Article
Données
27.2.2017
Perturbation continuum temporel
5 minutes
Temps d'un café
L'IA pour les nuls
L'IA pour les nuls
Tom Morisse
Note : Ce contenu a été créé avant que Fabernovel ne fasse partie du groupe EY, le 5 juillet 2022.

3 façons de définir l’intelligence artificielle

En effet, on peut aborder l’IA de plusieurs façons. La première (et la plus courante) est de s’intéresser aux objectifs de la recherche en IA : pour faire simple, soit « la création et l’étude de machines qui agissent en faisant preuve d’intelligence (note : quel que soit le sens de "agissent") »_, _soit « la création et l’étude de machines qui pensent (note : quel que soit le sens de "pensent") ».

La deuxième façon de définir l’IA est de s’intéresser aux composantes ou aux sous-problèmes qu’elle s’efforce de résoudre. Voici ceux dont vous entendrez le plus parler :

Nous nous devons d’ajouter une façon plus culturelle de définir l’intelligence artificielle, suggérée en 1998 par Astro Teller (aujourd’hui directeur de X, « l’usine à moonshots » d’Alphabet) : « L’IA est la science de comment faire faire à des machines les choses qu’elles font dans les films. »

En effet, cette définition est proche des concepts de l’intelligence artificielle générale (ou IA forte) et de la super intelligence artificielle (ou superintelligence), dont les exemples abondent dans les œuvres de science-fiction. Ces concepts désignent des systèmes généralistes qui égaleraient ou dépasseraient, respectivement, les capacités humaines, c’est-à-dire qui combineraient toutes les composantes recensées ci-dessus.

Aujourd’hui, le sport favori des commentateurs de l’IA consiste à prédire quand Skynet soumettra le monde. Si vous notez une grande variation dans les prédictions d’avènement de l’IA générale ou de la superintelligence, sachez que c’est tout à fait normal : il est très difficile de dire si de telles prévisions sont sous- ou surestimées, et si de tels niveaux d’intelligence machine sont même atteignables.

2 approches principales de l’IA

Depuis les débuts de l’intelligence artificielle dans les années 1950, deux approches ont été employées :

Dans la première approche, vous programmez des règles et résolvez un problème à travers une série d’étapes (les pionniers de l’intelligence artificielle, pour la plupart logiciens, appréciaient beaucoup cette méthode). Elle a culminé dans les années 1980 avec le développement des systèmes experts, programmes dont le but était d’intégrer une base de connaissance et un moteur de décision venant de spécialistes de domaines pointus afin, par exemple, d’aider les chimistes organiques à identifier des molécules inconnues.

Le problème est qu’avec de tels systèmes, il faut repartir de zéro lorsque l’on développe un nouveau modèle : des règles précises et écrites sont par nature très difficiles voire impossibles à généraliser d’un problème à un autre (par exemple, passer de la reconnaissance vocale au diagnostic médical).

Dans la deuxième approche, on programme un modèle général, mais c’est l’ordinateur qui ajuste les paramètres du modèle à l’aide des données qu’on lui fournit. C’est de nos jours l’approche la plus populaire.

Certains de ces modèles sont très proches des méthodes statistiques, mais les plus célèbres sont inspirés des neurosciences : on les appelle les réseaux de neurones artificiels. Ces réseaux suivent la même « recette »  :

Si vous avez récemment entendu parler d’une folie deep learning, c’est parce que ce type de réseaux neuronaux artificiels, faits d’un grand nombre de couches (d’où le terme « deep », « profond » en français), a permis d’obtenir des résultats significatifs pour des tâches comme l’identification d’objets dans des images.

Par ailleurs, vous rencontrerez sans doute l’une des trois classifications possibles des modèles de _machine learning _:

  • L’apprentissage supervisé (supervised learning): vous fournissez à votre modèle des données classées (par exemple, l’inénarrable image de chat associée à une étiquette « chat »).
  • L’apprentissage non supervisé (unsupervised learning): vous fournissez à votre modèle des données _non classées _et vous le laissez trier les données tout seul. Puisque les données sont en général non classées (pensez à toutes les photos accumulées dans votre téléphone) et que l’étiquetage prend du temps, l’approche par apprentissage non supervisé est plus difficile / moins développée et semble plus prometteuse que l’apprentissage supervisé.
  • L’apprentissage par renforcement (reinforcement learning) : à la fin de chaque itération de votre modèle, vous lui donnez simplement une « note ». Prenons l’exemple de DeepMind, qui a entraîné un modèle sur des vieux jeux Atari : dans ce cas-là, la note était le score des parties, et le modèle a peu à peu appris à maximiser ces scores. L’approche par apprentissage par renforcement est probablement la moins développée des trois, mais les récents progrès des algorithmes de DeepMind ont remis en lumière cet effort.

L’intelligence artificielle n’est pas un arbre, c’est un buisson !

Donc, quand on additionne les problèmes rencontrés par les chercheurs en intelligence artificielle, les différentes « écoles de pensée », les propres branches de ces écoles, leurs différents objectifs et sources d’inspiration, on comprend pourquoi les tentatives de classifications bien organisées du domaine sont toujours imparfaites. Regardez celle-ci : vous voyez le problème ?

Mettre machine learning et « speech » au même niveau est inexact, car on peut utiliser des modèles de machine learning pour résoudre des problèmes liés à la voix, que ce soit sa génération ou sa transcription. Ce ne sont pas des branches parallèles, mais différentes façons d’organiser l’IA qui peuvent s’entrecroiser.

Par conséquent, la difficulté (et la beauté) de l’intelligence artificielle est qu’il ne s’agit pas d’un arbre bien ordonné, mais plutôt d’un buisson. Une branche pousse plus vite que l’autre et se trouve sous les feux des projecteurs, puis c’est le tour d’une autre, et ainsi de suite. Certaines branches se croisent, d’autres non, certaines sont coupées et de nouvelles apparaîtront.

Notre principal conseil est donc : ne perdez jamais de vue le paysage d’ensemble pour éviter de vous y perdre !

No items found.
Pour aller plus loin :