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
- Xem thêm -