WEBVTT

00:00:17.816 --> 00:00:21.325
Notre monde se transforme
de multiples façons

00:00:21.325 --> 00:00:25.975
et un des éléments qui auront
un impact important sur notre avenir

00:00:25.975 --> 00:00:29.363
est l'intelligence artificielle, IA,

00:00:29.363 --> 00:00:32.953
à l'origine d'une nouvelle
révolution industrielle.

00:00:33.627 --> 00:00:39.504
Les révolutions industrielles précédentes
ont rehaussé la force mécanique de l'homme

00:00:40.014 --> 00:00:45.572
mais cette révolution-ci,
la deuxième ère de la machine,

00:00:45.572 --> 00:00:50.122
va rehausser nos capacités cognitives,

00:00:50.122 --> 00:00:52.102
notre force mentale.

00:00:52.782 --> 00:00:57.177
Les ordinateurs ne vont plus se limiter
à remplacer le travail manuel,

00:00:57.597 --> 00:00:59.897
ils vont aussi s'emparer
du travail intellectuel.

00:01:00.500 --> 00:01:03.450
Où en sommes-nous aujourd'hui ?

00:01:04.034 --> 00:01:07.724
Vous avez probablement entendu
parler en mars dernier [2016]

00:01:07.724 --> 00:01:11.776
du système d'apprentissage
automatique appelé AlphaGo

00:01:11.776 --> 00:01:17.708
qui a utilisé l'apprentissage profond
pour vaincre le champion du monde de go.

00:01:18.279 --> 00:01:20.679
Le go est un ancien jeu chinois

00:01:20.679 --> 00:01:24.159
bien plus complexe à maîtriser
pour un ordinateur

00:01:24.159 --> 00:01:25.982
que les échecs.

00:01:26.893 --> 00:01:32.086
Comment cela fut-il possible maintenant,
après des décennies de recherche en IA ?

00:01:33.068 --> 00:01:36.698
On a entraîné AlphaGo à jouer au go.

00:01:37.678 --> 00:01:41.300
D'abord, en observant encore et encore

00:01:41.814 --> 00:01:46.894
des dizaines de millions de mouvements
de joueurs humains très doués.

00:01:47.746 --> 00:01:52.496
Ensuite, en le faisant jouer
des millions de parties contre lui-même.

00:01:54.222 --> 00:01:59.941
L'apprentissage automatique est
une méthode d'apprentissage par l'exemple.

00:02:00.465 --> 00:02:02.575
Les ordinateurs apprennent des données.

00:02:03.885 --> 00:02:07.235
L'apprentissage automatique
est devenu un élément clé

00:02:07.235 --> 00:02:11.635
pour emmagasiner de la connaissance
dans les ordinateurs.

00:02:12.174 --> 00:02:14.066
C'est fondamental

00:02:14.066 --> 00:02:19.296
car la connaissance
conduit à l'intelligence.

00:02:20.438 --> 00:02:22.865
Intégrer la connaissance
dans les ordinateurs

00:02:22.865 --> 00:02:24.475
s'est avéré être le défi

00:02:24.475 --> 00:02:27.515
dans les approches précédentes de l'IA.

00:02:27.515 --> 00:02:28.745
Pourquoi ?

00:02:29.299 --> 00:02:33.859
Il y a de nombreuses choses
que nous savons intuitivement.

00:02:34.601 --> 00:02:38.081
Nous sommes donc incapables
de les communiquer verbalement.

00:02:38.619 --> 00:02:42.780
Nous n'avons pas un accès conscient
à ce savoir intuitif.

00:02:43.270 --> 00:02:46.690
Comment programmer un ordinateur
sans connaissance ?

00:02:47.664 --> 00:02:49.114
Comment résoudre ça ?

00:02:49.314 --> 00:02:55.343
La solution est de faire apprendre
aux machines ce savoir par elles-mêmes,

00:02:55.343 --> 00:02:56.443
comme nous le faisons.

00:02:56.443 --> 00:03:03.194
C'est important car la connaissance
conduit à l'intelligence.

00:03:03.194 --> 00:03:08.174
Ma mission est de contribuer
à la découverte et à la compréhension

00:03:08.174 --> 00:03:12.676
des principes qui soutiennent
l'intelligence par l'apprentissage.

00:03:13.166 --> 00:03:18.116
Qu'il s'agisse de l'apprentissage
par l'animal, l'homme ou la machine.

00:03:19.450 --> 00:03:25.066
Avec d'autres, je suis convaincu 
qu'il y a quelques principes fondamentaux

00:03:25.066 --> 00:03:27.296
comme les lois de la physique.

00:03:27.885 --> 00:03:32.745
Des principes simples capables
d'expliquer notre propre intelligence

00:03:32.745 --> 00:03:36.741
et de nous aider à concevoir
des machines intelligentes.

00:03:37.885 --> 00:03:41.595
Prenez par exemple
les lois de l'aérodynamique :

00:03:41.595 --> 00:03:48.036
suffisamment générales pour expliquer
le vol des oiseaux et des avions.

00:03:49.146 --> 00:03:55.381
Ne serait-ce pas incroyable de découvrir
des principes simples mais puissants

00:03:55.701 --> 00:03:59.186
qui expliqueraient l'intelligence,
rien de moins ?

00:04:01.066 --> 00:04:03.394
Nous avons fait des progrès.

00:04:04.384 --> 00:04:10.857
Mes collaborateurs et moi avons contribué
à révolutionner l'IA ces dernières années

00:04:11.777 --> 00:04:16.397
avec nos recherches sur les réseaux
neuronaux et l'apprentissage profond,

00:04:16.397 --> 00:04:20.946
une approche de l'apprentissage
automatique inspirée du cerveau.

00:04:22.041 --> 00:04:25.243
Tout a commencé avec
la reconnaissance vocale

00:04:25.243 --> 00:04:29.963
dans vos téléphones
avec les réseaux neuronaux depuis 2012.

00:04:30.977 --> 00:04:35.647
Peu après, on a fait des avancées
dans la vision par ordinateur.

00:04:36.680 --> 00:04:43.087
Les ordinateurs sont devenus assez bons
pour reconnaître le contenu d'images.

00:04:43.674 --> 00:04:50.049
Ils sont même proches des performances
de l'homme depuis cinq ans environ.

00:04:50.711 --> 00:04:54.721
Un ordinateur a atteint le niveau
de compréhension intuitif

00:04:54.721 --> 00:04:58.191
de l’apparence visuelle d’un plateau de go

00:04:58.191 --> 00:05:01.763
comparable à celui
des meilleurs joueurs humains.

00:05:02.083 --> 00:05:03.454
Plus récemment,

00:05:03.454 --> 00:05:06.584
et suite à des découvertes
réalisées dans mon labo,

00:05:06.584 --> 00:05:11.408
l’apprentissage profond est exploité
pour traduire d’une langue vers une autre

00:05:11.414 --> 00:05:14.441
et cela va bientôt apparaître
dans Google Traduction.

00:05:15.191 --> 00:05:18.192
Ceci élargit les capacités des machines

00:05:18.192 --> 00:05:22.532
à comprendre et générer
un langage naturel.

00:05:23.550 --> 00:05:25.517
Mais ne vous laissez pas aveugler !

00:05:25.517 --> 00:05:30.048
Nous sommes encore très loin d’une machine

00:05:30.048 --> 00:05:34.033
aussi capable qu’un être humain

00:05:34.033 --> 00:05:37.593
d’apprendre à maîtriser
les nombreux aspects de notre monde.

00:05:38.541 --> 00:05:41.237
Prenons un exemple.

00:05:41.637 --> 00:05:46.787
Même un enfant de deux ans
est capable d’apprendre des choses

00:05:46.787 --> 00:05:50.657
d’une manière que les ordinateurs
ne peuvent pas encore reproduire.

00:05:51.767 --> 00:05:56.169
Un enfant de deux ans a une compréhension
intuitive de la physique.

NOTE Paragraph

00:05:56.968 --> 00:06:01.908
Il sait qu’en lâchant une balle,
celle-ci va tomber.

00:06:02.493 --> 00:06:06.093
Quand il renverse du liquide,
il s’attend au résultat final.

00:06:06.586 --> 00:06:09.516
Ses parents n’ont pas besoin
de lui expliquer

00:06:09.516 --> 00:06:12.980
la loi de Newton
ou les équations différentielles.

00:06:13.840 --> 00:06:20.200
L’enfant apprend seul ces choses,
sans supervision.

00:06:21.352 --> 00:06:27.712
L’apprentissage sans supervision
reste un des défis cruciaux de l’IA.

00:06:28.184 --> 00:06:33.014
Ça pourrait requérir plusieurs décennies
de recherche fondamentale

00:06:33.014 --> 00:06:34.674
pour dénouer ce nœud.

00:06:34.674 --> 00:06:41.719
L’apprentissage sans supervision cherche
à traduire des données en représentation.

00:06:41.729 --> 00:06:43.779
Je vais illustrer cela pour vous.

00:06:44.364 --> 00:06:49.346
Imaginez regarder, avec vos yeux,
une page sur votre écran.

00:06:49.346 --> 00:06:54.196
L’ordinateur voit ça comme
une image, un amas de pixels.

00:06:54.993 --> 00:07:00.113
Pour répondre à une question
sur le contenu de cette image,

00:07:00.863 --> 00:07:05.211
vous avez besoin de comprendre
sa signification de haut-niveau.

00:07:05.674 --> 00:07:10.531
La signification de haut niveau
correspond au plus haut niveau cognitif

00:07:10.531 --> 00:07:12.321
de représentation dans le cerveau.

00:07:12.906 --> 00:07:18.308
À un niveau bas, on a la signification
individuelle des mots

00:07:19.188 --> 00:07:23.798
et plus bas encore, on a les signes
qui composent les mots.

00:07:24.810 --> 00:07:27.677
Ces signes peuvent être représentés
de diverses manières,

00:07:27.677 --> 00:07:30.879
avec des traits différents
qui les composent.

00:07:31.559 --> 00:07:34.839
Ces traits sont composés par des arêtes

00:07:34.839 --> 00:07:37.284
et ces arêtes sont composées de pixels.

00:07:37.284 --> 00:07:40.454
Il s’agit donc de différents
niveaux de représentation.

00:07:41.079 --> 00:07:44.236
Toutefois, les pixels seuls
ne sont pas suffisants

00:07:44.236 --> 00:07:46.584
pour faire sens de l’image,

00:07:46.584 --> 00:07:51.904
pour répondre à la question
de haut niveau sur le contenu de la page.

00:07:52.932 --> 00:07:57.594
Votre cerveau possède ces différents
niveaux de représentation

00:07:57.594 --> 00:08:02.291
depuis les neurones
dans la zone visuelle du cortex, V1,

00:08:02.291 --> 00:08:04.596
qui reconnaît les arêtes.

00:08:04.596 --> 00:08:09.334
Ensuite, les neurones dans la deuxième
région visuelle du cortex, V2,

00:08:09.334 --> 00:08:12.800
reconnaissent les traits
et les petites formes.

00:08:12.800 --> 00:08:17.060
Plus haut, des neurones détectent
les parts constitutives des objets

00:08:17.060 --> 00:08:19.992
et ensuite les objets et un paysage
dans son intégralité.

00:08:21.182 --> 00:08:24.757
Quand on entraîne les réseaux
neuronaux à reconnaître des images,

00:08:24.757 --> 00:08:28.860
ils sont capables de découvrir
ces niveaux de représentation

00:08:28.860 --> 00:08:32.778
d’une manière correspondant
à ce que nous observons dans le cerveau.

00:08:33.638 --> 00:08:38.798
Les réseaux neuronaux biologiques,
qui existent dans notre cerveau,

00:08:38.804 --> 00:08:42.828
et les réseaux neuronaux profonds,
que nous entraînons sur nos machines,

00:08:42.845 --> 00:08:48.075
peuvent apprendre à transformer
un niveau de représentation en le suivant,

00:08:48.369 --> 00:08:53.299
les niveaux les plus élevés correspondant
à des notions progressivement abstraites.

00:08:53.299 --> 00:08:57.562
Prenons un exemple :
la notion abstraite de la lettre A

00:08:57.562 --> 00:09:00.891
peut être rendue de diverses manières
aux niveaux les plus bas,

00:09:00.891 --> 00:09:03.887
autant de manières que
de configurations différentes de pixels

00:09:03.887 --> 00:09:09.097
selon leur position,
leur rotation ou leur police.

00:09:10.445 --> 00:09:15.815
Comment apprenons-nous
ces hauts niveaux de représentation ?

00:09:17.402 --> 00:09:20.681
Un des modes qui rencontrent
du succès jusqu'à présent

00:09:20.681 --> 00:09:22.853
dans les applications
d'apprentissage profond

00:09:22.855 --> 00:09:25.985
est un mode appelé
apprentissage supervisé.

00:09:26.297 --> 00:09:31.588
Le principe de ce mode est que l'humain
prend l'ordinateur par la main

00:09:31.594 --> 00:09:35.467
et lui donne les réponses
à un grand nombre de questions.

00:09:35.467 --> 00:09:41.420
Par exemple, les hommes doivent dire
à la machine pour des millions d'images

00:09:41.420 --> 00:09:44.271
que sur cette image-ci, on a un chat.

00:09:44.273 --> 00:09:47.095
Sur cette image-là, on a un chien.

00:09:47.095 --> 00:09:49.585
Et sur cette autre image, un ordinateur.

00:09:49.605 --> 00:09:55.595
Sur cette image, c'est un clavier,
et ainsi de suite, des millions de fois.

00:09:56.066 --> 00:10:01.026
C'est un processus douloureux
et on a recours au crowdsourcing.

00:10:01.461 --> 00:10:03.396
Même si ce mode est très puissant

00:10:03.396 --> 00:10:06.299
et nous permet de résoudre
de nombreux problèmes intéressants,

00:10:06.299 --> 00:10:08.313
l'homme est bien plus fort

00:10:08.313 --> 00:10:12.076
et peut apprendre davantage
d'aspects différents du monde

00:10:12.076 --> 00:10:13.809
de façon autonome,

00:10:13.809 --> 00:10:17.609
comme l'enfant qui a une compréhension
intuitive de la physique.

00:10:17.625 --> 00:10:23.739
L'apprentissage non supervisé pourrait
aider à aborder la conduite autonome.

00:10:24.567 --> 00:10:26.097
Je veux dire en fait

00:10:26.097 --> 00:10:31.835
que l'apprentissage non supervisé permet
aux machines de se projeter dans l'avenir

00:10:31.835 --> 00:10:37.205
pour générer des futurs plausibles
conditionnés par la situation actuelle.

00:10:38.369 --> 00:10:42.899
Ceci permet aux ordinateurs
de raisonner, anticiper et planifier.

00:10:43.450 --> 00:10:46.041
Même pour des circonstances

00:10:46.041 --> 00:10:48.131
pour lesquelles
ils n'ont pas été entraînés.

00:10:49.351 --> 00:10:50.296
C'est important

00:10:50.296 --> 00:10:54.011
car avec l'apprentissage supervisé,
nous devrons expliciter aux ordinateurs

00:10:54.011 --> 00:10:57.395
toutes les circonstances dans lesquelles
peut se trouver un véhicule

00:10:57.395 --> 00:11:01.375
et comment un humain réagirait
pour chacune d'elles.

00:11:02.451 --> 00:11:06.191
Comment ai-je appris
à ne pas conduire dangereusement ?

00:11:07.276 --> 00:11:10.791
Ai-je dû mourir mille fois
dans un accident ?

00:11:10.793 --> 00:11:12.106
(Rires)

00:11:12.106 --> 00:11:15.256
C'est pourtant ainsi que nous entraînons
les machines actuellement.

00:11:15.256 --> 00:11:18.340
Donc, elles ne vont pas voler
ou ne pas rouler.

00:11:18.340 --> 00:11:19.928
(Rires)

00:11:21.288 --> 00:11:25.657
Nous devons donc entraîner nos modèles

00:11:25.657 --> 00:11:31.294
à devenir capables de générer des images
ou des futurs plausibles, à être créatifs.

00:11:31.704 --> 00:11:33.934
On fait des progrès dans ce domaine.

00:11:33.934 --> 00:11:37.457
Nous entraînons ces réseaux
neuronaux profonds

00:11:37.463 --> 00:11:40.818
à transiter d'une signification
de haut niveau vers le pixel

00:11:40.818 --> 00:11:43.298
plutôt que l'inverse,

00:11:43.307 --> 00:11:46.787
de traverser les niveaux de représentation
dans l'autre direction.

00:11:46.787 --> 00:11:50.461
Ainsi, l'ordinateur peut
générer des images

00:11:51.191 --> 00:11:55.072
qui sont nouvelles et différentes
de ce qu'il a déjà vu auparavant

00:11:55.072 --> 00:11:56.488
pendant son apprentissage,

00:11:57.018 --> 00:12:00.369
mais qui sont plausibles
et ressemblent à des images naturelles.

00:12:01.888 --> 00:12:06.332
On peut également utiliser ces images
pour rêver des images étranges,

00:12:06.342 --> 00:12:09.492
parfois même effrayantes,

00:12:09.492 --> 00:12:11.795
comme nos propres rêves et cauchemars.

00:12:12.682 --> 00:12:16.847
Voici quelques images synthétisées
par un ordinateur

00:12:16.847 --> 00:12:19.826
en utilisant ces modèles
d'apprentissage profond.

00:12:19.826 --> 00:12:21.651
Cela ressemble à des images naturelles

00:12:21.651 --> 00:12:24.691
mais un observateur attentif
décèlera qu'il s'agit d'autre chose

00:12:25.458 --> 00:12:28.697
et qu'il manque à ces images
des détails importants

00:12:28.697 --> 00:12:31.233
pour rendre ces illustrations
naturelles à nos yeux.

00:12:31.995 --> 00:12:33.951
Il y a environ 10 ans,

00:12:33.951 --> 00:12:38.921
l'apprentissage non supervisé
a joué un rôle crucial dans l'avancée

00:12:38.921 --> 00:12:42.443
que nous avons réalisée
dans l'apprentissage profond.

00:12:44.140 --> 00:12:48.055
Seuls quelques rares laboratoires
s'y intéressaient, dont le mien,

00:12:48.055 --> 00:12:51.455
à une époque où les réseaux neuronaux
n'étaient pas répandus.

00:12:51.455 --> 00:12:55.217
La communauté scientifique
les avait presque abandonnés.

00:12:56.394 --> 00:12:58.935
Mais les choses ont beaucoup changé.

00:12:58.955 --> 00:13:01.375
C'est devenu un domaine
très concurrentiel.

00:13:01.804 --> 00:13:05.574
Des centaines d'étudiants
envoient leur candidature

00:13:05.574 --> 00:13:06.954
pour continuer leurs études

00:13:06.954 --> 00:13:09.784
avec les collaborateurs
de mon laboratoire.

00:13:11.010 --> 00:13:16.630
Aujourd'hui, Montréal attire
la plus grande concentration académique

00:13:16.637 --> 00:13:19.387
de chercheurs dans l'apprentissage
profond dans le monde.

00:13:20.182 --> 00:13:26.115
Nous venons d'obtenir un financement
de recherche de 94 millions de dollars

00:13:26.127 --> 00:13:29.797
pour repousser les frontières de l'IA
et de la science des données

00:13:29.797 --> 00:13:33.038
et pour transférer
vers l'industrie les technologies

00:13:33.038 --> 00:13:36.578
issues de l'apprentissage profond
et de la science des données.

00:13:37.249 --> 00:13:40.441
Des entrepreneurs y trouvent
une source d'émulation

00:13:40.441 --> 00:13:43.791
et créent des start-ups
ou des laboratoires industriels

00:13:43.791 --> 00:13:46.914
souvent proches des universités.

00:13:48.543 --> 00:13:49.625
Par exemple,

00:13:49.625 --> 00:13:54.733
nous venons d'annoncer il y a quelques
semaines le lancement d'une start-up

00:13:54.733 --> 00:13:56.507
appelée : « Element AI »

00:13:56.507 --> 00:13:59.605
qui se concentre sur les applications
d'apprentissage profond.

00:14:02.262 --> 00:14:05.722
Il n'y a pas assez de spécialistes
en apprentissage profond.

00:14:06.355 --> 00:14:10.677
Les salaires sont extravagants,

00:14:11.027 --> 00:14:17.212
conduisant de nombreux anciens collègues
à accepter des offres généreuses

00:14:17.228 --> 00:14:20.518
d'entreprises pour travailler
dans leurs laboratoires.

00:14:21.081 --> 00:14:25.010
J'ai toutefois décidé
de rester à l'université,

00:14:25.010 --> 00:14:27.166
de travailler pour le bien public,

00:14:27.166 --> 00:14:28.886
de travailler avec les étudiants,

00:14:28.902 --> 00:14:30.592
de rester indépendant

00:14:30.596 --> 00:14:33.944
et de montrer la voie à la nouvelle
génération de spécialistes

00:14:33.944 --> 00:14:35.294
en apprentissage profond.

00:14:35.294 --> 00:14:41.024
Au-delà de la valeur commerciale de l'IA,

00:14:41.024 --> 00:14:44.654
nous réfléchissons
à ses implications sociales.

00:14:46.616 --> 00:14:50.026
Nous sommes nombreux à nous intéresser

00:14:50.026 --> 00:14:55.986
aux applications qui créent
de la valeur sociale, comme la santé.

00:14:56.457 --> 00:14:58.956
Nous pensons pouvoir utiliser
l'apprentissage profond

00:14:58.956 --> 00:15:02.696
pour améliorer les traitements
et vraiment personnaliser la médecine.

00:15:03.956 --> 00:15:05.671
Je suis convaincu qu'à l'avenir,

00:15:05.671 --> 00:15:10.361
la collecte de données sur des milliards
de personnes dans le monde

00:15:10.361 --> 00:15:13.856
nous permettra d'offrir un conseil médical

00:15:13.856 --> 00:15:17.576
à des milliards de personnes qui n'ont pas
encore accès aux soins de santé.

00:15:17.601 --> 00:15:22.724
On peut imaginer beaucoup d'autres
applications avec une valeur sociale.

00:15:23.140 --> 00:15:26.238
Par exemple, notre laboratoire
va prochainement sortir un produit

00:15:26.238 --> 00:15:28.582
lié à la compréhension du langage naturel

00:15:29.328 --> 00:15:31.199
qui offre une palette de services

00:15:31.199 --> 00:15:34.509
comme des services légaux,
à ceux qui ne peuvent pas se le permettre.

00:15:34.512 --> 00:15:37.342
Nous nous intéressons aussi

00:15:37.342 --> 00:15:41.132
aux implications sociales de l'IA
dans ma communauté.

00:15:41.690 --> 00:15:45.121
Mais cette question ne devrait pas
intéresser seulement les spécialistes.

00:15:46.026 --> 00:15:49.936
En dépit des mathématiques et du jargon,

00:15:50.666 --> 00:15:53.102
les citoyens peuvent
suffisamment appréhender

00:15:53.138 --> 00:15:56.351
ce qu'il se passe sous le capot

00:15:57.001 --> 00:16:01.191
pour participer
aux décisions fondamentales

00:16:01.191 --> 00:16:05.433
qui seront prises prochainement
et dans les décennies à venir

00:16:05.433 --> 00:16:06.703
au sujet de l'IA.

00:16:07.580 --> 00:16:09.280
Je vous invite donc

00:16:09.930 --> 00:16:16.230
à mettre de côté vos peurs et à ménager
un peu d'espace pour vous renseigner.

00:16:17.842 --> 00:16:22.532
Avec mes collaborateurs, nous avons écrit
plusieurs articles d'introduction

00:16:22.542 --> 00:16:25.376
et un livre intitulé :
« L'apprentissage profond »

00:16:25.376 --> 00:16:29.619
pour inciter étudiants et ingénieurs
à s'engager dans ce domaine passionnant.

00:16:30.659 --> 00:16:35.784
Il y a aussi de nombreuses ressources
en ligne : logiciels, tutoriels ou vidéos.

00:16:36.310 --> 00:16:41.210
De nombreux étudiants étudient ce domaine

00:16:41.210 --> 00:16:44.548
de recherche sur l'apprentissage profond
de manière autodidacte

00:16:44.548 --> 00:16:47.835
afin de rejoindre des laboratoires
comme le mien.

00:16:49.370 --> 00:16:55.170
L'impact de l'IA sur notre société
sera important.

00:16:56.652 --> 00:17:01.672
Il est donc crucial de se demander :
qu'allons-nous en faire ?

00:17:03.368 --> 00:17:07.896
Des bénéfices incalculables peuvent
en émaner comme des impacts négatifs :

00:17:07.896 --> 00:17:10.166
des applications militaires

00:17:10.797 --> 00:17:15.357
ou des changements disruptifs
sur le marché de l'emploi.

00:17:16.418 --> 00:17:21.629
Pour nous assurer que les choix collectifs
qui seront pris au sujet de l'IA

00:17:21.629 --> 00:17:23.074
dans les années à venir

00:17:23.074 --> 00:17:25.144
soient bénéfiques à tous,

00:17:25.144 --> 00:17:28.557
tous les citoyens doivent
devenir les protagonistes

00:17:28.557 --> 00:17:32.911
pour définir comment l'IA
va modeler notre avenir.

00:17:33.871 --> 00:17:34.891
Merci.

00:17:35.065 --> 00:17:39.395
(Applaudissements)