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

[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.

[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.