INTELLIGENCE ARTIFICIELLE : les fondamentaux

Notion formulée dans les années 1950, l’intelligence artificielle ou I.A. connait depuis les années 2000 un fort développement académique et applicatif. Dans une ère centrée sur l’expérience utilisateur, le recours à l’intelligence artificielle s’avère indispensable.

Après avoir investi 12,5 Mds $ dans l’I.A.en 2017, les géants de la technologie et de l’industrie prévoient d’accroître leurs investissements de 50% par an d’ici 2022, l’Etat français y consacrera 1,5 Mds € durant la même période.

Qu’est ce que l’intelligence artificielle ?

L’intelligence artificielle ou « IA » regroupe l’ensemble des théories, techniques et technologies réalisant des machines capables de simuler l’intelligence humaine et d’accomplir des tâches réservées aux humains (apprendre, comprendre, résoudre, raisonner, planifier …).

Cette intelligence est dite « artificielle », car elle « simule » les processus cognitifs humains tels qu’ils sont appréhendés de façon partielle.

Quelles sont les disciplines impliquées dans l’IA ?

Programme multidisciplinaire, elle met en jeu les mathématiques (logique, optimisation, analyse, probabilités, algèbre linéaire) les neuro-sciences, l’informatique et les connaissances spécialisées des domaines auxquels on souhaite l’appliquer. Grace au développement des technologies de Big data et d’apprentissage machine, l ‘I.A. permet  la mise au point d’automates résolvant des problèmes plus rapidement et précisément que les humains grâce à leur puissance de traitement de l’information.

Les algorithmes d’I.A. reposent sur des approches très variées : analyse sémantique, représentation symbolique, apprentissage statistique ou exploratoire, réseaux de neurones, etc.

Quels sont les différents niveaux d’IA ?

• l’IA dite « faible » consiste en la programmation d’outils numériques à l’aide d’algorithmes en vue d’accomplir une ou plusieurs tâches précises plus ou moins complexes. La machine va se contenter d’imiter le comportement humain en calquant et en reproduisant son raisonnement. C’est cette forme d’IA qui se développe principalement aujourd’hui.
• l’IA dite « forte » vise à développer des machines capables d’apprendre elles-mêmes le comportement adéquat à observer grâce à l’apprentissage et la compréhension de la logique sous-jacente issue de l’expérience. La machine va non seulement être capable de résoudre n’importe quelle tâche précise mais aussi de déterminer quelle tâche est à effectuer dans une situation donnée. Cette approche en est au stade expérimental.

Quelles sont les principales technologies développées ?

L’intelligence est généralement associée à l’apprentissage.

Celui-ci permet à une entité d’exécuter une tâche, d’améliorer ses performances avec l’expérience mais aussi d’apprendre à accomplir de nouvelles tâches et acquérir de nouvelles compétences.

Comme il est impossible d’écrire un programme fonctionnant dans toutes les situations, l’apprentissage dit « machine » a été développé. Ce type d’apprentissage (filtrer les contenus, ordonner les réponses à une recherche, sélectionner des informations ou faire des recommandations aux utilisateurs) est au coeur de tous les systèmes d’I.A. des grandes entreprises telles que les FAANG.

Quels sont les différents types d’apprentissage machine ?

• l’apprentissage automatique (ou « machine learning« )

Ce type d’apprentissage tente de modéliser les processus cognitifs (acquisition de connaissances sur l’environnement) à partir de l’analyse d’expériences passées et non de règles formelles logiques.

Le processus se déroule en deux temps:

• une phase d’apprentissage : ajustement des paramêtres du modèle à partir des données fournies,
• une phase d’inférence : la tâche fixée est réalisée à partir des paramètres appris.

On a recours à plusieurs techniques:

• l’apprentissage supervisé: durant la phase d’apprentissage, on soumet des données catégorisées à la machine. Par généralisation, elle doit être ensuite capable de reconnaitre une catégorie dans des données non catégorisées.
• l’apprentissage non supervisé: on soumet à la machine des données non catégorisées. Elle établit les catégories en phase d’apprentissage et doit être capable par généralisation de reconnaitre une catégorie dans de nouvelles données non catégorisées.
• l’apprentissage par renforcement ne fait appel à aucune base d’exemples en entrée. L’apprentissage se fait via des interactions avec l’environnement. La machine effectue une action, l’environnement change et une récompense lui est attribuée en fonction du résultat obtenu. La machine découvre progressivement les actions qui permettent d’obtenir le meilleur résultat. L’apprentissage par renforcement désigne la situation où la machine ne reçoit qu’un simple signal, une sorte de récompense.

L’apprentissage non supervisé et par renforcement sont loin d’être encore au point.

Qu’est-ce que l’apprentissage profond ou « deep learning » ?

L’apprentissage profond est construit à partir d’éléments de calcul disposés en couches successives et reliés entre eux par des connexions construites lors de la phase d’apprentissage. Les données d’entrée sont décomposées en différentes couches d’abstraction hiérarchisée.

Inspirés du fonctionnement du cerveau humain, les réseaux de neurones profonds sont parmi les premiers modèles à avoir été inventés en IA, dès les années 1950.

Le « deep learning » se distingue par :

• son niveau de performance proche du niveau humain, pour de plus en plus de tâches, notamment de perception complexe,
• sa généricité?: même si l’application à une nouvelle tâche nécessite beaucoup d’ajustements, c’est l’utilisation d’un ou plusieurs réseau (x) de neurones profond(s) qui permet à chaque fois d’atteindre ce niveau de performance. 
• l’intuition dans sa capacité de généralisation.

Il s’agit d’une forme d’IA où un domaine est réellement appris par la machine avec peu ou pas de supervision humaine. En substance, la machine va apprendre sa capacité de généralisation et la représentativité du jeu de données d’apprentissage. 

Quelles sont les principales applications d’IA ?

Bien que le développement de l’IA en soit encore au stade primaire, elle fait l’objet de nombreuses applications en matière de synthèse vocale, de reconnaissance des formes, d’aide aux diagnostics, d’aide à la décision la traduction automatique, d’automatisation de taches  ou de systèmes d’évaluation de risques.

Quelles en sont ses limites ?

Ce qui manque encore aux machines, c’est la capacité à apprendre des tâches permettant de représenter le monde mais aussi de se remémorer, raisonner, prédire et planifier.  Elles ne disposent pas de sens commun et de la capacité à acquérir de nouvelles compétences, quel qu’en soit le domaine, suivant l’évolution de l’environnement.

Deep learning ou algorithmes du machine learning présentent une limite propre à la théorie de l’apprentissage statistique. Apprenant à partir d’exemples de bonnes et mauvaises réponses pour une tâche donnée, la machine apprend selon les cadres qui lui sont données, tel un enfant avec des QCM corrigés.

L’intelligence artificielle a un potentiel important mais, limité par son incapacité intrinsèque à se remettre fondamentalement en cause. Elle peut inventer, mais à partir de principes donnés. Principes fondamentaux,  nature des erreurs et leur formalisation mathématique manquent.

Une machine est capable de comprendre un monde relativement structuré alors que le monde familier est déstructuré.

L’avenir est par ailleurs imprévisible. L’IA repose sur une modélisation, une compréhension du réel à un moment donné. Même doté d’un deep learning améliorant les capacités prédictives du modèle en fonction de la réalité observée, l’IA ne pourra jamais prédire avec certitude ce qui n’est pas encore advenu.

Par ailleurs, l’intelligence humaine est une capacité à prendre conscience des raisons et de l’émotion des autres. Sensibilité, créativité, capacité à découvrir et s’interroger ne se résolvent pas à un ensemble de systèmes experts.

La capacité de conscience, de compréhension et d’empathie d’une machine par rapport aux autres fait défaut. Cela pose d’ailleurs de nombreux problèmes éthiques lorsque la machine est emmenée à prendre des décisions de façon autonome. 

Quels sont les défis à relever ?

On peut citer notamment:

• rendre les algorithmes plus robustes : fonctionnant non seulement dans des conditions spécifiques mais également dans la vie courante,
• améliorer le niveau de compréhension des machines grâce à la détection de micro-signaux,
• s’adapter aux changements de l’environnement.

Le défi central de l’IA n’est pas d’équiper l’homme d’un double cerveau numérique au fonctionnement rudimentaire et très parcellaire par rapport au cerveau, dont les mystères restent entiers.

Une bonne cohabitation serait de disposer d’ IA spécifiques aidant l’homme ponctuellement à réaliser des taches complexes modélisables, l’homme se chargeant de la synthèse, de la réflexion, de l’imprévu, de l’émotionnel, du créatif…