Dr. Warith Harchaoui

 
Expert en intelligence artificielle

Computer Vision,
Natural Language Processing,
et Machine Learning

En Data Science,
Pas de Data,
Pas de Science

Bio

Je suis Warith Harchaoui, docteur en Mathématiques Appliquées et passionné par l'intelligence artificielle (IA). Je bâtis ma carrière en intelligence artificielle tant dans la recherche que dans les entreprises.

En 2008, j'ai commencé mon apprentissage avec les meilleurs chercheurs en IA grâce à l'École Normale Supérieure de Cachan (MVA M.Sc.). Après plusieurs expériences dans le domaine de la Computer Vision dans des startups et des entreprises internationales, je poursuis mes recherches à l'École Normale Supérieure de Paris aux laboratoires Willow / Sierra qu'on compte parmi les meilleurs au monde.

Plus tard, j'ai renforcé le volet entreprise de ma carrière en Data Science au sein du leader mondial Oscaro.com du e-commerce en pièces automobiles de 2014 à 2020. Tout en gardant mes responsabilités opérationnelles, j'accomplis mon doctorat en mathématiques appliquées de 2016 à 2020 grâce à Charles Bouveyron au laboratoire MAP5 de l'Université de Paris. Aujourd'hui, j'exprime mon expertise en matière de traitements de l'image, du son, de la vidéo et du texte au sein de Jellysmack en tant que Research Fellow avec toujours le même désir de concrétiser des idées d'intelligence artificielle dans le monde réel.

  

Ambition en intelligence artificielle

De toutes mes forces, je crois à l'idée que l'intelligence artificielle (IA) doit être comprise comme une révolution comparable à l'agriculture 10 000 ans avant Jésus-Christ, à l'invention de l'écriture 3 000 ans avant Jésus-Christ ou encore à l'imprimerie au 15e siècle. Par IA, j'entends la définition la plus large : Les mathématiques appliquées avec des ordinateurs connues sous le nom d'apprentissage statistique, de reconnaissance des formes, d'apprentissage automatique, de science des données et même de traitement du signal pour divers supports tels que le son, l'image, la vidéo, le texte et même les données tabulaires. L'impact tangible de l'IA modifie profondément la relation entre notre esprit et le monde. Pour les entreprises, presque tous les domaines de notre monde contemporain sont désormais impactés par cette Science.

D'un point de vue philosophique, l'IA est l'émergence automatisée de certains aspects de l'intelligence naturelle tels que l'apprentissage, la prise de décision, l'adaptation, la prédiction, l'imitation, la production de contenu, etc. grâce à l'application de mathématiques appliquées aux ordinateurs. Concrètement, l'Intelligence Artificielle est la science qui permet à une machine d'exécuter des tâches sans énumération exhaustive de scénarios par l'intervention humaine. L'IA est l'extension naturelle de l'automatisation de la matière à l'information.

En pratique, cette ambition se traduit par des réalisations en vue de cette étape inévitable pour l'humanité en entretenant des relations étroites avec des universités telles que le laboratoireMAP5, Université de Paris, INRIA Masaai, l'Executive MBA de Rennes School of Business, think tank 4^ème Révolution et des entreprises comme Jellysmack, mais aussi grâce à des conseils opérationnels en tant qu'entrepreneur avec Ircam Amplify pour l'analyse et la monétisation de la musique et VizioSense pour la vision par ordinateur embarquée.

Ils disent

Tout au long de mon expérience professionnelle, j'ai compris l'importance de favoriser un environnement de travail collaboratif où toutes les voix et les idées sont entendues. Un projet avec une équipe qui ne s'entend pas bien finit toujours par en payer le prix. C'est pourquoi je recueille les retours de mes collaborateurs et de mes collègues pour améliorer mon travail et celui de mes équipes.

Livres favoris en intelligence artificielle

Dans le domaine de l'intelligence artificielle (IA) qui avance rapidement, il est courant de voir un volume et un rythme très élevés de publications tant scientifiques que non scientifiques. Cependant, il est heureux que des scientifiques expérimentés prennent le temps d'écrire des livres complets qui fournissent un recul précieux avec des vues d'ensembles rétrospectives sur le domaine. Outre le format concis des publications lors des grandes conférences en IA, il est pertinent de se pencher sur les subtilités mathématiques et algorithmiques de ces livres afin de comprendre les travaux plus courts et d'utiliser efficacement les diverses boîtes à outils disponibles en ligne. C'est dans ce contexte que je présente une liste de livres que je trouve particulièrement dignes d'intérêt, ainsi que quelques commentaires, pour les lecteurs désireux de s'engager dans la passionnante "aventure de l'IA".

À notre époque, la langue internationale de l'intelligence artificielle est l'anglais. De la même façon, au temps du britannique Newton au XIX^e siècle, ses travaux pionniers en calculs différentiels pour la trajectoire des astres ont été publiés en latin. Al-Khwârizmî au XVIII^e et XIX^e siècle, de langue maternelle perse s'est exprimé scientifiquement en arabe et a laissé son nom à l'algorithme qui est l'un des concepts qu'il a su développé avec aussi l'algèbre dont on considère qu'il est le père. C'est pourquoi, je me permets à mon époque en 2022 de me concentrer sur les livres en anglais en recommandant aux jeunes de maîtriser cette langue.

• Machine Learning
• Computer Vision
• Natural Language Processing

• Signal Processing
• Reinforcement Learning
• Algorithms and Optimization

Je n'ai pas encore commenté tous les livres que j'aime jusqu'à présent. En effet, il m'est difficile de commenter les livres de personnes que j'admire d'une manière qui soit utile aux lecteurs, et cela me prend du temps.

Machine Learning

Le Machine Learning est la science qui apprend à partir des données qui constitue une expérience acquise en analysant les données au lieu d'une programmation explicite. Pour ce faire, on utilise des algorithmes sur ordinateur qui analysent les données d'entrée, identifient des modèles à l'aide de techniques statistiques et prennent des décisions ou font des prédictions. En conséquence, la machine peut s'adapter à des données nouvelles et inédites et faire des prédictions plus précises.

Pattern Recognition and Machine Learning
Christopher M. Bishop, 2006,

Ce livre célèbre de 738 pages offre un aperçu complet des domaines de la reconnaissance des formes et de l'apprentissage automatique. La partie reconnaissance de formes du titre me rappelle combien il est pragmatique pour les ingénieurs de construire des choses que les gens ne comprennent pas encore appelées moteurs, il peut être subjectif de le dire mais j'aime vraiment ce livre ( sauf la couverture d'un goût particulier, sinon il serait parfait ! ). Le fond mathématique n'est pas trop lourd, et surtout très rafraîchissant pour les lecteurs.

Machine Learning: A Probabilistic Perspective
Kevin Murphy, 2012,

Ces trois livres (d'environ mille pages chacun) couvrent en détail un large éventail de sujets, notamment les probabilités, l'optimisation, l'algèbre linéaire, pour le Machine Learning avec une attention particulière pour les champs aléatoires conditionnels, la régularisation L₁ pour la parcimonie, et l'apprentissage profond. Les personnes ayant une formation mathématique trouveront dans cet ouvrage une excellente référence, et c'est également un bon choix pour l'apprentissage par soi-même.

L'unification des sujets traditionnels et plus récents offre une cohérence et une réflexion précieuses pour développer une culture. Ces ouvrages traitent non seulement des fondamentaux, mais aussi de l'état de l'art. Idéalement, un étudiant en Master envisageant une thèse de doctorat devrait au moins essayer de lire le premier volume Machine Learning : A Probabilistic Perspective : si l'étudiant n'est pas fasciné, à mon humble avis il ne devrait peut-être pas poursuivre un doctorat en IA.

Il est écrit dans un style facile à comprendre, avec des pseudo-codes pour les algorithmes les plus importants et de nombreux exemples tirés de domaines réels comme la biologie, le traitement du texte par IA, la vision par ordinateur et la robotique. Au lieu de vous donner un tas d'astuces et de techniques aléatoires, le livre s'intéresse de plus près aux modèles graphiques pour aborder la modélisation probabiliste de manière claire et concise.

Bayesian Reasoning and Machine Learning
David Barber, 2012,

Ce livre de 735 pages explique comment les outils établis sont utilisés dans un large éventail d'applications industrielles qui se répandent rapidement, notamment les moteurs de recherche, le séquençage de l'ADN, l'analyse boursière et la locomotion des robots. Au-delà des discussions stériles sur Bayésiens contre Fréquentistes (discussions troll équivalentes à emacs contre vim ou Linux contre Windows dans l'apprentissage automatique), ce livre est le premier, à ma connaissance, à expliquer ce que signifient réellement Modélisation bayésienne ou Modèles graphiques. Ce texte pratique ouvre aux étudiants en informatique ayant un certain goût pour les mathématiques la possibilité d'aller plus loin. Ce livre raconte très bien les avancées dans le domaine de l'apprentissage automatique et des modèles graphiques. Avant de lire ce livre, je ne comprenais pas les cercles et les flèches dans les articles affirmant qu'il s'agissait de modèles graphiques. Maintenant ces dessins sont beaucoup plus clairs pour moi et parfois j'en fais moi-même. Je peux même dire que ce qui rend ce livre unique, c'est l'intégration de plusieurs disciplines grâce à l'utilisation de modèles graphiques. En outre, la transition de l'intelligence artificielle traditionnelle à l'apprentissage automatique moderne, exécutée avec finesse, ajoute à la valeur du livre. Il est écrit avec clarté et, en tant que tel, devrait être accessible à un public diversifié, y compris à des personnes ayant des niveaux de compétence différents en mathématiques.

Computer Vision

La vision par ordinateur est un domaine de l'intelligence artificielle qui vise à reproduire les capacités de la vision humaine en apprenant aux ordinateurs à interpréter et à comprendre l'environnement visuel d'une manière similaire à celle des humains. Ce domaine est appliqué à une variété de tâches, par exemple telles que la reconnaissance faciale, la détection d'objets, la conduite autonome et l'imagerie médicale.

Computer Vision: Algorithms and Applications, 2^nd Edition
Richard Szeliski, 2022,

Cette 2^ème édition du livre (1212 pages) est agréablement divertissante tout en couvrant presque tous les sujets importants de la vision par ordinateur : Filtrage, Reconnaissance, Correspondance des caractéristiques, alignement des images, estimation du mouvement, photographie computationnelle, vision pour la robotique, estimation de la profondeur (avec 2 ou même 1 photographie(s) de la même scène), 3D, Rendu...

Je recommande vivement ce livre aux nouveaux venus qui veulent se plonger dans le domaine.

Computer Vision: A Modern Approach, 2^nd Edition
David Forsyth and Jean Ponce, 2011,

Ce livre (de 800 pages) a été rédigé par deux légendes vivantes de la Computer Vision : David A. Forsyth et Jean Ponce. L'objectif principal est de développer une culture scientifique et de renforcer les réflexes mathématiques pour traiter les problèmes classiques de vision par ordinateur, de la modélisation d'images à la compréhension de l'activité humaine.

Le livre est particulièrement complet sur la construction des caractéristiques des images, la géométrie computationnelle, le prétraitement des images, la segmentation et la reconnaissance des objets, ce qui donne un aperçu au-delà de la vision par ordinateur.

Multiple View Geometry in Computer Vision
Richard Hartley and Andrew Zisserman, 2004,

Le livre (de 670 pages) couvre les principes de base de la Computer Vision, notamment en ce qui concerne la compréhension de la structure des scènes photographiées et leur reconstruction à l'aide de principes géométriques, algébriques et algorithmiques. Ceci livre est non seulement fondamental pour les représentations 3D mais aussi pour la compréhension de la perspective 2D dans les images et les vidéos. S'imprégner du style d'écriture de Richard Hartley et d'Andrew Zisserman est également précieux pour être soi-même un chercheur..

Natural Language Processing

Le traitement du langage naturel (TAL ou NLP en anglais) permet aux machines d'interpréter et de comprendre le langage humain de texte. Pour ce faire, on utilise des algorithmes qui analysent de grandes quantités de données de texte et le but est d'en extraire son sens. Idéalement, on voudrait ainsi comprendre automatiquement le langage d'une manière similaire à celle des humains. Le NLP est appliqué dans divers contextes, notamment l'optimisation des moteurs de recherche, le résumé automatique, l'analyse des sentiments et la génération de langage naturel.

Neural Network Methods in Natural Language Processing
Yoav Goldberg, 2017,

Cet article long (76 pages) que l'on peut combiner avec le booklivre plus long associé (309 pages) est une première lecture assez fine du traitement du langage naturel qui fonctionne enfin dans la pratique ! Comment les nombres peuvent-ils exprimer les mots et les expressions des êtres humains ? Comment utiliser la formidable idée du plongement même au-delà du traitement du langage naturel. Comment utiliser l'artillerie du Deep Learning pour accomplir des merveilles depuis les approches pionnières telles que word2vec au milieu des années 2010. Les lecteurs apprécieront les explications directes et claires de l'auteur.

Foundations of Statistical Natural Language Processing
Chris Manning and Hinrich Schütze, 1999,

Ce livre de 620 pages est ancien mais il résume très bien toutes les bonnes pratiques du traitement non-deep du langage naturel. Il est bien écrit et constitue une bonne source d'inspiration pour les problèmes non liés à la NLP, notamment pour le prétraitement des données. On peut recommander ce livre pour comprendre au moins les problèmes abordés dans les publications récentes tels que le speech tagging, les grammaires sans contexte, l'extraction de sujets ou la recherche d'information.