WEBVTT 00:00.590 --> 00:03.970 Bonjour et bienvenue au cours sur l'intelligence artificielle. 00:04.070 --> 00:05.420 J'espère que vous appréciez le cours jusqu'à présent. 00:05.420 --> 00:09.050 Et aujourd'hui, nous parlons d'agir les politiques de sélection. 00:09.050 --> 00:11.010 Très bien, allons droit au but. 00:11.030 --> 00:17.930 Auparavant, nous avions envisagé d’ajouter un réseau de neurones à notre apprentissage simple et jusqu’à présent, nous 00:18.020 --> 00:21.230 nous engageons dans un apprentissage en profondeur. 00:21.230 --> 00:26.620 Nous avons beaucoup parlé de l'apprentissage, y compris l'ajout d'éléments. 00:26.630 --> 00:30.020 Et aujourd'hui, nous parlons de cette partie, nous parlons de l'acting. 00:30.020 --> 00:31.290 Alors jetons un coup d'oeil. 00:31.310 --> 00:38.690 Nous avons donc abordé ici le problème suivant: une fois que vous avez saisi les 00:38.690 --> 00:45.230 valeurs, les paramètres sont le vecteur décrivant clairement que l'agent d'état est clairement 00:45.230 --> 00:47.290 dans cet environnement. 00:47.420 --> 00:52.000 Fondamentalement, nous obtenons toutes les q valeurs afin que nous ne soyons pas intéressés par l'apprentissage pour le 00:52.010 --> 00:57.350 moment. Nous insistons pour pouvoir agir. Une fois que nous avons ces valeurs clés, comment pouvons-nous comprendre laquelle nous devons utiliser. 00:57.350 --> 00:58.910 Eh bien, si vous y réfléchissez. 00:58.910 --> 01:01.890 Les valeurs Q sont simplement des prédictions pour le cube. 01:01.910 --> 01:08.630 Donc, comme nous l'avons fait dans l'algorithme d'apprentissage simple, qu'est-ce que nous avons fait, nous avons simplement sélectionné celui qui a le meilleur de la 01:09.180 --> 01:10.420 valeur la plus élevée. 01:10.430 --> 01:15.380 Une fois que nous avons celui avec la valeur de QI le plus élevé, nous agissons simplement parce que cela nous apporte la 01:15.380 --> 01:20.330 valeur la plus élevée et que nous savons que la récompense immédiate de la calculatrice de Duval est que nous nous attendons à 01:20.360 --> 01:23.100 recevoir le facteur DK multiplié par la valeur de la prochaine date. 01:23.120 --> 01:29.480 Et comme il s’agit d’un calcul récursif, pourquoi ne pas choisir le meilleur rapport qualité-prix, et 01:29.480 --> 01:30.570 c’est tout. 01:30.800 --> 01:35.360 Mais comme vous pouvez le voir ici, ce n’est pas aussi simple ici que nous utilisons une fonction soft max 01:35.360 --> 01:37.910 et c’est là que nous allons parler des règles de sélection. 01:37.940 --> 01:41.210 Donc ici, en réalité, nous n’avons pas besoin d’une simple fonction logicielle. 01:41.300 --> 01:49.190 Nous pouvons avoir différentes politiques de sélection d'action, par exemple, nous avons le logiciel souple d'Epsilon et les Macs souples et ils 01:49.470 --> 01:54.950 sont un peu comme les politiques de sélection d'action les plus utilisées, bien sûr, il y 01:54.960 --> 01:56.300 en a d'autres. 01:56.300 --> 02:02.120 Par exemple, le plus élémentaire est une action très simple: il suffit de sélectionner le meilleur. 02:02.120 --> 02:03.770 Celui avec la valeur Q la plus élevée. 02:03.980 --> 02:09.800 Mais pourquoi cette impulsion d'action ne vole-t-elle pas et pourquoi avons-nous différents types de politiques de sélection d'action 02:09.800 --> 02:10.510 d'impulsions d'action? 02:10.520 --> 02:15.270 Tout se résume à l'exploration et à l'exploitation. 02:15.560 --> 02:22.670 Et c’est là le cœur de l’apprentissage par renforcement, car nous avons déjà évoqué un peu le fait que 02:22.880 --> 02:28.400 votre agent, lorsqu'il opère dans un environnement, peut prédire certaines valeurs de file 02:28.400 --> 02:34.970 d’attente qui peuvent être bonnes et qu’il peut s’avérer génial de devenir disponibles et sera obligé d'explorer. 02:34.970 --> 02:40.640 Donc, si, par exemple, nous prédisons dans l’affaire que Q2 est le meilleur et qu’il faut ensuite, Q To prend 02:40.640 --> 02:42.350 des mesures pour le résoudre. 02:42.500 --> 02:46.880 Donc, d’ici à la section 2, cela donne une récompense très négative. 02:46.880 --> 02:51.980 Ensuite, l'environnement oblige l'agent à exploser parce qu'il va maintenant apprendre que, en fait, je pensais 02:51.980 --> 02:56.740 que la Q2 allait être très bonne mais qu'elle s'est avérée très mauvaise. 02:56.780 --> 02:58.370 Donc, les résultats ne sont pas très mauvais. 02:58.370 --> 03:02.730 Ainsi, les réseaux peuvent se mettre à jour de manière à ce que la prochaine fois qu’il se trouve dans l’état, 03:02.720 --> 03:04.010 il va probablement manger mon âme. 03:04.190 --> 03:09.470 Vous savez que si c'est très très favorable, vous pourriez penser que c'est comme si vous 03:09.470 --> 03:14.900 saviez que vous auriez peut-être besoin plusieurs fois de pénalités ou de punitions pour apprendre qu'il s'agit d'action. 03:14.990 --> 03:20.030 Mais peut-être qu’il apprendra bientôt que je vais prendre une mesure différente, puis au poignet, car 03:20.030 --> 03:22.020 c’est le meilleur rapport qualité-prix. 03:22.160 --> 03:28.880 Alors parfois, l'environnement oblige l'agent à prendre différentes mesures pour explorer différentes actions, mais parfois, l'agent peut se 03:29.180 --> 03:36.860 trouver coincé dans un maximum local, il peut être amené à poursuivre son exploration initiale et à découvrir que, oh, il 03:36.860 --> 03:42.110 s'agit d'une action plutôt cool telle que Je vais y aller juste ici. 03:42.200 --> 03:43.920 Et cette collection d'esprit. 03:43.940 --> 03:49.760 Mais le problème, c’est qu’il pense que c’est la meilleure action, tout simplement parce qu’il n’a 03:49.760 --> 03:55.850 pas été exploré, mais il a exploré de monter à gauche, ou d’explorer de gauche. un peu 03:56.360 --> 04:01.490 comme biaisé vers cette action et penser qu'une bonne action va continuer à prendre, 04:01.490 --> 04:03.800 il va continuer à aller. 04:03.840 --> 04:06.570 Il va continuer à prendre va continuer à recevoir une bonne récompense. 04:06.620 --> 04:14.000 Mais que se passerait-il si cette action aurait été encore meilleure si cette action avait été tellement meilleure que si elle était au courant 04:14.060 --> 04:19.310 de cette action, elle basculerait en réalité sur cette action, mais parce qu’elle était bloquée dans 04:19.310 --> 04:23.580 un maximum local, obtenir ces bonnes récompenses ne fait que commencer être renforcé. 04:23.630 --> 04:27.770 Cela va continuer à se renforcer, ou la violence va le renforcer, c’est 04:27.770 --> 04:29.450 une bonne action à prendre. 04:29.510 --> 04:35.330 Mais la réalité est qu’il existe une autre action qui n’a pas encore été trouvée ou qui n’a même pas été explorée. 04:35.570 --> 04:37.090 Cela aurait été beaucoup mieux. 04:37.130 --> 04:43.790 Nous voulons donc élaborer une politique de sélection permettant à notre agent de ne pas rester bloqué 04:43.910 --> 04:45.800 dans un maximum local. 04:45.800 --> 04:50.120 Oui, il est important que vous sachiez que vous continuiez à faire les bonnes actions qui constituent la partie exploitation. 04:50.180 --> 04:52.000 Nous n'exploiterons pas ce que nous avons trouvé. 04:52.100 --> 04:56.720 Mais en même temps, nous voulons continuer à explorer, nous ne voulons jamais cesser d'explorer comme dans la vie, vous ne 04:56.720 --> 04:59.000 voulez jamais arrêter d'apprendre, vous cessez d'apprendre que vous mourrez. 04:59.120 --> 05:05.030 Ce sont des choses comme celle-là: quand tu ne grandis pas, tu meurs ou si quelque chose est arrivé alors tu veux continuer 05:05.090 --> 05:07.580 à apprendre et ton agent veut continuer à apprendre. 05:07.760 --> 05:10.200 Et c’est là que ces politiques de sélection d’actions entrent en jeu. 05:10.400 --> 05:16.190 Vous en avez donc énuméré trois ici. Le premier est Epsilon Greedy. Il s'agit d'un nom très simple. 05:16.190 --> 05:22.140 Il semble assez complexe, dans le sens où il porte un nom cool et comporte généralement des noms chirurgicaux. 05:22.370 --> 05:23.170 C'est en fait pas. 05:23.180 --> 05:31.530 Donc, en gros, cela sélectionne celui qui a la meilleure valeur Q et epsilon, comme Epsilon, vous entendrez peut-être 05:31.540 --> 05:35.240 d’autres endroits, c’est comme une politique de sélection. 05:35.240 --> 05:41.210 Donc, dans ce cas, nous l’utilisons pour lisser, de sorte que nos valeurs hors Al-Q sont calculées en fonction des ventes comme celle 05:41.540 --> 05:45.980 avec la valeur Q la plus élevée tout le temps, à l’exception d’Epsilon, pour cent du temps. 05:45.980 --> 05:53.300 Ainsi, par exemple, si vous définissez epsilon sur 10%, vous passez à 0. 1 à 10% du temps pendant lequel 05:53.300 --> 05:56.740 l'action sera sélectionnée au hasard. 05:56.750 --> 06:01.990 Donc, 90% du temps, vous sélectionnerez toujours la meilleure action en fonction de la valeur la plus élevée. 06:02.120 --> 06:05.580 Mais 10% du temps va sélectionner une action aléatoire. 06:05.600 --> 06:11.120 Uniforme, vous devrez absolument agir au hasard ou si vous avez dit 06:11.420 --> 06:18.380 epsilon à zéro, point cinq, pour 0. 05 cela signifie que, dans 95% des cas, l'agent entreprendra l'action avec la valeur 06:18.380 --> 06:19.200 la plus élevée. 06:19.220 --> 06:22.470 Mais 5% du temps, il va toujours y avoir une sélection et une action aléatoire. 06:22.490 --> 06:25.550 Donc, ça va aller là-bas et explorer. 06:25.790 --> 06:31.640 Donc, le soft d’Epsilon est très similaire à celui qui explique pourquoi on 06:31.750 --> 06:39.780 l’appelle FCL glouton parce qu’alors vous sélectionnez goulûment l’action comme bonne action, à l’exception de ce petit épisode. 06:39.780 --> 06:40.290 Une partie du temps. 06:40.280 --> 06:46.970 Ainsi, plus le contrat EPS est bas, plus le Lepp Epsilon est abaissé, plus vous choisissez 06:46.970 --> 06:53.870 ce type d’action comme étant optimal et moins vous le laissez, moins vous partez à la recherche 06:53.870 --> 06:56.000 du logiciel d’exploration d’Epsilon. 06:56.000 --> 07:02.000 Donc, fondamentalement, vous sélectionnez au hasard, vous sélectionnez un centième Epsilon moins. 07:02.000 --> 07:08.240 Donc, si vous aimez epsilons 0. 1 à 10% alors seulement 10% du temps que vous prenez cette action. 07:08.490 --> 07:12.410 Et 90% du temps, vous sélectionnez une action aléatoire. 07:12.410 --> 07:19.000 Donc, très très simple, des algorithmes simplement inversés et un logiciel Max ressemblent un peu plus à la prochaine étape ou c’est une 07:19.070 --> 07:24.350 version plus avancée, je dirais que sur epsilon de l’algorithme epsilon greedy bien que les deux aient du mérite 07:24.350 --> 07:26.570 et qu’ils ont tous deux leur place. 07:26.610 --> 07:30.860 Nous allons utiliser l'autofinancement dans notre codage dans notre genre de chose pratique. 07:30.860 --> 07:35.270 Nous allons donc parler un peu plus en détail de soft max. 07:35.330 --> 07:36.380 Alors jetons un coup d'oeil. 07:36.380 --> 07:38.440 Alors passons à votre prochaine, espérons-le. 07:38.450 --> 07:42.800 Ebsen reconnaît que c'est un algorithme assez simple. 07:42.800 --> 07:45.100 Sélectionnez celui-ci. 07:45.230 --> 07:47.790 La plupart du temps, sauf parfois, aller explorer. 07:47.800 --> 07:53.820 Et maintenant, nous voyons aussi pourquoi il est important de faire cette exploration de manière à ne pas atteindre le 07:53.840 --> 07:58.780 maximum local dans notre processus d'optimisation. Nous allons maintenant parler un peu plus des Macs logiciels. 07:58.880 --> 08:02.680 Il y a un tutoriel sur les marques douces à la fin du cours. 08:02.750 --> 08:09.560 Je pense que c'est une annexe numéro deux où nous parlons du concept de Maxim's parce que vous actualisez un peu 08:09.560 --> 08:14.650 ici, nous parlons donc de réseaux de neurones et, en passant, nous allons tous couvrir la 08:14.720 --> 08:15.290 convolution. 08:15.290 --> 08:18.170 Nous ne couvrons pas les réseaux de neurones d'évolution dans cette section. 08:18.210 --> 08:21.470 Bien sûr, dans cette section, nous utilisons toujours un vecteur. 08:21.800 --> 08:27.770 Mais dans la section suivante du cours, lorsque nous créerons une intelligence artificielle pour 08:27.770 --> 08:32.870 jouer à Doom, nous utiliserons un réseau de neurones convolutionnel. 08:32.870 --> 08:38.300 fonction ou vous pouvez en apprendre un peu plus sur soft Max. 08:38.300 --> 08:43.020 Après avoir pris les réseaux de neurones de convolution et bien sûr plus tard. 08:43.250 --> 08:48.130 Mais voici un bref rappel. Nous avons donc ici notre réseau de neurones convolutionnels qui détermine s'il s'agit d'un chien 08:48.130 --> 08:48.950 ou d'un chat. 08:48.950 --> 08:56.090 Nous avons donc ici le processus de vote entre ces neurones et celui-ci 08:56.090 --> 09:04.250 dit que c'est le genre de choses que vous connaissez les oreilles duveteuses. les yeux 09:04.250 --> 09:09.930 regardent toutes ces caractéristiques qui appartiennent à un chien. 09:09.930 --> 09:13.890 Il y a donc 95% de chances que ce soit un chien et 5% de chance que ce soit un chat. 09:13.910 --> 09:19.460 Mais la question est de savoir comment nous sommes entrés dans cette Tauriel dont nous parlons, comment pouvons-nous obtenir ces valeurs pour 09:19.490 --> 09:20.530 en faire une. 09:20.870 --> 09:27.650 Eh bien, quelle que soit la convolution, tous nos réseaux de neurones sont le réseau de neurones convolution ainsi que les 09:27.650 --> 09:33.300 Lares entièrement connectés, quelle que soit leur qualité, quelles que soient les valeurs appliquées à la fonction 09:33.300 --> 09:33.980 max max 09:34.010 --> 09:37.720 C'est ici que nous avons introduit la formule de la fonction suivante douce. 09:37.810 --> 09:38.620 Est ce que ça ressemble. 09:38.780 --> 09:40.420 Et puis nous avons eu ces valeurs. 09:40.620 --> 09:43.460 Et donc, en gros, c'est un rappel rapide. 09:43.460 --> 09:46.050 C'est la formule pour le soft Max. 09:46.100 --> 09:50.900 C’est ce qu’il fait, c’est que cela prend peu importe le nombre de sorties que vous avez. 09:50.900 --> 09:58.130 Cela les prendra et les réduira à des valeurs comprises entre 0 et 1, quelle que soit leur taille. Pour moi, vous 09:58.130 --> 10:03.720 pouvez voir qu'il y a une somme totale au bas de sorte que ces dispositifs seront 10:03.720 --> 10:04.860 nuls et in. 10:04.860 --> 10:08.630 Et toutes ces valeurs vont s’additionner pour toujours. 10:08.700 --> 10:16.770 Et c'est donc très bénéfique pour nous, car lorsque nous utilisons la fonction soft max, nous 10:16.800 --> 10:21.390 obtenons ces valeurs, nous sélectionnons cette meilleure valeur d'affichage. 10:21.390 --> 10:26.740 Mais en réalité, ce qui se passe, c’est que les valeurs que nous obtenons ont des chiffres exacts. 10:26.750 --> 10:28.760 C'est donc une sorte de chiffres. 10:28.920 --> 10:31.720 Ils ne doivent pas tous être ajoutés à un et ne doivent pas être compris entre 0 et 1. 10:31.730 --> 10:32.830 Juste quelques chiffres. 10:33.140 --> 10:38.520 Mais lorsque nous appliquons Max logiciel, nous ne sélectionnons pas uniquement le meilleur, nous obtenons 10:38.520 --> 10:44.310 des chiffres de ce type, nous obtenons des nombres compris entre 0 et 1, qui totalisent également 1. 10:44.310 --> 10:47.220 Et quelle autre chose connaissons-nous qui en ajoute une? 10:47.340 --> 10:53.010 Les probabilités bien nous savons que les probabilités doivent toujours additionner jusqu'à 1, c'est pourquoi nous pouvons dire ici 10:53.010 --> 10:57.990 que nous avons q valeurs mais ici tout à coup nous avons soft ou probabilités. 10:57.990 --> 11:02.740 Nous pouvons donc dire que la probabilité que cette action soit la meilleure est de 90%. 11:02.840 --> 11:08.610 Cette section lesbienne 5 pour cent 2 pour cent 3 pour cent parce que nous savons que plus votre valeur est élevée, meilleure 11:08.610 --> 11:09.290 est l'action. 11:09.390 --> 11:14.920 Donc, si nous les réduisons à 0 pour 1, celles-ci deviennent des possibilités et nous pouvons les traiter comme telles. 11:15.090 --> 11:22.840 Et donc maintenant, c’est au moment où l’action est sélectionnée et c’est ainsi que nous arrivons à Q2. 11:22.890 --> 11:28.580 Mais si vous le regardez de près, ce n’est pas strict à 100% et ce ne sont pas Saroo 0%. 11:28.590 --> 11:30.670 Donc, cela représente 5 à 3%. 11:30.810 --> 11:42.360 Donc, la manière la plus naturelle d’appliquer le logiciel Max maximum afin de préserver l’exploration dans l’algorithme consiste à utiliser 11:42.480 --> 11:48.600 ces probabilités exactes comme fréquence de réalisation de cette action. 11:48.600 --> 11:55.710 Ainsi, ces probabilités présentent en fait la répartition de ces actions que nous prenons. Soft nous 11:55.890 --> 12:01.740 permet donc très facilement de trouver un moyen de combiner exploitation et exploration. 12:01.740 --> 12:06.930 Ainsi, la meilleure des actions sera toujours la plus probable, car elle a la valeur Q la 12:06.930 --> 12:11.190 plus élevée. Nous allons donc les utiliser comme distribution ou nous allons 12:11.190 --> 12:16.080 dire d'accord, nous allons prendre Q2 90% du temps, mais 5% du temps, nous prenons 12:16.120 --> 12:21.170 toujours le premier trimestre et 2% du temps, 3 et 3% du temps, le quatrième trimestre. 12:21.420 --> 12:27.090 Et la beauté ici est aussi que, à mesure que ces valeurs se mettent à jour 12:27.090 --> 12:35.220 au fur et à mesure que l'agent parcourt le réseau, il se familiarise de plus en plus avec l'environnement et, par conséquent, ces mises 12:35.210 --> 12:41.640 à jour afin que cette valeur puisse par exemple devenir telle qu'elle pourrait cette valeur est en réalité inférieure 12:41.640 --> 12:47.060 ou supérieure et ces probabilités changeront également au fur et à mesure que l'agent passe. 12:47.070 --> 12:49.190 Donc, même si ici nous avons Choo-Choo. 12:49.200 --> 12:55.560 Personne ne peut dire que parfois 5% du temps, pour être plus précis, nous choisissons Q1 comme action 12:55.560 --> 13:00.040 à prendre et parfois, ou une action en passera à une action. 13:00.180 --> 13:05.280 Parfois, prendre des mesures à travers deux actions trois à deux pour cent du temps et l'action pour prendre 13:05.280 --> 13:06.400 environ 3 pour cent. 13:06.420 --> 13:13.800 Ainsi, chaque action a une chance de jouer dans ce processus tant que nous avons suffisamment d'itérations, un agent traverse une multitude 13:13.800 --> 13:17.930 de fois à travers ces états dans lesquels il se trouve. 13:17.940 --> 13:23.880 Et c’est comme cela que tous les algorithmes d’apprentissage en profondeur fonctionnent de manière récurrente afin 13:23.880 --> 13:30.030 que vous puissiez tirer des enseignements de l’expérience. Ainsi, comme vous pouvez le voir ici, c’est une 13:30.030 --> 13:31.840 transition très naturelle vers. 13:31.860 --> 13:37.590 Nous ne sommes pas simplement un hasard comme un algorithme en colère d’Epson et nous ne sélectionnons 13:37.590 --> 13:44.100 pas au hasard les actions que nous sélectionnons en fonction de leurs valeurs soft max. Nous sélectionnons parfois une 13:44.190 --> 13:48.780 action au hasard, mais il y a une certaine logique derrière notre façon 13:48.780 --> 13:53.200 de procéder et basée sur les valeurs clés que nous avons explorées. 13:53.280 --> 13:58.620 Et c'est donc la politique de sélection des actions que nous allons utiliser dans ce cours. 13:58.620 --> 14:04.590 N'hésitez pas à consulter la section action gourmande d'Ebsen Polsce si vous le souhaitez, mais 14:04.590 --> 14:10.920 nous utiliserons principalement la politique de section action soft Max et j'ai une lecture intéressante à vous 14:10.920 --> 14:11.490 proposer. 14:11.490 --> 14:17.430 C'est ce que nous appelons l'exploration adaptative d'Epsilon dans l'apprentissage par renforcement basée sur les différences de valeur, 14:17.430 --> 14:18.870 c'est l'article de 2010. 14:18.930 --> 14:27.270 Et c'est intéressant parce que Mike Michel, je ne sais pas comment prononcer Michelle et Miquel toxic 14:27.450 --> 14:36.420 introduit un type différent d'algorithme glouton d'Algren et ajusté et appelé l'algorithme VDB VDB ou l'algorithme epsilon glouton 14:37.230 --> 14:40.030 que vous pouvez voir ici. 14:40.410 --> 14:46.590 Et il compare en fait les comparaisons avec le Max gourmand et doux d'Ebsen. 14:46.650 --> 14:55.740 Il s'agit d'un algorithme absolument glouton dont l'objectif principal consiste à ajuster la valeur de epsilon en fonction de l'état de 14:55.740 --> 14:56.550 l'agent. 14:56.550 --> 15:01.820 Donc, si l'agent est très certain de l'état actuel, Epsilon devrait être plus petit et devrait 15:01.820 --> 15:06.340 donc être moins d'exploration si l'agent répond, alors Epson devrait être plus élevé. 15:06.350 --> 15:08.930 C'est donc un article de 2010. 15:09.260 --> 15:17.930 Je ne sais pas si c'est si le nouvel algorithme proposé est largement utilisé ou est accepté par la communauté ou 15:18.010 --> 15:23.090 si le Times artificiel a un moyen de contourner cette suggestion. 15:23.090 --> 15:29.450 Néanmoins, cela vous aidera certainement à renforcer vos connaissances sur les politiques de sélection des actions dont nous 15:29.450 --> 15:33.180 avons parlé dans Epsom Ingredion, le doux Naxal, à 15:33.200 --> 15:38.900 vous donner l’occasion de contraindre le site Subha et de voir également dans quelle direction 15:38.900 --> 15:46.040 les gens pensent réellement quand ils veulent améliorer l’intelligence artificielle. Donc, si vous envisagez de créer des algorithmes vraiment intéressants 15:46.040 --> 15:51.770 qui repoussent les limites de l'intelligence artificielle d'Elche et de repousser les limites de cet espace, 15:52.130 --> 16:00.140 cela pourrait être un bon moyen de voir dans quelle direction les gens pensent parfois lorsqu'ils tentent améliorer les normes de l'intelligence 16:00.200 --> 16:04.070 artificielle ou les normes qui existaient à l'époque en 2010. 16:04.070 --> 16:04.760 Alors on y va. 16:04.790 --> 16:11.020 J'espère que vous avez apprécié le didacticiel d'aujourd'hui sur les règles de sélection des actions et que nous avons appris 16:11.060 --> 16:18.240 à propos du rappel Epson et de ses Macs tout en douceur, et vous êtes maintenant encore plus préparé au côté pratique des choses. 16:18.290 --> 16:20.840 Et sur cette note, je suis impatient de voir votre prochaine étape. 16:20.840 --> 16:22.570 Et jusque-là, profitez de l'IA.