1
00:00:17,816 --> 00:00:21,325
Notre monde se transforme
de multiples façons

2
00:00:21,325 --> 00:00:25,975
et un des éléments qui auront
un impact important sur notre avenir

3
00:00:25,975 --> 00:00:29,363
est l'intelligence artificielle, IA,

4
00:00:29,363 --> 00:00:32,953
à l'origine d'une nouvelle
révolution industrielle.

5
00:00:33,627 --> 00:00:39,504
Les révolutions industrielles précédentes
ont rehaussé la force mécanique de l'homme

6
00:00:40,014 --> 00:00:45,572
mais cette révolution-ci,
la deuxième ère de la machine,

7
00:00:45,572 --> 00:00:50,122
va rehausser nos capacités cognitives,

8
00:00:50,122 --> 00:00:52,102
notre force mentale.

9
00:00:52,782 --> 00:00:57,177
Les ordinateurs ne vont plus se limiter
à remplacer le travail manuel,

10
00:00:57,597 --> 00:00:59,897
ils vont aussi s'emparer
du travail intellectuel.

11
00:01:00,500 --> 00:01:03,450
Où en sommes-nous aujourd'hui ?

12
00:01:04,034 --> 00:01:07,724
Vous avez probablement entendu
parler en mars dernier [2016]

13
00:01:07,724 --> 00:01:11,776
du système d'apprentissage
automatique appelé AlphaGo

14
00:01:11,776 --> 00:01:17,708
qui a utilisé l'apprentissage profond
pour vaincre le champion du monde de go.

15
00:01:18,279 --> 00:01:20,679
Le go est un ancien jeu chinois

16
00:01:20,679 --> 00:01:24,159
bien plus complexe à maîtriser
pour un ordinateur

17
00:01:24,159 --> 00:01:25,982
que les échecs.

18
00:01:26,893 --> 00:01:32,086
Comment cela fut-il possible maintenant,
après des décennies de recherche en IA ?

19
00:01:33,068 --> 00:01:36,698
On a entraîné AlphaGo à jouer au go.

20
00:01:37,678 --> 00:01:41,300
D'abord, en observant encore et encore

21
00:01:41,814 --> 00:01:46,894
des dizaines de millions de mouvements
de joueurs humains très doués.

22
00:01:47,746 --> 00:01:52,496
Ensuite, en le faisant jouer
des millions de parties contre lui-même.

23
00:01:54,222 --> 00:01:59,941
L'apprentissage automatique est
une méthode d'apprentissage par l'exemple.

24
00:02:00,465 --> 00:02:02,575
Les ordinateurs apprennent des données.

25
00:02:03,885 --> 00:02:07,235
L'apprentissage automatique
est devenu un élément clé

26
00:02:07,235 --> 00:02:11,635
pour emmagasiner de la connaissance
dans les ordinateurs.

27
00:02:12,174 --> 00:02:14,066
C'est fondamental

28
00:02:14,066 --> 00:02:19,296
car la connaissance
conduit à l'intelligence.

29
00:02:20,438 --> 00:02:22,865
Intégrer la connaissance
dans les ordinateurs

30
00:02:22,865 --> 00:02:24,475
s'est avéré être le défi

31
00:02:24,475 --> 00:02:27,515
dans les approches précédentes de l'IA.

32
00:02:27,515 --> 00:02:28,745
Pourquoi ?

33
00:02:29,299 --> 00:02:33,859
Il y a de nombreuses choses
que nous savons intuitivement.

34
00:02:34,601 --> 00:02:38,081
Nous sommes donc incapables
de les communiquer verbalement.

35
00:02:38,619 --> 00:02:42,780
Nous n'avons pas un accès conscient
à ce savoir intuitif.

36
00:02:43,270 --> 00:02:46,690
Comment programmer un ordinateur
sans connaissance ?

37
00:02:47,664 --> 00:02:49,114
Comment résoudre ça ?

38
00:02:49,314 --> 00:02:55,343
La solution est de faire apprendre
aux machines ce savoir par elles-mêmes,

39
00:02:55,343 --> 00:02:56,443
comme nous le faisons.

40
00:02:56,443 --> 00:03:03,194
C'est important car la connaissance
conduit à l'intelligence.

41
00:03:03,194 --> 00:03:08,174
Ma mission est de contribuer
à la découverte et à la compréhension

42
00:03:08,174 --> 00:03:12,676
des principes qui soutiennent
l'intelligence par l'apprentissage.

43
00:03:13,166 --> 00:03:18,116
Qu'il s'agisse de l'apprentissage
par l'animal, l'homme ou la machine.

44
00:03:19,450 --> 00:03:25,066
Avec d'autres, je suis convaincu 
qu'il y a quelques principes fondamentaux

45
00:03:25,066 --> 00:03:27,296
comme les lois de la physique.

46
00:03:27,885 --> 00:03:32,745
Des principes simples capables
d'expliquer notre propre intelligence

47
00:03:32,745 --> 00:03:36,741
et de nous aider à concevoir
des machines intelligentes.

48
00:03:37,885 --> 00:03:41,595
Prenez par exemple
les lois de l'aérodynamique :

49
00:03:41,595 --> 00:03:48,036
suffisamment générales pour expliquer
le vol des oiseaux et des avions.

50
00:03:49,146 --> 00:03:55,381
Ne serait-ce pas incroyable de découvrir
des principes simples mais puissants

51
00:03:55,701 --> 00:03:59,186
qui expliqueraient l'intelligence,
rien de moins ?

52
00:04:01,066 --> 00:04:03,394
Nous avons fait des progrès.

53
00:04:04,384 --> 00:04:10,857
Mes collaborateurs et moi avons contribué
à révolutionner l'IA ces dernières années

54
00:04:11,777 --> 00:04:16,397
avec nos recherches sur les réseaux
neuronaux et l'apprentissage profond,

55
00:04:16,397 --> 00:04:20,946
une approche de l'apprentissage
automatique inspirée du cerveau.

56
00:04:22,041 --> 00:04:25,243
Tout a commencé avec
la reconnaissance vocale

57
00:04:25,243 --> 00:04:29,963
dans vos téléphones
avec les réseaux neuronaux depuis 2012.

58
00:04:30,977 --> 00:04:35,647
Peu après, on a fait des avancées
dans la vision par ordinateur.

59
00:04:36,680 --> 00:04:43,087
Les ordinateurs sont devenus assez bons
pour reconnaître le contenu d'images.

60
00:04:43,674 --> 00:04:50,049
Ils sont même proches des performances
de l'homme depuis cinq ans environ.

61
00:04:50,711 --> 00:04:54,721
Un ordinateur a atteint le niveau
de compréhension intuitif

62
00:04:54,721 --> 00:04:58,191
de l’apparence visuelle d’un plateau de go

63
00:04:58,191 --> 00:05:01,763
comparable à celui
des meilleurs joueurs humains.

64
00:05:02,083 --> 00:05:03,454
Plus récemment,

65
00:05:03,454 --> 00:05:06,584
et suite à des découvertes
réalisées dans mon labo,

66
00:05:06,584 --> 00:05:11,408
l’apprentissage profond est exploité
pour traduire d’une langue vers une autre

67
00:05:11,414 --> 00:05:14,441
et cela va bientôt apparaître
dans Google Traduction.

68
00:05:15,191 --> 00:05:18,192
Ceci élargit les capacités des machines

69
00:05:18,192 --> 00:05:22,532
à comprendre et générer
un langage naturel.

70
00:05:23,550 --> 00:05:25,517
Mais ne vous laissez pas aveugler !

71
00:05:25,517 --> 00:05:30,048
Nous sommes encore très loin d’une machine

72
00:05:30,048 --> 00:05:34,033
aussi capable qu’un être humain

73
00:05:34,033 --> 00:05:37,593
d’apprendre à maîtriser
les nombreux aspects de notre monde.

74
00:05:38,541 --> 00:05:41,237
Prenons un exemple.

75
00:05:41,637 --> 00:05:46,787
Même un enfant de deux ans
est capable d’apprendre des choses

76
00:05:46,787 --> 00:05:50,657
d’une manière que les ordinateurs
ne peuvent pas encore reproduire.

77
00:05:51,767 --> 00:05:56,169
Un enfant de deux ans a une compréhension
intuitive de la physique.

78
00:05:56,968 --> 00:06:01,908
Il sait qu’en lâchant une balle,
celle-ci va tomber.

79
00:06:02,493 --> 00:06:06,093
Quand il renverse du liquide,
il s’attend au résultat final.

80
00:06:06,586 --> 00:06:09,516
Ses parents n’ont pas besoin
de lui expliquer

81
00:06:09,516 --> 00:06:12,980
la loi de Newton
ou les équations différentielles.

82
00:06:13,840 --> 00:06:20,200
L’enfant apprend seul ces choses,
sans supervision.

83
00:06:21,352 --> 00:06:27,712
L’apprentissage sans supervision
reste un des défis cruciaux de l’IA.

84
00:06:28,184 --> 00:06:33,014
Ça pourrait requérir plusieurs décennies
de recherche fondamentale

85
00:06:33,014 --> 00:06:34,674
pour dénouer ce nœud.

86
00:06:34,674 --> 00:06:41,719
L’apprentissage sans supervision cherche
à traduire des données en représentation.

87
00:06:41,729 --> 00:06:43,779
Je vais illustrer cela pour vous.

88
00:06:44,364 --> 00:06:49,346
Imaginez regarder, avec vos yeux,
une page sur votre écran.

89
00:06:49,346 --> 00:06:54,196
L’ordinateur voit ça comme
une image, un amas de pixels.

90
00:06:54,993 --> 00:07:00,113
Pour répondre à une question
sur le contenu de cette image,

91
00:07:00,863 --> 00:07:05,211
vous avez besoin de comprendre
sa signification de haut-niveau.

92
00:07:05,674 --> 00:07:10,531
La signification de haut niveau
correspond au plus haut niveau cognitif

93
00:07:10,531 --> 00:07:12,321
de représentation dans le cerveau.

94
00:07:12,906 --> 00:07:18,308
À un niveau bas, on a la signification
individuelle des mots

95
00:07:19,188 --> 00:07:23,798
et plus bas encore, on a les signes
qui composent les mots.

96
00:07:24,810 --> 00:07:27,677
Ces signes peuvent être représentés
de diverses manières,

97
00:07:27,677 --> 00:07:30,879
avec des traits différents
qui les composent.

98
00:07:31,559 --> 00:07:34,839
Ces traits sont composés par des arêtes

99
00:07:34,839 --> 00:07:37,284
et ces arêtes sont composées de pixels.

100
00:07:37,284 --> 00:07:40,454
Il s’agit donc de différents
niveaux de représentation.

101
00:07:41,079 --> 00:07:44,236
Toutefois, les pixels seuls
ne sont pas suffisants

102
00:07:44,236 --> 00:07:46,584
pour faire sens de l’image,

103
00:07:46,584 --> 00:07:51,904
pour répondre à la question
de haut niveau sur le contenu de la page.

104
00:07:52,932 --> 00:07:57,594
Votre cerveau possède ces différents
niveaux de représentation

105
00:07:57,594 --> 00:08:02,291
depuis les neurones
dans la zone visuelle du cortex, V1,

106
00:08:02,291 --> 00:08:04,596
qui reconnaît les arêtes.

107
00:08:04,596 --> 00:08:09,334
Ensuite, les neurones dans la deuxième
région visuelle du cortex, V2,

108
00:08:09,334 --> 00:08:12,800
reconnaissent les traits
et les petites formes.

109
00:08:12,800 --> 00:08:17,060
Plus haut, des neurones détectent
les parts constitutives des objets

110
00:08:17,060 --> 00:08:19,992
et ensuite les objets et un paysage
dans son intégralité.

111
00:08:21,182 --> 00:08:24,757
Quand on entraîne les réseaux
neuronaux à reconnaître des images,

112
00:08:24,757 --> 00:08:28,860
ils sont capables de découvrir
ces niveaux de représentation

113
00:08:28,860 --> 00:08:32,778
d’une manière correspondant
à ce que nous observons dans le cerveau.

114
00:08:33,638 --> 00:08:38,798
Les réseaux neuronaux biologiques,
qui existent dans notre cerveau,

115
00:08:38,804 --> 00:08:42,828
et les réseaux neuronaux profonds,
que nous entraînons sur nos machines,

116
00:08:42,845 --> 00:08:48,075
peuvent apprendre à transformer
un niveau de représentation en le suivant,

117
00:08:48,369 --> 00:08:53,299
les niveaux les plus élevés correspondant
à des notions progressivement abstraites.

118
00:08:53,299 --> 00:08:57,562
Prenons un exemple :
la notion abstraite de la lettre A

119
00:08:57,562 --> 00:09:00,891
peut être rendue de diverses manières
aux niveaux les plus bas,

120
00:09:00,891 --> 00:09:03,887
autant de manières que
de configurations différentes de pixels

121
00:09:03,887 --> 00:09:09,097
selon leur position,
leur rotation ou leur police.

122
00:09:10,445 --> 00:09:15,815
Comment apprenons-nous
ces hauts niveaux de représentation ?

123
00:09:17,402 --> 00:09:20,681
Un des modes qui rencontrent
du succès jusqu'à présent

124
00:09:20,681 --> 00:09:22,853
dans les applications
d'apprentissage profond

125
00:09:22,855 --> 00:09:25,985
est un mode appelé
apprentissage supervisé.

126
00:09:26,297 --> 00:09:31,588
Le principe de ce mode est que l'humain
prend l'ordinateur par la main

127
00:09:31,594 --> 00:09:35,467
et lui donne les réponses
à un grand nombre de questions.

128
00:09:35,467 --> 00:09:41,420
Par exemple, les hommes doivent dire
à la machine pour des millions d'images

129
00:09:41,420 --> 00:09:44,271
que sur cette image-ci, on a un chat.

130
00:09:44,273 --> 00:09:47,095
Sur cette image-là, on a un chien.

131
00:09:47,095 --> 00:09:49,585
Et sur cette autre image, un ordinateur.

132
00:09:49,605 --> 00:09:55,595
Sur cette image, c'est un clavier,
et ainsi de suite, des millions de fois.

133
00:09:56,066 --> 00:10:01,026
C'est un processus douloureux
et on a recours au crowdsourcing.

134
00:10:01,461 --> 00:10:03,396
Même si ce mode est très puissant

135
00:10:03,396 --> 00:10:06,299
et nous permet de résoudre
de nombreux problèmes intéressants,

136
00:10:06,299 --> 00:10:08,313
l'homme est bien plus fort

137
00:10:08,313 --> 00:10:12,076
et peut apprendre davantage
d'aspects différents du monde

138
00:10:12,076 --> 00:10:13,809
de façon autonome,

139
00:10:13,809 --> 00:10:17,609
comme l'enfant qui a une compréhension
intuitive de la physique.

140
00:10:17,625 --> 00:10:23,739
L'apprentissage non supervisé pourrait
aider à aborder la conduite autonome.

141
00:10:24,567 --> 00:10:26,097
Je veux dire en fait

142
00:10:26,097 --> 00:10:31,835
que l'apprentissage non supervisé permet
aux machines de se projeter dans l'avenir

143
00:10:31,835 --> 00:10:37,205
pour générer des futurs plausibles
conditionnés par la situation actuelle.

144
00:10:38,369 --> 00:10:42,899
Ceci permet aux ordinateurs
de raisonner, anticiper et planifier.

145
00:10:43,450 --> 00:10:46,041
Même pour des circonstances

146
00:10:46,041 --> 00:10:48,131
pour lesquelles
ils n'ont pas été entraînés.

147
00:10:49,351 --> 00:10:50,296
C'est important

148
00:10:50,296 --> 00:10:54,011
car avec l'apprentissage supervisé,
nous devrons expliciter aux ordinateurs

149
00:10:54,011 --> 00:10:57,395
toutes les circonstances dans lesquelles
peut se trouver un véhicule

150
00:10:57,395 --> 00:11:01,375
et comment un humain réagirait
pour chacune d'elles.

151
00:11:02,451 --> 00:11:06,191
Comment ai-je appris
à ne pas conduire dangereusement ?

152
00:11:07,276 --> 00:11:10,791
Ai-je dû mourir mille fois
dans un accident ?

153
00:11:10,793 --> 00:11:12,106
(Rires)

154
00:11:12,106 --> 00:11:15,256
C'est pourtant ainsi que nous entraînons
les machines actuellement.

155
00:11:15,256 --> 00:11:18,340
Donc, elles ne vont pas voler
ou ne pas rouler.

156
00:11:18,340 --> 00:11:19,928
(Rires)

157
00:11:21,288 --> 00:11:25,657
Nous devons donc entraîner nos modèles

158
00:11:25,657 --> 00:11:31,294
à devenir capables de générer des images
ou des futurs plausibles, à être créatifs.

159
00:11:31,704 --> 00:11:33,934
On fait des progrès dans ce domaine.

160
00:11:33,934 --> 00:11:37,457
Nous entraînons ces réseaux
neuronaux profonds

161
00:11:37,463 --> 00:11:40,818
à transiter d'une signification
de haut niveau vers le pixel

162
00:11:40,818 --> 00:11:43,298
plutôt que l'inverse,

163
00:11:43,307 --> 00:11:46,787
de traverser les niveaux de représentation
dans l'autre direction.

164
00:11:46,787 --> 00:11:50,461
Ainsi, l'ordinateur peut
générer des images

165
00:11:51,191 --> 00:11:55,072
qui sont nouvelles et différentes
de ce qu'il a déjà vu auparavant

166
00:11:55,072 --> 00:11:56,488
pendant son apprentissage,

167
00:11:57,018 --> 00:12:00,369
mais qui sont plausibles
et ressemblent à des images naturelles.

168
00:12:01,888 --> 00:12:06,332
On peut également utiliser ces images
pour rêver des images étranges,

169
00:12:06,342 --> 00:12:09,492
parfois même effrayantes,

170
00:12:09,492 --> 00:12:11,795
comme nos propres rêves et cauchemars.

171
00:12:12,682 --> 00:12:16,847
Voici quelques images synthétisées
par un ordinateur

172
00:12:16,847 --> 00:12:19,826
en utilisant ces modèles
d'apprentissage profond.

173
00:12:19,826 --> 00:12:21,651
Cela ressemble à des images naturelles

174
00:12:21,651 --> 00:12:24,691
mais un observateur attentif
décèlera qu'il s'agit d'autre chose

175
00:12:25,458 --> 00:12:28,697
et qu'il manque à ces images
des détails importants

176
00:12:28,697 --> 00:12:31,233
pour rendre ces illustrations
naturelles à nos yeux.

177
00:12:31,995 --> 00:12:33,951
Il y a environ 10 ans,

178
00:12:33,951 --> 00:12:38,921
l'apprentissage non supervisé
a joué un rôle crucial dans l'avancée

179
00:12:38,921 --> 00:12:42,443
que nous avons réalisée
dans l'apprentissage profond.

180
00:12:44,140 --> 00:12:48,055
Seuls quelques rares laboratoires
s'y intéressaient, dont le mien,

181
00:12:48,055 --> 00:12:51,455
à une époque où les réseaux neuronaux
n'étaient pas répandus.

182
00:12:51,455 --> 00:12:55,217
La communauté scientifique
les avait presque abandonnés.

183
00:12:56,394 --> 00:12:58,935
Mais les choses ont beaucoup changé.

184
00:12:58,955 --> 00:13:01,375
C'est devenu un domaine
très concurrentiel.

185
00:13:01,804 --> 00:13:05,574
Des centaines d'étudiants
envoient leur candidature

186
00:13:05,574 --> 00:13:06,954
pour continuer leurs études

187
00:13:06,954 --> 00:13:09,784
avec les collaborateurs
de mon laboratoire.

188
00:13:11,010 --> 00:13:16,630
Aujourd'hui, Montréal attire
la plus grande concentration académique

189
00:13:16,637 --> 00:13:19,387
de chercheurs dans l'apprentissage
profond dans le monde.

190
00:13:20,182 --> 00:13:26,115
Nous venons d'obtenir un financement
de recherche de 94 millions de dollars

191
00:13:26,127 --> 00:13:29,797
pour repousser les frontières de l'IA
et de la science des données

192
00:13:29,797 --> 00:13:33,038
et pour transférer
vers l'industrie les technologies

193
00:13:33,038 --> 00:13:36,578
issues de l'apprentissage profond
et de la science des données.

194
00:13:37,249 --> 00:13:40,441
Des entrepreneurs y trouvent
une source d'émulation

195
00:13:40,441 --> 00:13:43,791
et créent des start-ups
ou des laboratoires industriels

196
00:13:43,791 --> 00:13:46,914
souvent proches des universités.

197
00:13:48,543 --> 00:13:49,625
Par exemple,

198
00:13:49,625 --> 00:13:54,733
nous venons d'annoncer il y a quelques
semaines le lancement d'une start-up

199
00:13:54,733 --> 00:13:56,507
appelée : « Element AI »

200
00:13:56,507 --> 00:13:59,605
qui se concentre sur les applications
d'apprentissage profond.

201
00:14:02,262 --> 00:14:05,722
Il n'y a pas assez de spécialistes
en apprentissage profond.

202
00:14:06,355 --> 00:14:10,677
Les salaires sont extravagants,

203
00:14:11,027 --> 00:14:17,212
conduisant de nombreux anciens collègues
à accepter des offres généreuses

204
00:14:17,228 --> 00:14:20,518
d'entreprises pour travailler
dans leurs laboratoires.

205
00:14:21,081 --> 00:14:25,010
J'ai toutefois décidé
de rester à l'université,

206
00:14:25,010 --> 00:14:27,166
de travailler pour le bien public,

207
00:14:27,166 --> 00:14:28,886
de travailler avec les étudiants,

208
00:14:28,902 --> 00:14:30,592
de rester indépendant

209
00:14:30,596 --> 00:14:33,944
et de montrer la voie à la nouvelle
génération de spécialistes

210
00:14:33,944 --> 00:14:35,294
en apprentissage profond.

211
00:14:35,294 --> 00:14:41,024
Au-delà de la valeur commerciale de l'IA,

212
00:14:41,024 --> 00:14:44,654
nous réfléchissons
à ses implications sociales.

213
00:14:46,616 --> 00:14:50,026
Nous sommes nombreux à nous intéresser

214
00:14:50,026 --> 00:14:55,986
aux applications qui créent
de la valeur sociale, comme la santé.

215
00:14:56,457 --> 00:14:58,956
Nous pensons pouvoir utiliser
l'apprentissage profond

216
00:14:58,956 --> 00:15:02,696
pour améliorer les traitements
et vraiment personnaliser la médecine.

217
00:15:03,956 --> 00:15:05,671
Je suis convaincu qu'à l'avenir,

218
00:15:05,671 --> 00:15:10,361
la collecte de données sur des milliards
de personnes dans le monde

219
00:15:10,361 --> 00:15:13,856
nous permettra d'offrir un conseil médical

220
00:15:13,856 --> 00:15:17,576
à des milliards de personnes qui n'ont pas
encore accès aux soins de santé.

221
00:15:17,601 --> 00:15:22,724
On peut imaginer beaucoup d'autres
applications avec une valeur sociale.

222
00:15:23,140 --> 00:15:26,238
Par exemple, notre laboratoire
va prochainement sortir un produit

223
00:15:26,238 --> 00:15:28,582
lié à la compréhension du langage naturel

224
00:15:29,328 --> 00:15:31,199
qui offre une palette de services

225
00:15:31,199 --> 00:15:34,509
comme des services légaux,
à ceux qui ne peuvent pas se le permettre.

226
00:15:34,512 --> 00:15:37,342
Nous nous intéressons aussi

227
00:15:37,342 --> 00:15:41,132
aux implications sociales de l'IA
dans ma communauté.

228
00:15:41,690 --> 00:15:45,121
Mais cette question ne devrait pas
intéresser seulement les spécialistes.

229
00:15:46,026 --> 00:15:49,936
En dépit des mathématiques et du jargon,

230
00:15:50,666 --> 00:15:53,102
les citoyens peuvent
suffisamment appréhender

231
00:15:53,138 --> 00:15:56,351
ce qu'il se passe sous le capot

232
00:15:57,001 --> 00:16:01,191
pour participer
aux décisions fondamentales

233
00:16:01,191 --> 00:16:05,433
qui seront prises prochainement
et dans les décennies à venir

234
00:16:05,433 --> 00:16:06,703
au sujet de l'IA.

235
00:16:07,580 --> 00:16:09,280
Je vous invite donc

236
00:16:09,930 --> 00:16:16,230
à mettre de côté vos peurs et à ménager
un peu d'espace pour vous renseigner.

237
00:16:17,842 --> 00:16:22,532
Avec mes collaborateurs, nous avons écrit
plusieurs articles d'introduction

238
00:16:22,542 --> 00:16:25,376
et un livre intitulé :
« L'apprentissage profond »

239
00:16:25,376 --> 00:16:29,619
pour inciter étudiants et ingénieurs
à s'engager dans ce domaine passionnant.

240
00:16:30,659 --> 00:16:35,784
Il y a aussi de nombreuses ressources
en ligne : logiciels, tutoriels ou vidéos.

241
00:16:36,310 --> 00:16:41,210
De nombreux étudiants étudient ce domaine

242
00:16:41,210 --> 00:16:44,548
de recherche sur l'apprentissage profond
de manière autodidacte

243
00:16:44,548 --> 00:16:47,835
afin de rejoindre des laboratoires
comme le mien.

244
00:16:49,370 --> 00:16:55,170
L'impact de l'IA sur notre société
sera important.

245
00:16:56,652 --> 00:17:01,672
Il est donc crucial de se demander :
qu'allons-nous en faire ?

246
00:17:03,368 --> 00:17:07,896
Des bénéfices incalculables peuvent
en émaner comme des impacts négatifs :

247
00:17:07,896 --> 00:17:10,166
des applications militaires

248
00:17:10,797 --> 00:17:15,357
ou des changements disruptifs
sur le marché de l'emploi.

249
00:17:16,418 --> 00:17:21,629
Pour nous assurer que les choix collectifs
qui seront pris au sujet de l'IA

250
00:17:21,629 --> 00:17:23,074
dans les années à venir

251
00:17:23,074 --> 00:17:25,144
soient bénéfiques à tous,

252
00:17:25,144 --> 00:17:28,557
tous les citoyens doivent
devenir les protagonistes

253
00:17:28,557 --> 00:17:32,911
pour définir comment l'IA
va modeler notre avenir.

254
00:17:33,871 --> 00:17:34,891
Merci.

255
00:17:35,065 --> 00:17:39,395
(Applaudissements)