Apple débauche une pointure de l'intelligence artificielle de Google, Réactions à la publication du 04/04/2018

[Lionel]

John Giannandrea était jusqu'à hier le chef de la division recherche sur l'intelligence artificielle chez Google. Il avait ce poste depuis 2010 mais a annoncé son départ de la société.
On sait maintenant qu'il ira chez Apple tenir un poste similaire.

La recherche sur l'intelligence artificielle ou plutôt les systèmes experts capables d'apprentissage est devenue cruciale pour l'avenir, en particulier au niveau des assistants comme Siri, qui se doivent de devenir plus pertinents et dans ce domaine Apple a un retard significatif sur Google ou même Amazon.

Lien vers le billet original

[VSD]

Forcément que l'on a un besoin crucial de Intelligence Artificielle !!!
On ne pourra plus rien faire sans cela !!!
On est devenu (ou on l'a toujours était ?) trop con pour appuyer sur un bouton,
ou de tourner un bouton, pour recherche une station de radio ou autres...
ça me fait juste marrer !

[Rorqual]

Un bon chef c'est toujours mieux qu'un mauvais, mais n'est-ce pas plus intéressant d'embaucher des experts que des managers ? OK, ils doivent avoir une bonne vision et stratégie, mais sans les "petites mains" adaptées il n'ira pas loin. Après, il y a peut-être aussi des embauches de ce type, mais on n'en entend juste pas parler !

[Hebus]

Un bon chef c'est toujours mieux qu'un mauvais, mais n'est-ce pas plus intéressant d'embaucher des experts que des managers ? OK, ils doivent avoir une bonne vision et stratégie, mais sans les "petites mains" adaptées il n'ira pas loin. Après, il y a peut-être aussi des embauches de ce type, mais on n'en entend juste pas parler !

Ils ont maintes acquisitions dans le domaine et ils ont embauché quelques expert dont Ruslan Salakhutdinov

Je crois qu'ici Ils ont surtout embauché un « patron » , il va avoir à charge de reporter directement à TC, donc enrichir la stratégie

La contrainte de respect de la vie privée a rendu plus difficile le recrutement de pointures car ça rend plus difficile le boulot et cela limite certaines possibilités.

Mais les derniers événements lié à FB en font peut être un nouvel argument pour recruter et vendre...

[amike]

Un bon chef c'est toujours mieux qu'un mauvais, mais n'est-ce pas plus intéressant d'embaucher des experts que des managers ? OK, ils doivent avoir une bonne vision et stratégie, mais sans les "petites mains" adaptées il n'ira pas loin. Après, il y a peut-être aussi des embauches de ce type, mais on n'en entend juste pas parler !

Voici un extrait de l'avis même de Google sur ce "chef" :

Giannandrea joined the company in 2010, after Google bought his startup Metaweb Technologies.

His company was the basis for Google's "Knowledge Graph," which stores information to help users answer their questions as quickly as possible.

Le KG de Google, c'est justement ce qui permet - comparativement - de dire que Siri est "bête" quand on lui pose une question
Knowledge Graph

Donc, il me semble que 1/ c'est le bon type à embaucher 2/ il connaît les "petites mains" à embaucher...

[papag4]

Forcément que l'on a un besoin crucial de Intelligence Artificielle !!!
On ne pourra plus rien faire sans cela !!!
On est devenu (ou on l'a toujours était ?) trop con pour appuyer sur un bouton,
ou de tourner un bouton, pour recherche une station de radio ou autres...
ça me fait juste marrer !

mmmm:

"une intelligence artificielle, une, pour les empêcher de penser et les asservir tous..."

imaginez qu'un jour, pour garantir la paix, une Intelligence Artificielle, grâce aux données récupérées sur Face de bouc, Google et autres GAFA définisse "intelligemment" le futur président des Etats Unis du monde...
Ceci afin de faire des économies, mettre tout le monde d'accord en évitant des troubles "électoraux"...en croisant un maximum de données et analysant un maximum de scenarii ( mais la vie est-elle un grand jeu d'échecs ou de stratégie ?)!

Non finalement, l'intelligence artificielle ne me fait pas du tout marrer.

ronan

[iAPX]

Est-ce qu'il a son permis de conduire au moins, ou est polyglotte?

Car là les "génies" qui n'ont pondu de l'Imbécilité Artificielle ces dernières années semblent être dénué de ces deux qualités.

PS @papag4, on utilise déjà du data mining (rebadgé "big data") depuis longtemps, pour obtenir ce genre d'infos.

Ce message a été modifié par iAPX - 4 Apr 2018, 12:37.

[Hebus]

Bah une petite relecture de Fondation... nous montrera que cette idée que le quantitatif avec une certaine masse critique peut passer au qualitatif

C’est d’ailleurs une théorie de S.J Gould sur l’apparition de l’intelligence chez l’homme... nos lointains ancêtres avait déjà une matière grise plus importante relativement à leur masse globale que les autres mammifères... la masse de cette matière grise « en plus » aurait finit par atteindre une masse critique permettant l’apparition de nouvelles fonctions.

[Eurylaime]

Il faudra quand même quelques années pour en percevoir les effets et vu comme Apple est à la ramasse sur le sujet, il a bien du courage ou un beau challenge.

[raoulito]

tiens d'ailleurs, a ce sujet là, j'ai appris dans un ORLM recent que FaceID avait modifié son comportement chez pas mal d'utilisateurs justement grâce au réseau neuronal. en gros, pour la plupart des tests ratés (faux jumeaux, mere/fils etc..) désormais il arrivai à faire la différence. Et ca c'est typiquement une fonction que l'apprentissage a modifié.

[iAPX]

tiens d'ailleurs, a ce sujet là, j'ai appris dans un ORLM recent que FaceID avait modifié son comportement chez pas mal d'utilisateurs justement grâce au réseau neuronal. en gros, pour la plupart des tests ratés (faux jumeaux, mere/fils etc..) désormais il arrivai à faire la différence. Et ca c'est typiquement une fonction que l'apprentissage a modifié.

Bravo, très bon si ça arrive: ça corresponds donc à une serrure qui refuse de se déverrouiller après un cambriolage, pas avant

La on est dans le domaine de l'Heuristique plutôt que du "deep-learning".

[Hebus]

tiens d'ailleurs, a ce sujet là, j'ai appris dans un ORLM recent que FaceID avait modifié son comportement chez pas mal d'utilisateurs justement grâce au réseau neuronal. en gros, pour la plupart des tests ratés (faux jumeaux, mere/fils etc..) désormais il arrivai à faire la différence. Et ca c'est typiquement une fonction que l'apprentissage a modifié.

Bravo, très bon si ça arrive: ça corresponds donc à une serrure qui refuse de se déverrouiller après un cambriolage, pas avant

La on est dans le domaine de l'Heuristique plutôt que du "deep-learning".

Non, je crois juste qu’ils ont amélioré le modèle, il est mis à jour également ... on a les mêmes types d’amélioration des models utilisés par les fonctions linguistiques au niveau de CoreML

[iAPX]

tiens d'ailleurs, a ce sujet là, j'ai appris dans un ORLM recent que FaceID avait modifié son comportement chez pas mal d'utilisateurs justement grâce au réseau neuronal. en gros, pour la plupart des tests ratés (faux jumeaux, mere/fils etc..) désormais il arrivai à faire la différence. Et ca c'est typiquement une fonction que l'apprentissage a modifié.

Bravo, très bon si ça arrive: ça corresponds donc à une serrure qui refuse de se déverrouiller après un cambriolage, pas avant

La on est dans le domaine de l'Heuristique plutôt que du "deep-learning".

Non, je crois juste qu’ils ont amélioré le modèle, il est mis à jour également ... on a les mêmes types d’amélioration des models utilisés par les fonctions linguistiques au niveau de CoreML

"amélioré le modèle" : sans test objectif pour comparer l'ancien avec le nouveau, notamment avec le taux de faux négatifs sur une population qui était correctement identifiée, pas évident de parler d'amélioration, non?!?

J'ai du mal avec la magie, surtout quand on n'ose pas nous en parler

[Hebus]

Ce n’est pas de la magie, c’est du calcul d’optimisation de fonctions d’erreur, le truc chelou c’est que l’on a du mal sans doute à visualiser l’espace de fonction que l’on a définit avec un reseau de neurones, par exemple, et pourquoi ça marche ou pas, ce que l’on ne dit pas c’est la galère pour obtenir un modèle qui marche, en tatonnant.

Donc voyant experimentalement que certains cas de figure n’étaient pas correctement calculés, que la fonction d’erreur choisie (le modèle) ne suffisait pas, ils ont sans doute récupéré de nouvelles données, ont refais le processus de détermination du modèle qui marche statistiquement le mieux... et ont mis à jour le modèle utilisé par FaceID

Car au niveau de l’iphone, je vois bien comment il peuvent modifier la fonction d’erreur minimum dans le modèle définit, mais il n’y a pas la puissance nécessaire pour calculer un nouveau modèle, et surtout pas de mécanisme pour indiquer au système la nature de l’erreur commise, et donc la classifier.

[iAPX]

...
Donc voyant experimentalement que certains cas de figure n’étaient pas correctement calculés, que la fonction d’erreur choisie (le modèle) ne suffisait pas, ils ont sans doute récupéré de nouvelles données, ont refais le processus de détermination du modèle qui marche statistiquement le mieux... et ont mis à jour le modèle utilisé par FaceID
...

Justement "qui marche statistiquement le mieux", qu'est-ce à dire, as-tu des chiffres, une étude sur FaceID avant et après?!?

Là, tu supputes (en un seul mot, je reste poli ).

[Hebus]

...
Donc voyant experimentalement que certains cas de figure n’étaient pas correctement calculés, que la fonction d’erreur choisie (le modèle) ne suffisait pas, ils ont sans doute récupéré de nouvelles données, ont refais le processus de détermination du modèle qui marche statistiquement le mieux... et ont mis à jour le modèle utilisé par FaceID
...

Justement "qui marche statistiquement le mieux", qu'est-ce à dire, as-tu des chiffres, une étude sur FaceID avant et après?!?

Là, tu supputes (en un seul mot, je reste poli ).

Je suppose au vu de l'experience que j'ai dans mon boulot sur un projet de reduction de False Positive justement... J'ai suivi une formation et je suis de loin ce que font ces fameux data scientists sur ce projet...

En simplifiant. Le processus normal/classique dans l'approche ML de ce type, c'est à partir d'un échantillonnage donné dont on connait la réponse espéré (ML supervisé), et d'un ensemble de modèles potentiels (espace de fonctions)... de prendre 60% de l'échantillon, de calculer les minimums correspondants dans chaque modèle... ensuite d'appliquer les fonctions d'erreurs trouvées à 20% de l'échantillonnage pour decider quel modele semble le plus approprié... Et à la fin pour qualifier le modele choisi on l'applique au 20% restant de l'échantillonnage, et on mesure le taux de réussite.

De fait un algo ML se caractérise/qualifie de manière assez precise... la question est ailleurs... le plus important, les data, les nettoyer, leur coller des mesures/attributs/features qui aient du sens et qui ne soit pas corrélées, et ensuite tâtonner pour trouver un modele qui va bien.

Ce message a été modifié par Hebus - 5 Apr 2018, 13:29.

[johnstone]

Là, tu supputes (en un seul mot, je reste poli ).

Il n'y a pas de sot métier

[iAPX]

...
Donc voyant experimentalement que certains cas de figure n’étaient pas correctement calculés, que la fonction d’erreur choisie (le modèle) ne suffisait pas, ils ont sans doute récupéré de nouvelles données, ont refais le processus de détermination du modèle qui marche statistiquement le mieux... et ont mis à jour le modèle utilisé par FaceID
...

Justement "qui marche statistiquement le mieux", qu'est-ce à dire, as-tu des chiffres, une étude sur FaceID avant et après?!?

Là, tu supputes (en un seul mot, je reste poli ).

Je suppose au vu de l'experience que j'ai dans mon boulot sur un projet de reduction de False Positive justement... J'ai suivi une formation et je suis de loin ce que font ces fameux data scientists sur ce projet...

En simplifiant. Le processus normal/classique dans l'approche ML de ce type, c'est à partir d'un échantillonnage donné dont on connait la réponse espéré (ML supervisé), et d'un ensemble de modèles potentiels (espace de fonctions)... de prendre 60% de l'échantillon, de calculer les minimums correspondants dans chaque modèle... ensuite d'appliquer les fonctions d'erreurs trouvées à 20% de l'échantillonnage pour decider quel modele semble le plus approprié... Et à la fin pour qualifier le modele choisi on l'applique au 20% restant de l'échantillonnage, et on mesure le taux de réussite.

De fait un algo ML se caractérise/qualifie de manière assez precise... la question est ailleurs... le plus important, les data, les nettoyer, leur coller des mesures/attributs/features qui aient du sens et qui ne soit pas corrélées, et ensuite tâtonner pour trouver un modele qui va bien.

Et donc quelles études as-tu sur FaceID avant et après?
Quels sont les chiffres?

Ça c'est important, ainsi que le groupe étudié. Là tu continues à te remuer le poireau.

[Hebus]

...
Donc voyant experimentalement que certains cas de figure n’étaient pas correctement calculés, que la fonction d’erreur choisie (le modèle) ne suffisait pas, ils ont sans doute récupéré de nouvelles données, ont refais le processus de détermination du modèle qui marche statistiquement le mieux... et ont mis à jour le modèle utilisé par FaceID
...

Justement "qui marche statistiquement le mieux", qu'est-ce à dire, as-tu des chiffres, une étude sur FaceID avant et après?!?

Là, tu supputes (en un seul mot, je reste poli ).

Je suppose au vu de l'experience que j'ai dans mon boulot sur un projet de reduction de False Positive justement... J'ai suivi une formation et je suis de loin ce que font ces fameux data scientists sur ce projet...

En simplifiant. Le processus normal/classique dans l'approche ML de ce type, c'est à partir d'un échantillonnage donné dont on connait la réponse espéré (ML supervisé), et d'un ensemble de modèles potentiels (espace de fonctions)... de prendre 60% de l'échantillon, de calculer les minimums correspondants dans chaque modèle... ensuite d'appliquer les fonctions d'erreurs trouvées à 20% de l'échantillonnage pour decider quel modele semble le plus approprié... Et à la fin pour qualifier le modele choisi on l'applique au 20% restant de l'échantillonnage, et on mesure le taux de réussite.

De fait un algo ML se caractérise/qualifie de manière assez precise... la question est ailleurs... le plus important, les data, les nettoyer, leur coller des mesures/attributs/features qui aient du sens et qui ne soit pas corrélées, et ensuite tâtonner pour trouver un modele qui va bien.

Et donc quelles études as-tu sur FaceID avant et après?
Quels sont les chiffres?

Ça c'est important, ainsi que le groupe étudié. Là tu continues à te remuer le poireau.

Vu la supposition faite par OLM, je precise que si amelioration il y a eu, ça n'a pu se faire que par une mise à jour du ou des modèle(s) utilisé(s) par FaceID, ça a très peu de chances d'avoir été fait au sein de l'iphone isolé... les données restants dans l'enclave securisé... Et qu'il n'y a rien de magique la dedans...

Sinon je te laisse à tes obsessions sexuelles/scatologiques... c'est ton affaire très personelle.

[iAPX]

...
Sinon je te laisse à tes obsessions sexuelles/scatologiques... c'est ton affaire très personelle.

Ce que je lis m'en raconte beaucoup, pas juste les termes

Pour le reste, FaceID n'a pas fait de progrès réel, si c'était le cas cas (oups!), Apple s'en vanterait comme c'est pas possible.
Peut-être moins de faux-positif, mais peut-être plus de faux-négatif. Je n'en sais rien et apparemment personne non plus.

Quand à l'IA (Imbécilité Artificielle), elle n'a pas fini de nous compliquer la vie, sous prétexte de la rendre plus simple...

Certains ont déjà réussi à trouver des phrases qui marchent avec Siri ou Alexa ou d'autres, en prenant du temps pour ça, sans savoir exploiter leurs assistants "intelligents" au maximum, puisque visiblement pour exploiter un assistant "intelligent" faut d'abord apprendre, puis essayer (ou l'inverse), puis mémoriser, reproduire et en loupant la plupart de ses fonctions.

Je ne sais pas si ces assistants sont "intelligents" mais en voyant les efforts fait pour les utiliser, ça demande certainement de l'"intelligence", mais pas sur que ça soit si "intelligent" de passer autant de temps pour obtenir de si médiocre résultats...

Ce message a été modifié par iAPX - 5 Apr 2018, 22:53.

[Hebus]

...
Sinon je te laisse à tes obsessions sexuelles/scatologiques... c'est ton affaire très personelle.

Ce que je lis m'en raconte beaucoup, pas juste les termes

Ne te raconte pas trop d'histoire quand même, c'est pas bon pour ce que tu as

Pour le reste, FaceID n'a pas fait de progrès réel, si c'était le cas cas (oups!), Apple s'en vanterait comme c'est pas possible.
Peut-être moins de faux-positif, mais peut-être plus de faux-négatif. Je n,en sais rien et apparemment personne non plus.

On peut imaginer des ameliorations à la marge en terme de FPR oui, sur les cas limites.

De toute façon, on s'en fout un peu, ça marche très bien... Manifestement le taux d'erreur est très faible, car vu le nombre de X vendus, on aurait eu bcp plus de cas médiatisés dans le cas contraire.

Les ameliorations qui vaudront le coup d'être claironnés seront sans doute plus liées à la capacité de d'identification sur un angle plus large et surtout lorsque le système sera capable de fonctionner en mode paysage également.

Ce message a été modifié par Hebus - 5 Apr 2018, 22:51.

[iAPX]

...
Sinon je te laisse à tes obsessions sexuelles/scatologiques... c'est ton affaire très personelle.

Ce que je lis m'en raconte beaucoup, pas juste les termes

Ne te raconte pas trop d'histoire quand même, c'est pas bon pour ce que tu as
...

Calme-toi, ça se voit

[Guest_anonym_d019ede3_*]

Apple débauche une pointure de l'intelligence artificielle de Google

Celle là, j'avoue je ne l'ai pas vue de suite !

Parler de pointure et donc de pieds quand il parle d’intelligence et donc de cerveau, le "bête comme ses pieds" n'était pas capillotracté, si je puis dire !

Toujours la petite touche d'humour subtile. ^^

[iAPX]

...

Pour le reste, FaceID n'a pas fait de progrès réel, si c'était le cas cas (oups!), Apple s'en vanterait comme c'est pas possible.
Peut-être moins de faux-positif, mais peut-être plus de faux-négatif. Je n,en sais rien et apparemment personne non plus.

On peut imaginer des ameliorations à la marge en terme de FPR oui, sur les cas limites.

De toute façon, on s'en fout un peu, ça marche très bien... Manifestement le taux d'erreur est très faible, car vu le nombre de X vendus, on aurait eu bcp plus de cas médiatisés dans le cas contraire.

Les ameliorations qui vaudront le coup d'être claironnés seront sans doute plus liées à la capacité de d'identification sur un angle plus large et surtout lorsque le système sera capable de fonctionner en mode paysage également.

Ahhhh ton imagination, jusqu'à en arriver à des pratiques scatologiques, qui ne pourraient arriver qu'à des clients Apple mal préparés en vue de l'examen de la batterie de leur iPhone...
Ou dans les yeux de ceux qui apprennent que leur iPhone 7 est "âgé" avec une batterie "vieillissante". Ça c'est merdique: c'est d'Apple.

"Manifestement le taux d'erreur est très faible"...

De quelles études?
Quelles chiffres?
C'était mieux avant ou après? Ou même identique?

"Manifestement"...
Là comme argutie...

Ce message a été modifié par iAPX - 5 Apr 2018, 23:10.

[Hebus]

AU secours !!! Prends tes cachets !

[amike]

Apple débauche une pointure de l'intelligence artificielle de Google

Celle là, j'avoue je ne l'ai pas vue de suite !

Parler de pointure et donc de pieds quand il parle d’intelligence et donc de cerveau, le "bête comme ses pieds" n'était pas capillotracté, si je puis dire !

Toujours la petite touche d'humour subtile. ^^

Le mot pointure est utilisé aussi pour décrire la taille de tour de tête pour les chapeaux

"Taille, exprimée en points, des chaussures, des gants et des chapeaux." - CNRTL.fr

[iAPX]

On a fini de parler de tailles là?!?

Parce-que si je m'y mets...