X” comme : “gentille, qui a un sens de l’humour, qui a de l’amour, beau, emploie les mots correctement, se nourrit de sa propre expérience...”. D’après Turing, C’est en quelque sorte, une forme alternative de l’argument tiré de L’objection-argument “de la conscience” : Si une machine est capable de faire le test du sonnet, elle devrait être en mesure de “faire X”, tel que détaillé plus haut. Selon l’expérience de Turing, il se dit que les machines peuvent avoir “des erreurs de fonctionnement”, à savoir une panne électrique qui empêche la machine de fonctionner comme elle se doit ou toute autre panne nuisible au bon fonctionnement de cette dernière. 6 • L’objection-argument “ de Lady Lovelace ” : cette objection vient avec l’idée que le machine fera que ce pourquoi elle a été programmée, c’est à dire, elle ne pourra pas avoir de nouveaux comportements. Suite à de nombreuses interrogations pour faire apparaitre le vrai sens du mot “nouveau”, Turing conclut avec le dicton qui dit “il n’y a rien de nouveau sous le soleil (There is nothing new under the sun)”. Turing a fait comprendre que le “nouveau”, dans le cas de l’être immortel (l’homme), est d’une nature différente. • L’argument “ de la continuité dans le système nerveux ” : Turing souligne que dans le contexte du cerveau, une petite fausseté dans l’information, de la dimension d’une impulsion nerveuse frappant un neurone, peut changer considérablement la dimension de l’impulsion de sortie. On peut faire valoir que, puisque c’est le cas, il ne faut pas s’attendre à pouvoir simuler le comportement du système nerveux avec un système à états discrets. Turing souligne à cet égard que l’écart introduit par cette différence objective entre les réponses de la machine et celles d’un individu humain ne sera pas discernable pour un homme. • L’argument “ de l’informalité du comportement ” : Turing avouait que : "Il est inconcevable de créer un ensemble de règles qui a pour but de décrire ce qu’un homme devrait faire dans toutes les circonstances imaginables". Il continue pour dire que si l’homme vivait sous des conditions prédéfinies (à savoir des règles de conduite), en aucun cas, il ne serait supérieur à la machine. Alors que telle condition n’a jamais vu le jour, donc les hommes ne peuvent pas avoir le comportement des machines. Le point central de cet argument est qu’il n’est pas dans notre capacité de compter les règles de conduites pour déterminer le comportement humain, a fait remarquer Turing. Cependant, il a, à nouveau, noté qu’il serait mieux de parler de “lois du comportement” au lieu de “règles de conduites”. • La machine “ surcritique ” et l’hypothèse des “ machinesqui apprennent ” Dans cette partie, Turing reprend l’argument dit de “Lady Lovelace” disant qu’une machine peut effectuer tout ce que nous lui ordonnons de faire. Turing a signalé que cette déclaration omet le mot “seulement” qui l’oppose à l’argument général, qu’il discutait, selon lequel : “la machine peut faire seulement ce que nous savons lui ordonner de faire [The machine can only do what we know to order it to do] ibid., p. 159”. Turing continue sur une autre analogie, dite de “la peau de l’oignon”, pour faire comprendre ce qu’est “l’esprit réel”. Pour Turing, pour trouver “l’esprit réel”, il faut enlever d’abord, une espèce de peau. Par contre, Turing ajoute, la question est, qu’est-ce qu’on rencontre après avoir arraché cette première peau ? Sous la première peau, on trouve d’autres caractéristiques qui peuvent, en tant que 7 telles, s’expliquer en termes mécaniques ; une deuxième peau devra être ôtée. Turing conclut pour demander si on va arriver vraiment à “l’esprit réel”, en continuant de cette manière, ou, tout simplement, est-ce que nous arrivons à la peau qui n’a rien. Turing a utilisé cette analogie pour montrer aux hommes qu’ils ne sont pas en mesure de montrer qu’une machine universelle peut devenir “surcritique”, sinon, en continuant ainsi, ils arriveront devant une peau qui ne contient rien. La nature "surcritique" de la pensée humaine ne peut plus être assignée à un principe au-delà de la justification mécanique donnée pour chacun des échelons de fonction qui auront été examinés 2. Apprentissage Automatique (ou Machine Learning en anglais) est un sousdomaine de l’IA qui a pour objectif de comprendre la structure des données, créer de la connaissance de manière automatique à partir de données brutes. Cette connaissance (ou modèle) peut alors être exploitée pour prendre des décisions. Figure 2 – Apprentissage Automatique voyons plus en détail le schéma ci-dessus de l’apprentissage automatique • Données Quand on parle de données, en apprentissage automatique, on parle d’échantillons notés sous forme de vecteur : x = (x1 , x2 , . . . , xn ) n est le nombre de coordonnées (attributs/dimensions/caractéristiques). Les données sont divisées en deux catégories : – données labellisées : elles comprennent une ou plusieurs caractéristiques (features : x) et une étiquette (label : y). Le label y permet de prédire la décision pour un échantillon donné. – données non-labellisées : contrairement aux données labellisées, celles-ci ne sont pas associées à des étiquettes (y). 8 • Modèle C’est une fonction (f ) qui prend un échantillon (x) en entrée, et qui renvoie une décision (y) Figure 3 – Modèle Les paramètres de la fonction f peuvent être déterminés à l’aide des échantillons, d’où viennent l’étape de l’apprentissage ou l’entraînement du modèle. Cette dernière peut se catégoriser selon le type d’apprentissage : – Apprentissage supervisé : C’est lorsque les échantillons sont étiquetés. Le réseau apprend à classifier des entrées en s’appuyant sur l’ensemble des exemples avec les réponses correctes associées. Figure 4 – Apprentissage supervisé – Apprentissage non-supervisé : les échantillons ne sont pas étiquetés (plus difficile d’extraire les informations pertinentes). Le réseau classifie les entrées en s’appuyant sur la similarité entre différentes entrées (plus généralement il s’agit de clustering automatique). 9 Figure 5 – Apprentissage non-supervisé – Apprentissage par renforcement : l’agent apprend à se rapprocher d’une stratégie comportementale optimale par des interactions répétitives avec l’environnement. Figure 6 – Apprentissage par renforcement Selon la nature du résultat (catégorisé ou non), il existe deux types de modèles : – Classifieur. Si les résultats sont catégorisés (on dit que le modèle effectue une classification) – Régresseur. Si les résultats ne sont pas catégorisés (on dit que le modèle régresse). 10