L'intelligence artificielle est autant un sujet à la mode qu'une réalité quotidienne. Ce support s'adresse à tout professionnel IT qui souhaite apprendre de façon très pragmatique à l'utiliser et l'intégrer aux applications d'entreprise en s'appuyant sur les services cognitifs d'Amazon. En effet, bénéficier du cloud d'Amazon pour utiliser l'IA permet d'avoir accès à des serveurs puissants, à l'accumulation des données d'Amazon et à des algorithmes d'IA.

Pour suivre les nombreux exemples fournis, un compte AWS est nécessaire et peut être obtenu gratuitement à l'adresse https://aws.amazon.com/fr/. Quelques connaissances en C#, Python et en traitement de données sont recommandées.

Après un rapide état de l'art permettant au lecteur de découvrir les concepts sous-jacents de l'intelligence artificielle (système expert et apprentissage machine, inférences, heuristiques, modèles, fonctions ou encore réseaux de neurones et Big Data), l'auteur présente l'environnement AWS et différents services cognitifs dédiés à l'IA. Le lecteur découvre ainsi le service de vision par ordinateur avec Rekognition, le traitement automatique du langage naturel avec Transcribe, Polly, Comprehend, Translate et Lex ou encore les prévisions numériques avec SageMaker et les réseaux de neurones formels.

Au fil des pages, le lecteur expérimente ces différents services et apprend par exemple à préparer des jeux d'apprentissage, de validation et de test pour générer des modèles d'inférence afin d'être en mesure ensuite d'intégrer ces fonctions à ses propres applications.

L'ensemble des exemples, applications exécutables dans Visual Studio Community 2019 et bloc-notes Jupyter, présentés dans le livre sont disponibles en téléchargement sur le site www.editions-eni.fr.

Intelligence artificielle, mythes et réalités

1. 1. Intelligence artificielle et stupidité naturelle
   1. 1.1 Intelligence étroite et intelligence générale
      1. 1.1.1 IA Internet
      2. 1.1.2 IA Business
      3. 1.1.3 IA Perception
      4. 1.1.4 IA Autonome
      5. 1.1.5 IA faible et forte
   2. 1.2 L’apprentissage et ses limites
   3. 1.3 Survivre à l’IA
2. 2. Un peu (beaucoup) de mathématiques
   1. 2.1 Statistiques et probabilités
      1. 2.1.1 Probabilités
      2. 2.1.2 Distributions et loi de probabilité
      3. 2.1.3 Statistiques
   2. 2.2 Systèmes experts et apprentissage machine
      1. 2.2.1 Système expert
      2. 2.2.2 Apprentissage automatique
      3. 2.2.3 Apprentissage supervisé et semi-supervisé
      4. 2.2.4 Apprentissage non supervisé
      5. 2.2.5 Apprentissage renforcé
   3. 2.3 Inférences, heuristiques, modèles et fonctions
      1. 2.3.1 Détection d’anomalie
      2. 2.3.2 Partitionnement
      3. 2.3.3 Régression
      4. 2.3.4 Classification
3. 3. Réseaux de neurones formels
   1. 3.1 Un peu de biologie
   2. 3.2 Du cerveau à la modélisation neuronale
   3. 3.3 Fonction de transfert, perceptron et réseaux de neurones formels
      1. 3.3.1 Fonction de transfert
      2. 3.3.2 Perceptron
      3. 3.3.3 Perceptron multicouche
      4. 3.3.4 Réseau de neurones convolutif
      5. 3.3.5 Réseau de neurones récurrents
   4. 3.4 Apprentissage
      1. 3.4.1 Apprentissage supervisé
      2. 3.4.2 Apprentissage non supervisé
4. 4. Données et Big Data
   1. 4.1 Données structurées
      1. 4.1.1 SGBDR
      2. 4.1.2 NoSQL
      3. 4.1.3 Datawarehouse et décisionnel
   2. 4.2 Données non structurées
   3. 4.3 Glaciers, lacs et rivières
5. 5. Limites actuelles
   1. 5.1 Cloud ou pas ?
   2. 5.2 Temps réel et puissance de calcul
   3. 5.3 IA faible et IA forte
   4. 5.4 L’être humain derrière la machine
6. 6. Un peu de prospective
   1. 6.1 La singularité est-elle un mythe ?
   2. 6.2 L’ordinateur quantique est-il bien réel ?
   3. 6.3 L’IA fait désormais partie de notre présent

Mettre en œuvre des projets d'IA avec AWS

1. 1. Préparer son environnement Amazon Web Services
   1. 1.1 Créer un compte
      1. 1.1.1 Régions et zones de disponibilité
      2. 1.1.2 Sécurité de votre compte
   2. 1.2 Utiliser la console de gestion d'AWS
   3. 1.3 Accéder aux services par ligne de commande
   4. 1.4 Accéder aux services par code et dans l'IDE
2. 2. L’IA boîte noire avec les services applicatifs
   1. 2.1 Images avec Rekognition
   2. 2.2 Voix avec Transcribe et Polly
      1. 2.2.1 Transcribe
      2. 2.2.2 Polly
   3. 2.3 Textes avec Comprehend et Translate
      1. 2.3.1 Comprehend
      2. 2.3.2 Translate
   4. 2.4 Robot conversationnel avec Lex
3. 3. Le choix des algorithmes avec SageMaker
   1. 3.1 Bloc-notes Jupyter
   2. 3.2 Préparation des données
      1. 3.2.1 Étiquetage SageMaker
      2. 3.2.2 Apache MXNet RecordIO
   3. 3.3 Former un modèle
   4. 3.4 Déployer le modèle
4. 4. Juste l’infrastructure pour les professionnels de l’apprentissage machine
   1. 4.1 Apache MXNet
   2. 4.2 TensorFlow
   3. 4.3 Les solutions SageMaker prépackagées
   4. 4.4 AMI AWS Deep Learning

Écrivez-moi, parlez-moi, je vous réponds

1. 1. Introduction
2. 2. Comprendre un texte écrit
   1. 2.1 Mécanismes d’apprentissage
   2. 2.2 Service Comprehend
      1. 2.2.1 Préalable
      2. 2.2.2 Langues
      3. 2.2.3 Analyse de sentiment
      4. 2.2.4 Extraction des entités et expressions clés
      5. 2.2.5 Catégories personnalisées
      6. 2.2.6 Entités personnalisées
      7. 2.2.7 Comprehend comme source d'actions
3. 3. Comprendre un texte vocalisé
   1. 3.1 Mécanismes d’apprentissage
   2. 3.2 Service Transcribe
      1. 3.2.1 Créer un job de transcription et en récupérer le résultat
      2. 3.2.2 Créer une transcription en code à la volée
4. 4. Répondre intelligiblement
   1. 4.1 Comment la machine construit-elle sa réponse ?
   2. 4.2 Service Polly
      1. 4.2.1 Voix, accent, vitesse, tonalité et volume
      2. 4.2.2 Accès programmatique à Polly
5. 5. Do you speak English ?
   1. 5.1 La quête du Graal polyglotte
   2. 5.2 Service Translate
      1. 5.2.1 Console Translate
      2. 5.2.2 Accès à Translate par programmation
      3. 5.2.3 Intégration avec Polly
6. 6. Construire un robot conversationnel
   1. 6.1 Mon chatbot dans ma langue avec Translate
   2. 6.2 Parler à mon bot et écouter sa réponse avec Polly
   3. 6.3 Gérer des actions avec Lambda
7. 7. Conclusion

Ce que je vois, je le retiens

1. 1. Introduction
2. 2. Une image, c’est quoi ?
   1. 2.1 Composantes d’une image fixe
   2. 2.2 Composantes d’une vidéo
3. 3. Analyser des images fixes
   1. 3.1 Cadre et orientation d’images
   2. 3.2 Visages
      1. 3.2.1 Détection de visage
      2. 3.2.2 Comparaison de visages
      3. 3.2.3 Détection de personnages célèbres
   3. 3.3 Objets et scènes
   4. 3.4 Texte
   5. 3.5 Contenu suggestif
4. 4. Analyser des images vidéo
   1. 4.1 Les spécificités du traitement vidéo
   2. 4.2 Visages
      1. 4.2.1 Détection de visages
      2. 4.2.2 Recherche de personnes
      3. 4.2.3 Détection des célébrités
      4. 4.2.4 Suivi de personnes
   3. 4.3 Objets et scènes
   4. 4.4 Contenu suggestif
   5. 4.5 Traitement du streaming avec Rekognition et Kinesis
      1. 4.5.1 Créer un flux Kinesis Video Streams
      2. 4.5.2 Créer et démarrer un processeur de flux
      3. 4.5.3 Analyser le flux de données
5. 5. Analyse en temps différé
   1. 5.1 Conteneurs et environnement de calcul
   2. 5.2 Définition de tâches et file d’attente
6. 6. Conclusion

Quand la machine se met à apprendre

1. 1. Introduction
2. 2. Machine et Deep Learning
   1. 2.1 Données, algorithmes et apprentissages
   2. 2.2 Construire et entraîner des modèles
   3. 2.3 Déployer et utiliser les modèles
   4. 2.4 Apprendre mieux et plus
      1. 2.4.1 Formation incrémentielle
      2. 2.4.2 Optimisation des hyperparamètres
      3. 2.4.3 Apprentissage renforcé
3. 3. Vision par ordinateur
   1. 3.1 Préparer le modèle
   2. 3.2 Former le modèle
   3. 3.3 Lancer des inférences
   4. 3.4 Conclusion
4. 4. Traitement du langage naturel
   1. 4.1 Préparer le modèle
   2. 4.2 Former le modèle
   3. 4.3 Lancer des inférences
   4. 4.4 Conclusion
5. 5. Prévisions et prédictions numériques
   1. 5.1 Préparer le modèle
   2. 5.2 Former le modèle
   3. 5.3 Lancer des inférences
   4. 5.4 Conclusion
6. 6. Et si on scriptait le tout ?
7. 7. Conclusion

Annexes

1. 1. Format des messages Lex
   1. 1.1 Requête
   2. 1.2 Réponse
      1. 1.2.1 ElicitIntent
      2. 1.2.2 ElicitSlot
      3. 1.2.3 ConfirmIntent
      4. 1.2.4 Delegate
      5. 1.2.5 Close
2. 2. Transcodage vidéo avec Amazon Elastic Transcoder et MediaConvert
   1. 2.1 Elastic Transcoder
   2. 2.2 MediaConvert
3. 3. Textract
4. 4. Lire les données d’orientation d’une image
8. Index