IA appartement 1 — Transcript
Full transcript
- 0:00Cette intelligence artificielle va
- 0:02estimer le prix d'un appartement. Je
- 0:04vais volontairement lui donner des
- 0:06mauvaises données et vous allez voir que
- 0:09l'intelligence artificielle peut donner
- 0:11une réponse complètement incohérente.
- 0:14Regardez ceci et ensuite, on s'en parle
- 0:16après.
- 0:17Un développeur présente fièrement son
- 0:19nouveau modèle d'intelligence
- 0:20artificielle devant les investisseurs.
- 0:22Tout semble parfait. Alors les
- 0:24caractéristiques 80 m² 3 chambres,
- 0:26quartier calme et puis il lance la
- 0:28prédiction.
- 0:3012 millions d'euros. Les investisseurs
- 0:32restent sans voix. Le développeur
- 0:34comprend que quelque chose ne marche
- 0:36pas.
- 0:36Moi c'est William, ingénieur logiciel
- 0:38basé en Allemagne. Je suis le fondateur
- 0:40de cette chaîne J'aime le code. Dans
- 0:42cette chaîne, on parle de l'école, de
- 0:44l'intelligence artificielle, de
- 0:45l'éducation et de tous les métiers qui
- 0:47touchent au numérique. Depuis 2
- 0:49semaines, aujourd'hui c'est le 3e mardi,
- 0:51on a commencé cette aventure,
- 0:53c'est-à-dire ensemble mettre en place
- 0:56une IA, un modèle IA avec le langage de
- 0:59programmation Python et ensemble, on va
- 1:01chercher les données, épurer les
- 1:03données, les entraîner et puis voir si
- 1:07notre modèle IA peut faire une
- 1:10estimation de prix excellente. Alors
- 1:14aujourd'hui, je viens avec un sujet qui
- 1:16est simplement le garbage in, le garbage
- 1:19out qui veut dire tout simplement que
- 1:21lorsque tu entraînes ton modèle IA avec
- 1:25des mauvaises données, des données
- 1:27corrompues, alors ne t'attends pas au
- 1:30miracle. Alors ce qu'on va faire sans
- 1:32tarder, regardons cette démo et ensuite,
- 1:35on s'en parle après. Alors quand on
- 1:36travaille
- 1:38sur la [raclement de gorge] machine
- 1:38learning, alors on va beaucoup
- 1:40travailler Excel, ? Alors regardons un
- 1:42peu ce document. Ici, on peut l'analyser
- 1:45pour voir la qualité des données, ? Bon,
- 1:47regardons très important les noms des
- 1:49colonnes. On peut voir les noms des
- 1:50colonnes ici. Je peux mettre ici par
- 1:53exemple en
- 1:54gras comme ça pour voir et que ça
- 1:55facilite un peu la lecture. Tu peux
- 1:58mettre aussi je peux mettre une couleur
- 1:59rapidement là. Je sais pas si Non, ça
- 2:01c'est pas une très bonne couleur. Je
- 2:02vais mettre une couleur juste pour que
- 2:03ce soit facile à lire. Je sais pas si on
- 2:05peut lire ou pas. Bon bref, euh on a la
- 2:07superficie, ? En mètre carré, ? On a
- 2:10l'éloignement, ? Qui va de 1 à 20 km
- 2:13d'éloignement du centre-ville. On a
- 2:15l'état du bien. Quand il est petit, euh
- 2:17quand l'état du bien est est euh plus
- 2:19c'est petit, l'état, et euh plus c'est
- 2:22petit, moins c'est bien. Plus ce nombre
- 2:24c'est petit, ça veut dire que c'est
- 2:27c'est pas bon. Et euh plus ça augmente,
- 2:29ça veut dire que c'est excellent. Voilà.
- 2:31Donc il faut d'abord comprendre euh
- 2:33comprendre ces ces voilà, comprendre ces
- 2:35données-ci d'abord. Voilà. On a euh
- 2:38l'éloignement, on a le
- 2:40[musique]
- 2:40le nombre d'étages, ? Donc à zéro, ça
- 2:43veut dire que ce serait du sous-sol. À
- 2:45cinq, ça veut dire que c'est c'est c'est
- 2:47aussi au au cinquième étage. On a le
- 2:49nombre de pièces, ? Ça c'est facile. On
- 2:51a le prix, le prix ou le base, ? Donc
- 2:54[musique]
- 2:54euh et ensuite euh bon, on a la
- 2:55localisation. La localisation ici, bon,
- 2:58ça veut dire ici le quartier. Donc euh
- 3:01quand c'est 1, ça veut dire que c'est
- 3:03très plus attractif. Quand c'est 5, bon,
- 3:05plus le nombre est petit, ça veut dire
- 3:06que c'est pas attractif. Plus le nombre
- 3:08est grand, ça veut dire que c'est très
- 3:09attractif. Là, ça nous permet déjà de
- 3:11regarder un peu la qualité des données.
- 3:13Alors ce que moi je vais faire, c'est
- 3:14que je vais mettre un filtre parce que
- 3:16ce filtre parfois c'est plus facile de
- 3:17filtrer. Et je vais un peu regarder
- 3:19directement comme ça là, très vite.
- 3:21Permet de filtrer. Je je regarde un peu
- 3:23rapidement. Franchement, je regarde un
- 3:25peu je regarde un peu rapidement. Je
- 3:27viens ici, je vois un 5000. ? Comment on
- 3:29peut avoir un appartement de 5000 ? Donc
- 3:32je peux avoir ici que il y a quelque
- 3:34chose qui ne va pas. Et puis son prix,
- 3:365000 m 1000 m² euh l'état du bien, bon,
- 3:40c'est moyen. Euh la localisation est
- 3:43excellente. Ça n'a pas d'étages,
- 3:45sous-sol de sous-sol. C'est à trois
- 3:46pièces et puis temps et c'est à 5000 m².
- 3:49On voit bien que le prix c'est euh même
- 3:51pas 400000 euros. Donc on peut voir
- 3:53aussi dire que ça c'est déjà quelque
- 3:55chose qui nous alerte quoi. Comment on
- 3:56peut avoir un truc de 100000 ? Bon, un
- 3:59appartement de 21 m² OK, l'état des
- 4:02biens puisque on a dit que plus le
- 4:04nombre est petit donc l'état des biens
- 4:05il est excellent. La localisation, c'est
- 4:07super, c'est le 3e étage, ça a 2 pièces
- 4:10et regardez le prix, 21 m². Regardez son
- 4:13prix, 292000. Donc voilà tant de choses
- 4:16qui nous alertent déjà nous disant que
- 4:17OK, hmm euh quelque chose n'est n'est
- 4:20pas c'est pas clair. Donc prenons encore
- 4:22quelque chose comme ça 90, voilà un peu,
- 4:24voilà un peu 90. Ou bien ce qu'on peut
- 4:27faire c'est que bon, je peux désactiver
- 4:28tout donc je peux réactiver tout et puis
- 4:31je regarde plutôt par ici. Donc en fait
- 4:32que dans ce travail, il faut être un peu
- 4:35vraiment il faut être minutieux parce
- 4:37qu'on sait que la qualité de la donnée
- 4:39quelque chose de très important.
- 4:40Regardez un peu ça, c'est quelque chose
- 4:41qui m'intéresse. On a carrément un
- 4:43appartement qui coûte 1200000 et son son
- 4:47m² c'est 157 m². L'état des biens est il
- 4:50est très bien, il est bien. Localisation
- 4:525 donc c'est dans un bon quartier, c'est
- 4:54au 2e étage, ça a une seule pièce et ça
- 4:56a 1200000. 1200000 euros donc ce qui
- 4:59fait que ici ce n'est pas possible, ce
- 5:01n'est pas possible du tout. Donc voilà
- 5:02les choses qui qui nous alertent quoi,
- 5:05qui se dit OK, euh franchement est-ce
- 5:08que je veux vraiment entraîner mon mon
- 5:11intelligence artificielle avec ce genre
- 5:13de avec ce genre de de ? Voilà, voilà.
- 5:16Donc voilà un peu comment on regarde.
- 5:18Franchement, il faut regarder il faut
- 5:20surélever tous les doublons, il faut
- 5:21regarder tout ce qui ne fait pas sens.
- 5:23On essaie d'abord de les retirer parce
- 5:25que ça ne sert vraiment à rien à
- 5:28entraîner son modèle son modèle avec ce
- 5:30genre de choses. C'est quoi le lien avec
- 5:32J'aime le ? Voilà. Comme je dis souvent,
- 5:34coder c'est penser. Sur J'aime le code,
- 5:37on voilà, on écrit pas que les bouts de
- 5:39programme ou on fait ça aussi, ça dit
- 5:42que quand on reçoit les données, quand
- 5:44on veut entraîner notre modèle, c'est
- 5:47aussi ça le travail d'un développeur de
- 5:49regarder la qualité des données, de
- 5:50comprendre ça, pourquoi les données
- 5:53qualitatives sont tellement importantes
- 5:55dans ce processus d'entraînement d'une
- 5:57[musique] intelligence artificielle.
- 5:59C'est en fait, le plus important c'est
- 6:01pas l'algorithme. L'algorithme peut être
- 6:03aussi puissant, en fait tout peut être
- 6:04parfait, [musique]
- 6:05mais si les données sont de mauvaise
- 6:07qualité, à la fin tu auras ton milliard
- 6:10qui va complètement se planter. Donc ça
- 6:13c'est mon interface Python. ? C'est mon
- 6:15interface Python, mon interface que j'ai
- 6:18essayé de faire rapidement parce que
- 6:20c'est je crois que c'est mieux, c'est
- 6:21meilleur ici. [musique] Alors je vais
- 6:23télécharger d'abord les données, les
- 6:26data set sales, ? Que j'ai montré tout à
- 6:28l'heure pour comprendre. Alors je
- 6:30télécharge rapidement là. Une fois que
- 6:32je l'ai téléchargé, on peut voir tout de
- 6:34suite comment mon modèle me renvoie
- 6:37quelques valeurs déjà très
- 6:38intéressantes, notamment je vais Non, il
- 6:41faut que je clique ici sur d'abord là, ?
- 6:43Je clique ici, je vois ici, ça s'appelle
- 6:46l'erreur moyenne. Ça c'est l'erreur
- 6:48moyenne et ça veut tout simplement dire
- 6:52ici que mon mon modèle se trompe de
- 6:56environ 317491
- 7:00euros, soit en pourcentage 34 %. Donc le
- 7:03prix qu'il va estimer, on peut se dire
- 7:05qu'il y a une erreur incroyable, ? C'est
- 7:08pour cela tout à l'heure je parlais
- 7:10[musique] de la qualité des données.
- 7:13Donc quand je vois il y a ça, quand je
- 7:14vois si ce MAP si est supérieur à 3 % si
- 7:18c'est supérieur à 3 %, il faut savoir
- 7:20tout simplement ça ça te ça veut tout
- 7:22simplement dire que tu travailles sur
- 7:24des données horribles, données
- 7:26mauvaises. Voilà, donc ça peut être dit
- 7:28ça. Donc tout ce que tu fais là, tu peux
- 7:30juste pour t'amuser, si tu veux
- 7:32comprendre, tu peux faire des tu peux
- 7:33faire des simulations si ça t'intéresse,
- 7:35mais là tu travailles pas sur les bonnes
- 7:38données, tu travailles pas sur les
- 7:39bonnes données. Voilà, donc tu peux si
- 7:41ça t'intéresse, tu peux tu peux essayer
- 7:43de t'amuser. Et à chaque fois, tu vas
- 7:45avoir un prix, ça va t'estimer un prix
- 7:46ici. Mais dis-toi [musique] que le la
- 7:48marge, le taux d'erreur est de 34 % donc
- 7:52à chaque fois, l'erreur moyenne est de
- 7:54317 K, 317491.
- 7:58Il y a rien. OK. Donc on va je vais vous
- 8:00montrer un autre exemple lorsqu'on
- 8:02travaille avec avec les données propres.
- 8:04Alors, je choisis clean, je charge et
- 8:07tout de suite encore, on voit ici
- 8:09pareil, ça se trompe de 12453
- 8:12euros, soit 3,8 % c'est inférieur à 5.
- 8:15Donc quand c'est entre 3 et 5, c'est
- 8:17super. Donc on peut se dire que quand ça
- 8:20ça quand ça prédit un prix, l'erreur est
- 8:22d'environ 12000 euros, ce qui n'est ce
- 8:24qui est tellement mieux que tout à
- 8:26l'heure. Donc là, je peux m'amuser à à
- 8:29ouais, je peux m'amuser à estimer, à
- 8:31faire des estimations. Donc pour une
- 8:33superficie de 117 117 mètres carrés et
- 8:37euh à 13 kilomètres du centre-ville, un
- 8:40état de bien qui est moyen et un
- 8:42quartier qui est moyen aussi, au 2e
- 8:44étage, le nombre de pièces est deux
- 8:46pièces, je suis à peu près à 493015
- 8:50euros avec [musique] une un taux
- 8:52d'erreur de 3 % donc plus ce taux est
- 8:54petit, plus plus ce chiffre c'est petit,
- 8:56mieux c'est. Voilà, mieux c'est. Voilà,
- 8:58c'était tout pour la démo. Alors moi, je
- 9:00te pose la question. Toi qui me
- 9:01regardes, toi qui me regardes déjà
- 9:03l'annonce sur la prochaine vidéo, mardi
- 9:05prochain, ? Mardi prochain, on va
- 9:06continuer avec la même série. Donc je te
- 9:08pose la question. Toi qui utilises
- 9:10constamment, tu écris écris des prompts,
- 9:12quand à chaque fois, ton intelligence
- 9:14artificielle se trompe, selon toi, ça
- 9:16peut être quoi ? C'est qui ? Est-ce que
- 9:19c'est des ? Est-ce que c'est c'est la
- 9:22version de l'intelligence artificielle
- 9:23que tu utilises qui est complètement euh
- 9:26à la ? Ou c'est quoi selon ? J'aimerais
- 9:28bien avoir ta réponse en commentaire.
About this transcript
This page contains the full transcript of IA appartement 1 by williams, generated from the public captions YouTube serves with the video. The transcript has 1,771 words across 263 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.
What you can do with it
Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to choose a caption track available on the video.
Free YouTube transcript tool
YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, caption language selection, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.