« Any sufficiently advanced technology is indistinguishable from magic. »
William Gibson

Qu’y connaissez-vous vraiment en intelligence artificielle ? Cette technologie est omniprésente et bouleverse déjà notre quotidien. La comprenez-vous ? Comment s’y intéresser sans coder en Python (le langage de l’IA) ?

Le Guide Curatus des meilleurs livres business propose une réponse : Quand la machine apprend de Yann Le Cun et La fin de l’individu de Gaspard Koenig. Mais nous pourrions aller beaucoup plus loin. Tout dépend du niveau d’expertise que vous souhaitez atteindre…

Curatus est une initiative pour faire lire aux professionnels plus d’ouvrages… professionnels. Lisez le manifeste. C’est aussi une sélection d’excellents livres pros regroupés au sein du Guide Curatus. Et une maison d’édition qui édite par exemple les Règles du jeu professionnel. Rejoignez le mouvement !

Le premier ouvrage, signé par une des figures les plus respectées du secteur, explique le fonctionnement du machine learning de manière pédagogique et synthétique sans rien cacher des formules mathématiques. L’auteur raconte 50 ans d’histoire du domaine, son histoire personnelle et partage ses convictions dans un livre bien écrit. Vous comprendrez enfin tout au deep learning et aux réseaux de neurones ! C’est précieux. (https://readcurated.wordpress.com/quand-la-machine-apprend/)

Le second ouvrage est le fruit de plusieurs mois d’entretiens avec toutes les personnes qui comptent dans le secteur sur les deux côtes américaines, en Europe, en Israël et en Chine. Au fil des discussions, le philosophe libéral partage ses réflexions et conclusions. Il nous emmène dans son voyage au cœur de l’intelligence artificielle. C’est l’occasion de l’accompagner et de découvrir pas à pas ce que l’IA peut faire et ce qu’elle ne peut pas ; ainsi que son impact actuel et à venir sur nos sociétés. On y apprend beaucoup et on s’y forge des convictions. (https://readcurated.wordpress.com/the-end-of-the-individual/)

Pour continuer, je vous suggérerais AI2041. Cette fois, il s’agit de fiction ; mais à la frontière du réel. Chen Qiufan, romancier, propose une dizaine de nouvelles chacune fondée sur une des technologies qui fait l’IA… et chacune réaliste. Il s’agit de se projeter en 2041 en se fondant sur ce qui est déjà possible techniquement aujourd’hui. Le réalisme technologique est assuré par le second auteur, investisseur et chercheur américano-taïwanais que vous connaissez peut-être : Kai-Fu Lee. Il introduit et conclut chaque nouvelle par l’état de la science. Voici donc l’occasion d’un divertissement intelligent ! (https://readcurated.wordpress.com/ai-2041/)

Et les pros ? Que lisent les experts ? J’entends par là ceux qui codent de l’intelligence artificielle au quotidien. J’ai eu l’occasion de monter une bibliothèque pour une des équipes d’IA les plus avancées de France. Une équipe de dizaines de spécialistes qui gèrent des centaines d’algorithmes avec des jeux de données contenant des milliards d’informations pour des temps de réponse en millisecondes. Alors, que veut-on lire quand on a une thèse en IA ?

A ma proposition de bibliothèque partagée, la réponse fut rapide : « Très bonne idée ! Cela fait des années que nous en parlons sans le faire. Laisse-nous jusqu’à demain, nous faisons le tour de l’équipe. ». Je pensais obtenir quelques suggestions éparses. J’ai obtenu une liste de titres largement inconnus et en majorité tournés vers les statistiques et les mathématiques.

Cela vous passionne ? Vous êtes vraiment sérieux sur le sujet des algorithmes ? Voici de quoi constituer une première bibliothèque !

  • Bayesian data analysis, de German et al
  • Pattern Recognition and Machine Learning, de Christopher Bishop
  • « All of statistics » de Larry Wasserman
  • « The book of why » de Judea Pearl
  • Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, de Aurélien Géron (édition la plus récente)
  • Causality: Models, Reasoning and Inference de Judea Pearl
  • Weapons of math destruction, de Cathy O’Neill
  • Math on Trial – How Numbers Get Used and Abused in the Courtroom by Leila Schneps, Coralie Colmez              
  • The elements of statistical learning, de Jerome H. Friedman, Robert Tibshirani et Trevor Hastie
  • Factfulness: Ten Reasons We’re Wrong About The World – And Why Things Are Better Than You Think, d’Anna Rosling Rönnlund, Hans Rosling et Ola Rosling
  • How to Make the World Add Up: Ten Rules for Thinking Differently About Numbers, de Tim Harford
  • La Formule du Savoir: Une philosophie unifiée du savoir fondée sur le théorème de Bayes, de Lê Nguyên Hoang
  • Python Data Science Handbook, by Jake VanderPlas
  • How to Lie with Statistics, de Darrell Huff
  • The Mathematics of Love: Patterns, Proofs, and the Search for the Ultimate Equation, de Hannah Fry
  • The Signal and the Noise: The Art and Science of Prediction, de Nate Silver
  • Freakonomics, de Stephen J. Dubner et Steven Levitt
  • Datavision de David McCandless
  • Learning with Kernels de Bernhard Schölpkopf
  • Semi-supervised learning de Olivier Chapelle
  • Reinforcement Learning: An Introduction, d’Andrew Barto et Richard Sutton
  • Probabilités, analyse des données et statistique, de Gilbert Saporta
  • Deep Learning by Ian Goodfellow, Yoshua Bengio and Aaron Courville
  • Oxford Handbook of Ethics of AI, de Markus D. Dubber, Frank Pasquale and Sunit Das
  • Programming Collective Intelligence: Building Smart Web 2.0 Applications, de Toby Segaran

Bonnes lectures !