Tavernier

Non mais on va rien faire vous inquiétez pas :) Bon c'est du punk, donc normal d'être sponsorisé par Vevo et / ou Universal hein, d'habiter dans le XVème, de rouler en Porsche et d'être pseudo anti-système, on est plus dans les années 80. Tout casser lol, mais ça fait du bien :)

En ce moment, Maria Arkhipova FTW. Pagan & Folk Metal Russe. Doro über alles \o/ - Monument du Heavy Metal (juste 38ans de carrière) En 2020, quelques guitare héroïnes continuent à survivre. Orianthi avait été recrutée par Michael Jackson pour sa tournée avortée . J'ai déjà abordé le cas Melissa Bonny ici :) Linda Toni Grahn : bon FTC n'est pas forcément une référence, mais disons quelle sauve un peu le truc. Le rouge de la pochette est joli je trouve.

Ce bon vieux Yngwie avec ses saucisses à la place des doigts <3. ++ Pour Randy Rhoads. Du coup il reste encore de la place pour mon top 10 (le rank change souvent) de mes meilleurs gratteux Hard Rock / Heavy Metal (Mélodique de toute façon) 10 - John Petrucci Bourreau de travail, membre émérite de Dream Theater. Tout à fait le mec capable de s'entraîner 5 /6 heures par jour même au bout de plus de 20 ans de carrière. Qualité technique en live oufissime, régularité de machine, presque pas de jour sans. 9 - Eddie Van Halen J'attends toujours un mec capable de reproduire (à la perfection) le solo de beat it en live svp. 8 - Slash Depuis que slash à arrêté la drogue, il a un jeu sur scène à la hauteur de sa technique. Entendre par là qu'il se plante pas de note / gamme / corde sur chaque morceau, et il est bien meilleur maintenant que dans sa prime jeunesse :) 7 - Yngwie Malmsteen Le maître. 6 - Ritchie Blackmore Tout pareil, même s'il a un caractère de cochon. A inspiré le maître. Un peu trop penché sur les scales du moyen âge / de la renaissance (je le comprends). A 74 ans, avec de l’arthrite dans les doigts : 5 - Randy Rhoads Le meilleur des guitaristes d'Ozzy, on lui doit Crazy Train et Mr Crowley cités ci-dessus. Accident d''avion idiot (le pilote voulait frôler un bus, il est arrivé ce qui devait arriver). Pionnier du neo-classique. 4 - Gary Moore Il a toujours été moche et il aimait bien l'alcool. Par contre il savait bien faire un truc et il pouvait le faire aussi en blues. 3 - Bucket Head 350 albums plus tard, je cherche toujours une mauvaise chanson. C'est un génie. Il joue avec un bucket de KFC sur la tête, et la légende veut que personne ne connaisse son visage du coup il s'appelle bucket head. Accessoire de scène favori : le nunchaku. A participé grandement à tuer le game. La biographie officielle dixit wikipedia : Buckethead serait né dans une ferme, au milieu de poulets. Après avoir subi de mauvais traitements de la part de ses « éleveurs » il se serait réfugié auprès de ses « amis » les poulets qui, appréciant beaucoup la compagnie du jeune garçon, lui auraient scarifié le visage s'il jouait mal, le condamnant ainsi à porter un masque 2 - Jason Becker C'est un des meilleurs guitaristes de tous les temps, malheureusement atteint d'ALS. Bon un article entier suffirait pas pour expliquer tout ce qu'il a pu faire et ce qu'il continue à faire malgré le handicap. Pas cool d'enlever ses mains à un guitariste, encore moins de le mettre dans une chaise roulante complètement paralysé. Mais par contre ça l'empêche pas de composer quand même. Si ça vous intéresse documentaire ici : Un aperçu de ce qu'il a pu faire en 2018 : 1 - Patrick Rondat Patriiiiiiiiiiiiiiiiiiiiiiiiiiiiick. Français. Guitariste de Jean-Michel Jarre. N'a pas sorti d'album solo depuis 2005. On attend.

@RETRO https://www.ouest-france.fr/nouvelle-aquitaine/lege-cap-ferret-33950/coronavirus-parigo-home-virus-un-tag-hostile-aux-parisiens-decouvert-au-cap-ferret-6784539 Pour moi l'attestation est nécessaire si on veut limiter la casse. En France: - pénurie de masques - 5000 lits de Réa (25 000 en Allemagne) - passe droits pour les initiés (gens avertis du confinement 2 jours avant) - les mecs organisent des barbeuks car c'est les vacances - Mes voisins sortent faire des courses tous les jours, mais applaudissent bien à 20 heures (enfin moins maintenant faut pas déconner non plus) - les caissières (/ssiers) de supermarché c'est marche ou crève - on vous fournira le traitement grâce à Raoult, de rien. Mais en attendant, pas de procédure de test massifs (sauf pour les gens du gouvernement cf ici : https://www.francetvinfo.fr/sante/maladie/coronavirus/coronavirus-la-secretaire-d-etat-emmanuelle-wargon-annonce-avoir-ete-testee-positive-au-covid-19_3879691.html. On a dit et répété, tests uniquement pour les cas graves :)) - on avait Agnès Buzyn comme ministre de la santé Mais spa grave hein c'est qu'une grippette, et Jacqueline peut vraiment pas rester 15 jours chez elle

Et Melissa a signé avec Napalm <3. Enfin, Suisse > à vous tous, Parisien, Kébékois, Amérloques et Francaoui des Alpes :) Clip sponsored by Corona en plus <3 Melissa c'est ça :

Celle-là tu ne la connais pas :) Этот еще меньше!

Oui tout à fait, pour être clair : d'un point de vue académique, l'IA est un champ de recherche. Elle comprend les systèmes experts, les systèmes multi-agents (technologies désuètes) plein d'autres disciplines, et le Machine Learning. Le Deep Learning est une sous-branche du ML, le terme renvoie uniquement aux réseaux de neurones, organisés en plusieurs couches (donc "profonds") d'un point de vue marketing et de ce qui est communément relayé par la presse depuis 10 ans, 99 % des évolutions récentes relèvent du Machine Learning, le volume de données et la puissance de calculs ayant permis l'explosion du DL & des algos ensemblistes.

Je n'aime pas spécialement le terme d'IA, je lui préférerai plutôt le terme de Machine Learning. D'un point de vue sémantique, il est pour moi bien plus clair, il reflète parfaitement ce que les algos fond : j'essaie, je me trompe, et j'en tire les conséquences. De l'apprentissage. Je serai bien embarrassé de devoir définir ce qu'est l'intelligence. Par contre, la capacité d'apprendre, qui en est certainement l'une des composantes, me paraît beaucoup plus accessible en terme de concept. Comme pour l'humain, l'objectif est de s'éloigner du "par-cœur", c'est-à-dire dépasser les cas connus et parvenir à adapter la chose apprise à de nouvelles situations. C'est un des mécanismes basiques de l'école, où les exercices d'examens sont en général plus durs que les exercices travaillés en cours. Pour l'humain, on va s'assurer par ce biais qu'il a compris ce qu'on lui a enseigné, il va intégrer ou faire sien le cours. Pour la machine, il s'agit de pouvoir réutiliser la fonction mathématique qu'elle est parvenue à approximer à grand renfort de force brute. La grosse différence se trouve ici.Il va falloir une quantité énorme de données pour parvenir à calibrer correctement le modèle (résultat de l'algorithme). Sur des problématiques compliquées pour un humain, comme la recommandation du bon produit au bon moment au bon consommateur, où l'on doit prendre en compte le contexte, le passé, le produit et le profil de la personne, le ML nous dépasse de loin. Pour reconnaître un chaton, la machine est considérablement plus "bête" qu'un bébé. Elle a besoin de (dizaines de) milliers de photos de chats pour éventuellement commencer à reconnaître l'animal. Un bébé n'aura besoin que deux ou trois images pour comprendre ce qu'est un chat et le reconnaître dans la vie réelle. Il comprendra aussi ce qui n'est pas un chat et tout cela avec un taux de réussite de 100% ou proche. Grossièrement, c'est ce qui est arrivé Watson lors de sa partie de Jeopardy, où la machine a été capable à la fois de s'aligner voire de surpasser le joueurs, mais aussi de ne pas être fichue de savoir que Toronto ne se situe pas aux États-Unis. La machine ne peut pas comprendre, elle se base sur son jeu de données d'entraînement. Si celui-ci n'est pas complet ou pire comporte des biais, elle est toujours susceptible de se tromper là où un enfant de 5 ans ne le ferai pas. Les biais dans les données sont fréquents et ils n'apparaissent souvent évidents qu'une fois le scandale arrivé. Si les données d'historique de recrutement du personnel d'Amazon contiennent un très fort différentiel entre l'embauche des hommes et des femmes, on se retrouve avec l'affaire suivante : https://www.reuters.com/article/us-amazon-com-jobs-automation-insight/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK08G Si quelqu'un a la bonne idée de produire un modèle sur la base des récidives dans le milieux carcéral américain : https://www.developpez.com/actu/241923/L-intelligence-artificielle-peut-elle-aider-a-rendre-les-decisions-de-justices-moins-biaisees-Oui-selon-un-expert/ La machine ne comprend pas le concept de racisme, elle apprend sur les donnés qu'on lui fournit. C'est tout. La chose alarmante, c'est que quelqu'un, quelque part, a payé une très grosse somme à quelqu'un d'autre lui ayant vendu un système "intelligent". Il y a aussi un autre quelqu'un qui trouve malin de suivre ce que dit la machine sans questionner outre mesure ses prédictions. Le ML n'est pas un oracle et n'a pas vocation à le devenir. Les biais sont souvent beaucoup plus vicieux et profondément cachés dans le jeu de données et c'est d'ailleurs une des grandes question éthiques à régler. Plus sur les biais : https://www.telecom-paris.fr/wp-content-EvDsK19/uploads/2019/02/Algorithmes-Biais-discrimination-equite.pdf Enfin, pour en arriver à la question de départ (rassurez-vous ce n'est que mon pavé annuel sur un sujet random), oui, non, ça dépend. Le secret c'est le service. Sur certaines problématiques comme la traduction, l'imagerie médicale, les transports, en gros ce qui touche de près ou de loin le traitement du signal oui. Sur toutes les problématiques dont le contexte est connu pratiquement entièrement (dossier médical, prêt bancaire...) aussi. Sur des problématiques de prédiction d'un résultat à partir d'un contexte semi-connu comme l'aide à la vente, tout ce qui dépend de la psychologie ou de la décision, le ML sera d'une grande aide mais ne remplacera pas l'humain tout de suite (comprendre d'ici dix ans). L'humain continuera de pouvoir exercer son métier tant qu''il fournira un service ayant une valeur ajoutée pour le client. Le "style" que veut le client de Daleko ou le fait qu'on ne remplacera pas 1984 par un écran de sitôt (à la différence des étudiants à McDo). Se concentrer sur ce que l'humain peut réellement apporter, au détriment de ce qui peut être automatisé par un traitement. On a déjà parlé du fait que ces algorithmes doivent être monitorés car susceptibles de se tromper sur des cas totalement triviaux ou victimes de biais flagrants. Pour finir, le ML est un outil. Puissant certes mais pas exempt d'inconvénients. D'un point de vue business, il reste encore beaucoup de chemin à parcourir. Les technologies sont très peu matures, il revient au final très cher de faire fabriquer un modèle, stocker les données en masse, les traiter, les nettoyer, les consolider etc... Souvent, il faudra employer 3 personnes très qualifiées et donc les payer cher pour que la solution fonctionne. Les données évoluent, les modèles sont périssables. Il faudra aussi les ré-entraîner sur des données fraîches. Ce n'est pas forcément rentable si c'est pour remplacer 4 salariés au salaire minimum. TL;DR : Les progrès arrivent vite et même ceux qui travaillent à mettre en place ces solutions sont voués à être plus ou moins automatisés. Du moment où vous trouverez un moyen de faire ressortir votre humanité dans votre métier, votre capacité à comprendre et à vous adapter, le machine learning aura encore bien du mal à vous remplacer.

Personne ne connaît la malédiction des bans de Retro Rick? Vous le faites tout le temps, puis vous regrettez ensuite.

@RETRO Et je te relance de ça :

En attendant Time 2, ça fait toujours plaisir.