L'intelligence artificielle en cybersécurité - Historique des versions

Juliette le 10 juillet 2024 à 13:05

2024-07-10T13:05:04Z

← Version précédente		Version du 10 juillet 2024 à 15:05
Ligne 1 :		Ligne 1 :
	{{Commun		{{Commun
	\|ShortDescription FR=Identifie et analyse certains cas d'usage où l’Intelligence Artificielle permet des avancées pour la cybersécurité.		\|ShortDescription FR=Identifie et analyse certains cas d'usage où l’Intelligence Artificielle permet des avancées pour la cybersécurité.
			\|ShortDescription EN=Identifies and analyzes a number of use cases where Artificial Intelligence is helping to advance cybersecurity.
	\|ImageStr=IA wiki.png		\|ImageStr=IA wiki.png
	\|Status=Production		\|Status=Production
	\|Name=GT IA et cybersécurité : cas d'usage de l'intelligence artificielle en cybersécurité		\|Name=GT IA et cybersécurité : cas d'usage de l'intelligence artificielle en cybersécurité
	}}		}}
			<translate>
	== Qu'est-ce que l'IA ? ==		== Qu'est-ce que l'IA ? ==
	L’Intelligence artificielle est un « ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence humaine » [1] . Elle comprend deux grandes familles : l’IA symbolique et l’IA numérique, qui ont chacune connu des périodes de succès et des « hivers », ainsi que le montre le schéma ci-dessous représentant l’activité de ces deux familles depuis les années 50.		L’Intelligence artificielle est un « ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence humaine » [1] . Elle comprend deux grandes familles : l’IA symbolique et l’IA numérique, qui ont chacune connu des périodes de succès et des « hivers », ainsi que le montre le schéma ci-dessous représentant l’activité de ces deux familles depuis les années 50.
Ligne 338 :		Ligne 340 :

	[31] Lignes directrices en matière d’éthique pour une IA digne de confiance. High Level Expert Group on AI (AI HLEG), Commission Européenne. 8 avril 2019. <nowiki>https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=60427</nowiki>		[31] Lignes directrices en matière d’éthique pour une IA digne de confiance. High Level Expert Group on AI (AI HLEG), Commission Européenne. 8 avril 2019. <nowiki>https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=60427</nowiki>

			</translate>
	{{PageSubHeader Commun		{{PageSubHeader Commun
	\|WorkGroup=IA et cybersécurité		\|WorkGroup=IA et cybersécurité
	}}		}}

Juliette le 19 février 2024 à 16:59

2024-02-19T16:59:52Z

← Version précédente		Version du 19 février 2024 à 18:59
Ligne 6 :		Ligne 6 :
	}}		}}
	== Qu'est-ce que l'IA ? ==		== Qu'est-ce que l'IA ? ==
	L’Intelligence ~~Artificielle~~ est un « ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence humaine » [1] . Elle comprend deux grandes familles : l’IA symbolique et l’IA numérique, qui ont chacune connu des périodes de succès et des « hivers », ainsi que le montre le schéma ci-dessous représentant l’activité de ces deux familles depuis les années 50.		L’Intelligence artificielle est un « ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence humaine » [1] . Elle comprend deux grandes familles : l’IA symbolique et l’IA numérique, qui ont chacune connu des périodes de succès et des « hivers », ainsi que le montre le schéma ci-dessous représentant l’activité de ces deux familles depuis les années 50.

	[[File:image3.1.png\|center\|600px]]		[[File:image3.1.png\|center\|600px]]

Yves0 le 13 novembre 2023 à 14:37

2023-11-13T14:37:33Z

← Version précédente		Version du 13 novembre 2023 à 16:37
Ligne 1 :		Ligne 1 :
	{{Commun		{{Commun
	\|ShortDescription=Identifie et analyse certains cas d'usage où l’Intelligence Artificielle permet des avancées pour la cybersécurité.		\|ShortDescription FR=Identifie et analyse certains cas d'usage où l’Intelligence Artificielle permet des avancées pour la cybersécurité.
	\|ImageStr=IA wiki.png		\|ImageStr=IA wiki.png
	\|Status=Production		\|Status=Production

Angèle le 3 mars 2023 à 09:57

2023-03-03T09:57:00Z

← Version précédente		Version du 3 mars 2023 à 11:57
Ligne 5 :		Ligne 5 :
	\|Name=GT IA et cybersécurité : cas d'usage de l'intelligence artificielle en cybersécurité		\|Name=GT IA et cybersécurité : cas d'usage de l'intelligence artificielle en cybersécurité
	}}		}}

	== Qu'est-ce que l'IA ? ==		== Qu'est-ce que l'IA ? ==
	L’Intelligence Artificielle est un « ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence humaine » [1] . Elle comprend deux grandes familles : l’IA symbolique et l’IA numérique, qui ont chacune connu des périodes de succès et des « hivers », ainsi que le montre le schéma ci-dessous représentant l’activité de ces deux familles depuis les années 50.		L’Intelligence Artificielle est un « ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence humaine » [1] . Elle comprend deux grandes familles : l’IA symbolique et l’IA numérique, qui ont chacune connu des périodes de succès et des « hivers », ainsi que le montre le schéma ci-dessous représentant l’activité de ces deux familles depuis les années 50.
Ligne 339 :		Ligne 338 :

	[31] Lignes directrices en matière d’éthique pour une IA digne de confiance. High Level Expert Group on AI (AI HLEG), Commission Européenne. 8 avril 2019. <nowiki>https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=60427</nowiki>		[31] Lignes directrices en matière d’éthique pour une IA digne de confiance. High Level Expert Group on AI (AI HLEG), Commission Européenne. 8 avril 2019. <nowiki>https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=60427</nowiki>
			{{PageSubHeader Commun
			\|WorkGroup=IA et cybersécurité
			}}

Juliette : /* Qualité du système IAs */

2023-03-01T09:54:21Z

Qualité du système IAs

← Version précédente		Version du 1 mars 2023 à 11:54
Ligne 259 :		Ligne 259 :
	# '''Explicabilité''' : on demande ici, en plus de la transparence sur le processus entrée-résultat, d’avoir des explications sur les raisons pour lesquelles le système a obtenu ce résultat. L’IA explicable (ou XAI) est, dans certains cas une obligation légale (par exemple dans le cas de l’attribution d’un crédit). Obtenir un système IA explicable va amener à se restreindre à certains algorithmes (par exemple une régression linéaire plutôt qu’on réseau de neurones), ce qui va en général réduire la performance. La recherche sur la XAI est très active.		# '''Explicabilité''' : on demande ici, en plus de la transparence sur le processus entrée-résultat, d’avoir des explications sur les raisons pour lesquelles le système a obtenu ce résultat. L’IA explicable (ou XAI) est, dans certains cas une obligation légale (par exemple dans le cas de l’attribution d’un crédit). Obtenir un système IA explicable va amener à se restreindre à certains algorithmes (par exemple une régression linéaire plutôt qu’on réseau de neurones), ce qui va en général réduire la performance. La recherche sur la XAI est très active.
	# '''Robustesse et fiabilité''' : un système IA doit être robuste à de petits changements dans les données en entrée qui doivent ne produire que de petits changements sur les résultats (c’est l’idée qu’il y a toujours un peu de bruit sur les données et que le système ne doit pas sur-réagir). De même, les données vont graduellement changer au cours du temps et le système devrait continuer à bien fonctionner et rester fiable.		# '''Robustesse et fiabilité''' : un système IA doit être robuste à de petits changements dans les données en entrée qui doivent ne produire que de petits changements sur les résultats (c’est l’idée qu’il y a toujours un peu de bruit sur les données et que le système ne doit pas sur-réagir). De même, les données vont graduellement changer au cours du temps et le système devrait continuer à bien fonctionner et rester fiable.
	# '''Éthique''' : quand un système risque d’impacter la vie ou la santé des citoyens, il faut s’assurer qu’il respecte les principes des droits humains, notamment la confidentialité de la vie privée (''privacy''), les lois et règles en vigueur dans la société et qu’il n’est pas discriminatoire envers un sous-groupe de citoyens, du fait du biais dans les données d’apprentissage. Ces critères ont été décrits en détail .		# '''Éthique''' : quand un système risque d’impacter la vie ou la santé des citoyens, il faut s’assurer qu’il respecte les principes des droits humains, notamment la confidentialité de la vie privée (''privacy''), les lois et règles en vigueur dans la société et qu’il n’est pas discriminatoire envers un sous-groupe de citoyens, du fait du biais dans les données d’apprentissage. Ces critères ont été décrits en détail [31] .
	# '''Sécurité''' : un système IA doit assurer la (cyber)sécurité des utilisateurs, la protection de leurs données et, de façon générale, la protection du processus complet d’analyse.		# '''Sécurité''' : un système IA doit assurer la (cyber)sécurité des utilisateurs, la protection de leurs données et, de façon générale, la protection du processus complet d’analyse.
	# '''Prouvabilité''' : enfin, le système IA doit être prouvable, c’est à dire capable de garantir que la performance du système sera bien au niveau indiqué. Le domaine de la « certification de l’IA » donne lieu à des programmes de recherche très actifs , notamment pour les applications critiques. Le problème vient de ce que le Machine Learning fournit des modèles « probabilistes », c’est-à-dire produisant les réponses les plus probables et non pas des réponses garanties exactes comme ce qu’un algorithme habituel exact fournit. Mais justement, on utilise l’IA dans des situations où on ne dispose pas d’algorithmes exacts.		# '''Prouvabilité''' : enfin, le système IA doit être prouvable, c’est à dire capable de garantir que la performance du système sera bien au niveau indiqué. Le domaine de la « certification de l’IA » donne lieu à des programmes de recherche très actifs , notamment pour les applications critiques. Le problème vient de ce que le Machine Learning fournit des modèles « probabilistes », c’est-à-dire produisant les réponses les plus probables et non pas des réponses garanties exactes comme ce qu’un algorithme habituel exact fournit. Mais justement, on utilise l’IA dans des situations où on ne dispose pas d’algorithmes exacts.
Ligne 337 :		Ligne 337 :

	[30] Radford, Alec, Jeffrey Wu, Rewon Child, David Luan, Dario Amodei, and Ilya Sutskever. Language models are unsupervised multitask learners. OpenAI blog 1, no.8:9. 2019. <nowiki>https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf</nowiki>		[30] Radford, Alec, Jeffrey Wu, Rewon Child, David Luan, Dario Amodei, and Ilya Sutskever. Language models are unsupervised multitask learners. OpenAI blog 1, no.8:9. 2019. <nowiki>https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf</nowiki>

			[31] Lignes directrices en matière d’éthique pour une IA digne de confiance. High Level Expert Group on AI (AI HLEG), Commission Européenne. 8 avril 2019. <nowiki>https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=60427</nowiki>

Juliette le 1 mars 2023 à 09:51

2023-03-01T09:51:27Z

← Version précédente		Version du 1 mars 2023 à 11:51
Ligne 154 :		Ligne 154 :
	Il existe des technologies d’IA très matures et qui peuvent directement être utiles pour la cybersécurité.		Il existe des technologies d’IA très matures et qui peuvent directement être utiles pour la cybersécurité.

	La '''détection d’anomalie''' consiste à identifier des éléments ou événements qui diffèrent significativement des autres éléments : on parle souvent en IA ''d’outlier'' pour indiquer que l’élément n’obéit pas à la distribution des autres éléments. Par exemple, un pic d'activités inattendu peut correspondre à une intrusion sur un réseau informatique. Il y a deux familles principales de détection d’anomalie :		La '''détection d’anomalie''' consiste à identifier des éléments ou événements qui diffèrent significativement des autres éléments : on parle souvent en IA ''d’outlier'' pour indiquer que l’élément n’obéit pas à la distribution des autres éléments. Par exemple, un pic d'activités inattendu peut correspondre à une intrusion sur un réseau informatique. Il y a deux familles principales de détection d’anomalie [20] :

	Les '''méthodes supervisées''' : on connaît ici l’étiquette (normal / anormal) des éléments du ''dataset'' d’apprentissage. Ces méthodes souffrent cependant du problème de déséquilibre des classes : il y a en général plus de 99% des éléments qui sont normaux, et moins de 1% d’anomalies. La plupart des classifieurs ont donc beaucoup de mal à obtenir une bonne solution. Surtout qu’en plus, de nouvelles anomalies peuvent se produire qui n’auront pas été apprises. On préfère donc les méthodes non supervisées. Cependant, la technique des auto-encodeurs est souvent utilisée :		Les '''méthodes supervisées''' : on connaît ici l’étiquette (normal / anormal) des éléments du ''dataset'' d’apprentissage. Ces méthodes souffrent cependant du problème de déséquilibre des classes : il y a en général plus de 99% des éléments qui sont normaux, et moins de 1% d’anomalies. La plupart des classifieurs ont donc beaucoup de mal à obtenir une bonne solution. Surtout qu’en plus, de nouvelles anomalies peuvent se produire qui n’auront pas été apprises. On préfère donc les méthodes non supervisées. Cependant, la technique des auto-encodeurs est souvent utilisée :

	*Auto-encodeur : un auto-encodeur est entraîné sur des données normales. La distribution des erreurs sur le ''dataset'' d’apprentissage est collectée. Ensuite, quand un élément est présenté on compare son erreur (écart entre élément reconstruit par l’auto-encodeur et élément initial) aux erreurs « normales ». Si elle est largement plus grande c’est une anomalie. Comme nous l’avons vu plus haut, l’auto-encodeur est entraîné en mode non supervisé : ici on l’a utilisé sur des données normales. Si on ne dispose pas de cette information, on l’entraînera sur toutes les données, mais comme il y a toujours beaucoup plus de données normales, le modèle apprendra essentiellement à reconstruire les données normales.		*Auto-encodeur [21]: un auto-encodeur est entraîné sur des données normales. La distribution des erreurs sur le ''dataset'' d’apprentissage est collectée. Ensuite, quand un élément est présenté on compare son erreur (écart entre élément reconstruit par l’auto-encodeur et élément initial) aux erreurs « normales ». Si elle est largement plus grande c’est une anomalie. Comme nous l’avons vu plus haut, l’auto-encodeur est entraîné en mode non supervisé : ici on l’a utilisé sur des données normales. Si on ne dispose pas de cette information, on l’entraînera sur toutes les données, mais comme il y a toujours beaucoup plus de données normales, le modèle apprendra essentiellement à reconstruire les données normales.

	Les '''méthodes non supervisées''' : on n’a pas d’étiquette (normal / anormal) des éléments du ''dataset'' d’apprentissage. On dispose de plusieurs techniques simples pour détecter les anomalies.		Les '''méthodes non supervisées''' : on n’a pas d’étiquette (normal / anormal) des éléments du ''dataset'' d’apprentissage. On dispose de plusieurs techniques simples pour détecter les anomalies.

	* L’algorithme de plus proche voisin détecte comme anomalie les éléments dont les k-distances (la distance de l’élément à son kième plus proche voisin) sont les plus grandes. L’idée est que les éléments anormaux sont loin des autres éléments.		* L’algorithme de plus proche voisin détecte comme anomalie les éléments dont les k-distances (la distance de l’élément à son kième plus proche voisin) sont les plus grandes. L’idée est que les éléments anormaux sont loin des autres éléments.
	* Isolation Forest : on utilise un l’algorithme de forêt aléatoire pour isoler les points par des séparations successives de l’espace. Les points faciles à séparer sont les anomalies, ils sont isolés dans des zones à faible densité.		* Isolation Forest [22] : on utilise un l’algorithme de forêt aléatoire pour isoler les points par des séparations successives de l’espace. Les points faciles à séparer sont les anomalies, ils sont isolés dans des zones à faible densité.
	* One-class SVM : on détermine un hyperplan qui met le plus d’éléments possible d’un côté, celles qui sont de l’autre côté sont les anomalies.		* One-class SVM [23]: on détermine un hyperplan qui met le plus d’éléments possible d’un côté, celles qui sont de l’autre côté sont les anomalies.
	Le Traitement automatique du langage (TAL en français ou NLP, Natural Language Processing en anglais) a de très nombreuses applications :		Le Traitement automatique du langage (TAL en français ou NLP, Natural Language Processing en anglais) a de très nombreuses applications :

Ligne 181 :		Ligne 181 :
	* Jusqu’aux années 90, on a développé des méthodes symboliques, à base de règles de grammaire et des ontologies codées « à la main », avec les limites habituelles de ces techniques ;		* Jusqu’aux années 90, on a développé des méthodes symboliques, à base de règles de grammaire et des ontologies codées « à la main », avec les limites habituelles de ces techniques ;
	* A partir des années 90, la quantité de données disponibles, sur le Web notamment, permet le développement de méthodes de ''Machine Learning''. Dès la fin des années 2000, ces méthodes permettent déjà des résultats nettement supérieurs aux méthodes symboliques, notamment en matière de traduction automatique, à condition de disposer de corpus de données très grands. Si c’est le cas, il suffit de statistiques d’occurrences de mots ou de n-grams (n mots successifs) ou bien de modèles simples de ''Machine Learning'' sur des représentations du texte (''features'') : « ''simple models and a lot of data trump more elaborate models based on less data'' ».		* A partir des années 90, la quantité de données disponibles, sur le Web notamment, permet le développement de méthodes de ''Machine Learning''. Dès la fin des années 2000, ces méthodes permettent déjà des résultats nettement supérieurs aux méthodes symboliques, notamment en matière de traduction automatique, à condition de disposer de corpus de données très grands. Si c’est le cas, il suffit de statistiques d’occurrences de mots ou de n-grams (n mots successifs) ou bien de modèles simples de ''Machine Learning'' sur des représentations du texte (''features'') : « ''simple models and a lot of data trump more elaborate models based on less data'' ».
	* A partir des années 2010, les méthodes à base de réseaux de neurones (modèle de langage neuronal) prédominent : l’article séminal de Bengio et ses collègues propose d’entraîner un réseau de neurones à prévoir un mot à partir des mots qui le précèdent (le dataset d’apprentissage n’a dont pas besoin d’être étiqueté, ce qui est évidemment un énorme avantage). Pour cela, le réseau de neurones produit une représentation des mots (''word embedding'') dans un vecteur qui capture la similarité sémantique entre les mots (la similarité cosinus des vecteurs représentant deux mots synonymes, mesurée par leur produit scalaire, est proche de 1). La méthode word2vec créée en 2013 par Google, produit, grâce à un réseau de neurones, une représentation des mots par un vecteur de 100-1000 dimensions (''features''). Elle est aujourd’hui très largement utilisée, notamment pour sa rapidité, et la faible dimension de la représentation.		* A partir des années 2010, les méthodes à base de réseaux de neurones (modèle de langage neuronal) prédominent : l’article séminal de Bengio et ses collègues [24] propose d’entraîner un réseau de neurones à prévoir un mot à partir des mots qui le précèdent (le dataset d’apprentissage n’a dont pas besoin d’être étiqueté, ce qui est évidemment un énorme avantage). Pour cela, le réseau de neurones produit une représentation des mots (''word embedding'') dans un vecteur qui capture la similarité sémantique entre les mots (la similarité cosinus des vecteurs représentant deux mots synonymes, mesurée par leur produit scalaire, est proche de 1). La méthode word2vec [25] créée en 2013 par Google, produit, grâce à un réseau de neurones, une représentation des mots par un vecteur de 100-1000 dimensions (''features''). Elle est aujourd’hui très largement utilisée, notamment pour sa rapidité, et la faible dimension de la représentation.

	* Récemment, des méthodes de réseaux de neurones basées sur les ''transformers'' (''autoencodeurs'' avec un mécanisme d’attention) sont apparues pour construire de meilleurs embeddings. Grâce à la possibilité de paralléliser les traitements, on peut entraîner des modèles sur de très grands corpus : BERT (B''idirectional Encoder Representations from Transformers'') est ainsi proposé en open source par Google comme un modèle pré-entraîné, qu’on peut ensuite « fine-tuner » sur son problème particulier (c’est-à-dire qu’on fait quelques itérations du code fourni sur son propre ''dataset''). Des versions pour le français sont disponibles : CamenBERT , et FlauBERT .		* Récemment, des méthodes de réseaux de neurones basées sur les ''transformers'' [26] (''autoencodeurs'' avec un mécanisme d’attention) sont apparues pour construire de meilleurs embeddings. Grâce à la possibilité de paralléliser les traitements, on peut entraîner des modèles sur de très grands corpus : BERT (B''idirectional Encoder Representations from Transformers'') est ainsi proposé en open source par Google [27] comme un modèle pré-entraîné, qu’on peut ensuite « fine-tuner » sur son problème particulier (c’est-à-dire qu’on fait quelques itérations du code fourni sur son propre ''dataset''). Des versions pour le français sont disponibles : CamenBERT [28], et FlauBERT [29] .
	* Enfin, la génération des modèles GPT , annoncée par Open-AI en 2018, est à base de ''transformers'', mais énormes (GPT 2 a 1,5 milliard de paramètres et GPT 3, 175 milliards) : ils permettent à partir d’un texte quelconque fourni en entrée de générer (on dit que ce sont des modèles génératifs) des textes quasiment impossibles à distinguer de textes écrits par des humains (ils apprennent à prévoir le prochain mot dans un texte). Open-AI a finalement décidé de ne pas mettre les modèles GPT en open source, parce qu’ils seraient « trop dangereux ».		* Enfin, la génération des modèles GPT , annoncée par Open-AI en 2018, est à base de ''transformers'', mais énormes (GPT 2 a 1,5 milliard de paramètres et GPT 3, 175 milliards) : ils permettent à partir d’un texte quelconque fourni en entrée de générer (on dit que ce sont des modèles génératifs) des textes quasiment impossibles à distinguer de textes écrits par des humains (ils apprennent à prévoir le prochain mot dans un texte). Open-AI a finalement décidé de ne pas mettre les modèles GPT en open source, parce qu’ils seraient « trop dangereux ».

	Ces différents modèles permettent de générer des représentations qui sont ensuite utilisées en entrée de modèles classiques de ''machine learning'' (classification, clustering …)		Ces différents modèles permettent de générer des représentations qui sont ensuite utilisées en entrée de modèles classiques de ''machine learning'' [30] (classification, clustering …)

	=== L'utilisation pour la protection des actifs numériques ===		=== L'utilisation pour la protection des actifs numériques ===
Ligne 304 :		Ligne 304 :
	[13] Narayanan, Annamalai, Mahinthan Chandramohan, Rajasekar Venkatesan, Lihui Chen, Yang Liu, and Shantanu Jaiswal. graph2vec: Learning distributed representations of graphs. arXiv preprint, 2017. <nowiki>https://arxiv.org/pdf/1707.05005.pdf</nowiki>		[13] Narayanan, Annamalai, Mahinthan Chandramohan, Rajasekar Venkatesan, Lihui Chen, Yang Liu, and Shantanu Jaiswal. graph2vec: Learning distributed representations of graphs. arXiv preprint, 2017. <nowiki>https://arxiv.org/pdf/1707.05005.pdf</nowiki>

	[14] https://github.com/aaronwangy/Data-Science-Cheatsheet/blob/main/Data_Science_Cheatsheet.pdf<nowiki/>f		[14] https://github.com/aaronwangy/Data-Science-Cheatsheet/blob/main/Data_Science_Cheatsheet.pdf<nowiki/>f

	[15] https://towardsdatascience.com/overview-of-supervised-machine-learning-algorithms-a5107d036296		[15] https://towardsdatascience.com/overview-of-supervised-machine-learning-algorithms-a5107d036296
Ligne 315 :		Ligne 315 :

	[19] Vladimir Vapnik – Estimation of Dependences based on empirical data. Springer. Information sciences and Statistics. Reprint of 1982 Edition with afterword. 2006		[19] Vladimir Vapnik – Estimation of Dependences based on empirical data. Springer. Information sciences and Statistics. Reprint of 1982 Edition with afterword. 2006

			[20] Togbe, Maurras, Yousra Chabchoub, Aliou Boly, and Raja Chiky. Etude comparative des méthodes de détection d'anomalies. Revue des Nouvelles Technologies de l'Information, 2020. <nowiki>https://hal.archives-ouvertes.fr/hal-02874904/document</nowiki>

			[21] Hinton, Geoffrey E., and Ruslan R. Salakhutdinov. Reducing the dimensionality of data with neural networks.Science 313, no. 5786: pp. 504-507. 2006. <nowiki>https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.459.3788&rep=rep1&type=pdf</nowiki>

			[22] Liu, Fei Tony, Kai Ming Ting, Zhi-Hua Zhou. Isolation forest. In 2008 eighth ieee international conference on data mining, pp. 413-422. IEEE, 2008. <nowiki>https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/icdm08b.pdf?q=isolation-forest</nowiki>

			[23] Schölkopf, B., Platt, J.C., Shawe-Taylor, J., Smola, A.J. and Williamson, R.C. Estimating the support of a high-dimensional distribution. Neural computation, 13(7), pp.1443-1471. 2001.

			[24] Bengio, Yoshua, Réjean Ducharme, Pascal Vincent, and Christian Jauvin. A neural probabilistic language model. Journal of machine learning research 3, no. Feb: 1137-1155. 2003. <nowiki>https://www.jmlr.org/papers/volume3/tmp/bengio03a.pdf</nowiki>

			[25] Mikolov, Tomas, Kai Chen, Greg Corrado, and Jeffrey Dean. Efficient estimation of word representations in vector space. arXiv preprint, 2013. <nowiki>https://arxiv.org/pdf/1301.3781.pdf</nowiki>

			[26] Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin. Attention is all you need. In Advances in neural information processing systems, pp. 5998-6008. 2017. <nowiki>https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf</nowiki>

			[27] <nowiki>https://ai.googleblog.com/2018/11/open-sourcing-bert-state-of-art-pre.html</nowiki>

			[28] Martin, Louis, Benjamin Muller, Pedro Javier Ortiz Suárez, Yoann Dupont, Laurent Romary, Éric Villemonte de La Clergerie, Djamé Seddah, and Benoît Sagot. Camembert: a tasty french language model. arXiv preprint, 2019. <nowiki>https://arxiv.org/abs/1911.03894</nowiki>

			[29] Le, Hang, Loïc Vial, Jibril Frej, Vincent Segonne, Maximin Coavoux, Benjamin Lecouteux, Alexandre Allauzen, Benoît Crabbé, Laurent Besacier, and Didier Schwab. Flaubert: Unsupervised language model pre-training for french. arXiv preprint, 2019. <nowiki>https://arxiv.org/pdf/1912.05372.pdf</nowiki>

			[30] Radford, Alec, Jeffrey Wu, Rewon Child, David Luan, Dario Amodei, and Ilya Sutskever. Language models are unsupervised multitask learners. OpenAI blog 1, no.8:9. 2019. <nowiki>https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf</nowiki>

Juliette le 1 mars 2023 à 09:39

2023-03-01T09:39:33Z

← Version précédente		Version du 1 mars 2023 à 11:39
Ligne 286 :		Ligne 286 :
	[4]Jacques Ferber. Les Systèmes Multi Agents: vers une intelligence collective. InterEditions. 1995. <nowiki>http://www.lirmm.fr/~ferber/publications/LesSMA_Ferber.pdf</nowiki>		[4]Jacques Ferber. Les Systèmes Multi Agents: vers une intelligence collective. InterEditions. 1995. <nowiki>http://www.lirmm.fr/~ferber/publications/LesSMA_Ferber.pdf</nowiki>

	[5] ~~Aymeric Poulain Maubant. Principes d’hybridation IA sur une machine parallèle. Apr 8, 2020. <nowiki>~~https://~~medium~~.~~com~~/~~@AymericPM~~/~~principes-dhybridation-ia-sur-une-machine-parall%C3%A8le-76debd130d67<~~/~~nowiki>~~		[5] https://ojs.aaai.org/index.php/aimagazine/article/view/2426

	[6] ~~Valérie Ravinet~~. ~~Intelligence artificielle hybride : l’art de concilier la logique et l’apprentissage~~. ~~Exploreur~~. ~~24 mai 2019~~. ~~<nowiki>https://exploreur~~.~~univ-toulouse~~.fr/~~intelligence~~-~~artificielle~~-~~hybride~~-~~lart~~-de-~~concilier~~-la-~~logique-et-lapprentissage</nowiki>~~		[6] Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton. ImageNet Classification with Deep Convolutional Neural Networks. Neural Information Processing Systems pp 1097-1105. 2012. papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

	[7] ~~Karl Tuyls, Gerhard Weiss. Multiagent learning: Basics, challenges, and prospects. AI Magazine 33, no. 3. 41-41. 2012.~~ <nowiki>https://~~ojs.aaai~~.org/~~index.php/aimagazine/article/view/2426~~</nowiki>		[7] <nowiki>https://scikit-learn.org/</nowiki>

	[8] ~~Fei Tony Liu, Kai Ming Ting, Zhi-Hua Zhou. Isolation forest. 8th IEEE International Conference on Data Mining~~, ~~pp. 413-422. IEEE~~, ~~2008. <nowiki>https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/icdm08b.pdf?q=isolation-forest</nowiki>~~		[8] Quelques méthodes d’apprentissages : Bayesiens, Machine à vecteur de support, Arbre de décision

	[9] Bernhard Schölkopf, John C. Platt, John Shawe-Taylor, Alex J. Smola, and Robert C. Williamson. Estimating the support of a high-dimensional distribution. Neural computation, 13(7), pp.1443-1471. 2001. <nowiki>https://~~eprints~~.~~soton~~.~~ac.uk~~/~~259007/1/TRONECLA.ps~~</nowiki>		[9] Voir par exemple les travaux de DeepMind <nowiki>https://doi.org/10.1038/s41586-019-1724-zs</nowiki>

	[10] ~~Angela Shi. Overview of Supervised Machine learning Algorithms. Towards data Science. Jan 18 2021. <nowiki>~~https://~~towardsdatascience~~.~~com/overview-of-supervised-machine-learning-algorithms-a5107d036296<~~/~~nowiki>~~		[10] https://pwnagotchi.ai/

	[11] ~~Vladimir Vapnik – Estimation of Dependences based on empirical data~~. ~~Springer. Information sciences and Statistics. Reprint of 1982 Edition with afterword. 2006~~.		[11] Autonomous Penetration Testing using Reinforcement Learning <nowiki>https://arxiv.org/abs/1905.05965</nowiki>

	[12] ~~Oriol Vinyals~~, ~~Igor Babuschkin~~, ~~Wojciech M. Czarnecki~~, ~~Michaël Mathieu~~, ~~Andrew Dudzik, Junyoung Chung, David H~~. ~~Choi et al. Grandmaster level~~ in ~~StarCraft II using multi-agent reinforcement learning~~. ~~Nature 575~~, ~~no. 7782. 350-354. 2019~~. <nowiki>https://~~doi~~.org/10.~~1038/s41586-019-1724-z~~</nowiki>		[12] Mikolov, Tomas, Kai Chen, Greg Corrado, and Jeffrey Dean. Efficient estimation of word representations in vector space. ''arXiv preprint,'' 2013. <nowiki>https://arxiv.org/pdf/1301.3781.pdf</nowiki>

	[13] ~~Aaron Wang~~. ~~Data Science Cheatsheet~~. ~~2021~~. <nowiki>https://~~github~~.~~com~~/~~aaronwangy~~/~~Data-Science-Cheatsheet/blob/main/Data_Science_Cheatsheet~~.pdf</nowiki>		[13] Narayanan, Annamalai, Mahinthan Chandramohan, Rajasekar Venkatesan, Lihui Chen, Yang Liu, and Shantanu Jaiswal. graph2vec: Learning distributed representations of graphs. arXiv preprint, 2017. <nowiki>https://arxiv.org/pdf/1707.05005.pdf</nowiki>

	[14] ~~Yoshua Bengio, Réjean Ducharme, Pascal Vincent, and Christian Jauvin. A neural probabilistic language model. Journal of machine learning research 3, no. Feb, pp. 1137-1155. 2003. <nowiki>~~https://~~www~~.~~jmlr.org~~/~~papers~~/~~volume3~~/~~tmp~~/~~bengio03a~~.pdf</~~nowiki~~>		[14] https://github.com/aaronwangy/Data-Science-Cheatsheet/blob/main/Data_Science_Cheatsheet.pdf<nowiki/>f

	[15] Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio. Generative Adversarial Nets. Proceedings of the International Conference on Neural Information Processing Systems (NIPS 2014). pp. 2672–2680. 2014. <nowiki>https://~~arxiv~~.~~org~~/~~abs/1406.2661</nowiki>~~		[15] https://towardsdatascience.com/overview-of-supervised-machine-learning-algorithms-a5107d036296

	[16] ~~Alex Krizhevsky, Ilya Sutskever, Geoffrey E~~. ~~Hinton~~. ~~ImageNet Classification with Deep Convolutional Neural Networks. Neural Information Processing Systems pp 1097-1105. 2012. papers.nips.cc~~/~~paper~~/~~4824-imagenet-classification-with-deep-convolutional-neural~~-~~networks~~.pdf		[16] http://cseweb.ucsd.edu/classes/wi08/cse253/Handouts/lecun-98b.pdf

	[17] ~~Yann A. LeCun, Léon Bottou, Genevieve B. Orr, and Klaus-Robert Müller. Efficient backprop. Neural networks: Tricks of the trade, pp. 9-48. Springer, Berlin, Heidelberg, 2012. <nowiki>http~~://~~cseweb~~.~~ucsd~~.~~edu/classes/wi08/cse253/Handouts~~/~~lecun~~-~~98b.pdf</nowiki>~~		[17] https://hal.archives-ouvertes.fr/hal-00003371

	[18] ~~Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson, and Blaise Aguera y Arcas~~. ~~Communication-efficient learning of deep networks from decentralized data. Artificial intelligence and statistics, pp. 1273-1282. PMLR, 2017. proceedings.mlr.press/v54~~/~~mcmahan17a~~/~~mcmahan17a~~.~~pdf (federated learning)~~		[18] https://arxiv.org/abs/1406.2661

	[19] ~~Emmanuel Viennet and Françoise Fogelman Soulié. Connectionists methods for human face processing. Face Recognition, pp. 124-156~~. Springer~~, Berlin, Heidelberg, 1998~~. ~~<nowiki>https://hal~~.~~archives-ouvertes~~.~~fr/hal-00003371</nowiki>~~		[19] Vladimir Vapnik – Estimation of Dependences based on empirical data. Springer. Information sciences and Statistics. Reprint of 1982 Edition with afterword. 2006

Juliette : /* Notes */

2023-03-01T09:35:32Z

Notes

← Version précédente		Version du 1 mars 2023 à 11:35
Ligne 278 :		Ligne 278 :

	== Notes ==		== Notes ==
			[1] Intelligence Artificielle. <nowiki>https://www.larousse.fr/encyclopedie/divers/intelligence_artificielle/187257</nowiki>

			[2] Systèmes experts : <nowiki>https://link.springer.com/chapter/10.1007/978-3-642-84048-7_1</nowiki>

			[3] Clive L. Dym. Issues in the design and implementation of expert systems. Arti cial Intelligence for Engineering, Design, Analysis and Manufacturing, no. 1, pp. 37-46. 1987. <nowiki>https://core.ac.uk/download/pdf/70977779.pdf</nowiki>

			[4]Jacques Ferber. Les Systèmes Multi Agents: vers une intelligence collective. InterEditions. 1995. <nowiki>http://www.lirmm.fr/~ferber/publications/LesSMA_Ferber.pdf</nowiki>

			[5] Aymeric Poulain Maubant. Principes d’hybridation IA sur une machine parallèle. Apr 8, 2020. <nowiki>https://medium.com/@AymericPM/principes-dhybridation-ia-sur-une-machine-parall%C3%A8le-76debd130d67</nowiki>

			[6] Valérie Ravinet. Intelligence artificielle hybride : l’art de concilier la logique et l’apprentissage. Exploreur. 24 mai 2019. <nowiki>https://exploreur.univ-toulouse.fr/intelligence-artificielle-hybride-lart-de-concilier-la-logique-et-lapprentissage</nowiki>

			[7] Karl Tuyls, Gerhard Weiss. Multiagent learning: Basics, challenges, and prospects. AI Magazine 33, no. 3. 41-41. 2012. <nowiki>https://ojs.aaai.org/index.php/aimagazine/article/view/2426</nowiki>

			[8] Fei Tony Liu, Kai Ming Ting, Zhi-Hua Zhou. Isolation forest. 8th IEEE International Conference on Data Mining, pp. 413-422. IEEE, 2008. <nowiki>https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/icdm08b.pdf?q=isolation-forest</nowiki>

			[9] Bernhard Schölkopf, John C. Platt, John Shawe-Taylor, Alex J. Smola, and Robert C. Williamson. Estimating the support of a high-dimensional distribution. Neural computation, 13(7), pp.1443-1471. 2001. <nowiki>https://eprints.soton.ac.uk/259007/1/TRONECLA.ps</nowiki>

			[10] Angela Shi. Overview of Supervised Machine learning Algorithms. Towards data Science. Jan 18 2021. <nowiki>https://towardsdatascience.com/overview-of-supervised-machine-learning-algorithms-a5107d036296</nowiki>

			[11] Vladimir Vapnik – Estimation of Dependences based on empirical data. Springer. Information sciences and Statistics. Reprint of 1982 Edition with afterword. 2006.

			[12] Oriol Vinyals, Igor Babuschkin, Wojciech M. Czarnecki, Michaël Mathieu, Andrew Dudzik, Junyoung Chung, David H. Choi et al. Grandmaster level in StarCraft II using multi-agent reinforcement learning. Nature 575, no. 7782. 350-354. 2019. <nowiki>https://doi.org/10.1038/s41586-019-1724-z</nowiki>

			[13] Aaron Wang. Data Science Cheatsheet. 2021. <nowiki>https://github.com/aaronwangy/Data-Science-Cheatsheet/blob/main/Data_Science_Cheatsheet.pdf</nowiki>

			[14] Yoshua Bengio, Réjean Ducharme, Pascal Vincent, and Christian Jauvin. A neural probabilistic language model. Journal of machine learning research 3, no. Feb, pp. 1137-1155. 2003. <nowiki>https://www.jmlr.org/papers/volume3/tmp/bengio03a.pdf</nowiki>

			[15] Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio. Generative Adversarial Nets. Proceedings of the International Conference on Neural Information Processing Systems (NIPS 2014). pp. 2672–2680. 2014. <nowiki>https://arxiv.org/abs/1406.2661</nowiki>

			[16] Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton. ImageNet Classification with Deep Convolutional Neural Networks. Neural Information Processing Systems pp 1097-1105. 2012. papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

			[17] Yann A. LeCun, Léon Bottou, Genevieve B. Orr, and Klaus-Robert Müller. Efficient backprop. Neural networks: Tricks of the trade, pp. 9-48. Springer, Berlin, Heidelberg, 2012. <nowiki>http://cseweb.ucsd.edu/classes/wi08/cse253/Handouts/lecun-98b.pdf</nowiki>

			[18] Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson, and Blaise Aguera y Arcas. Communication-efficient learning of deep networks from decentralized data. Artificial intelligence and statistics, pp. 1273-1282. PMLR, 2017. proceedings.mlr.press/v54/mcmahan17a/mcmahan17a.pdf (federated learning)

			[19] Emmanuel Viennet and Françoise Fogelman Soulié. Connectionists methods for human face processing. Face Recognition, pp. 124-156. Springer, Berlin, Heidelberg, 1998. <nowiki>https://hal.archives-ouvertes.fr/hal-00003371</nowiki>

Juliette le 1 mars 2023 à 09:32

2023-03-01T09:32:11Z

← Version précédente		Version du 1 mars 2023 à 11:32
Ligne 276 :		Ligne 276 :

	En conclusion, on ne doit pas attendre de l’IA qu’elle produise une révolution qui remplace les outils existants ou résolve tous les problèmes . L’IA permet cependant déjà d’automatiser des tâches répétitives en allant plus loin que les solutions d’automatisation RPA (''robotic process automation'') scriptées , de traiter des volumes de données trop importants pour qu’un humain puisse les traiter dans des temps raisonnables et de donner du contexte. Elle peut aussi être utilisée pour concevoir des nouvelles méthodes de traitement (en protection, détection et réaction). Si sur certaines applications bien définies, l’IA est très efficace, elle reste limitée à ces périmètres : on parle de ''Narrow AI'', par opposition à une IA générale (''Artificial General Intelligence'' ou Strong AI) qui serait capable de réaliser de multiples tâches, comme un être humain sait le faire (l’IA générale n’existe pas aujourd’hui et c’est sans doute pour longtemps). Bien comprendre ses domaines d’intervention est donc nécessaire.		En conclusion, on ne doit pas attendre de l’IA qu’elle produise une révolution qui remplace les outils existants ou résolve tous les problèmes . L’IA permet cependant déjà d’automatiser des tâches répétitives en allant plus loin que les solutions d’automatisation RPA (''robotic process automation'') scriptées , de traiter des volumes de données trop importants pour qu’un humain puisse les traiter dans des temps raisonnables et de donner du contexte. Elle peut aussi être utilisée pour concevoir des nouvelles méthodes de traitement (en protection, détection et réaction). Si sur certaines applications bien définies, l’IA est très efficace, elle reste limitée à ces périmètres : on parle de ''Narrow AI'', par opposition à une IA générale (''Artificial General Intelligence'' ou Strong AI) qui serait capable de réaliser de multiples tâches, comme un être humain sait le faire (l’IA générale n’existe pas aujourd’hui et c’est sans doute pour longtemps). Bien comprendre ses domaines d’intervention est donc nécessaire.

			== Notes ==

Juliette le 1 mars 2023 à 09:31

2023-03-01T09:31:37Z

Voir les modifications