fabernovel loader

Dec 2, 2017 | 7 min de lecture

Tendances

#2 Intelligence Artificielle (IA)

Julien Breitfeld

Data Architecture Director


FABERNOVEL INNOVATE
C'est bientôt [faber] Noël ! En attendant, nous vous révélerons chaque jour un mot qui a fait 2017, décrypté par notre Data Architecture Director Julien Breitfeld. Aujourd'hui 2 décembre : l'intelligence artificielle (IA).

Pour FABERNOVEL INNOVATE, notre Data Architecture Director Julien Breitfeld revient sur les grandes thématiques de l’année, qui ont alimenté nos discussions Slack et engendré nos plus beaux débats… 

AI as an OS. Puisqu’il est désormais acté que les smartphones concentrent les usages d’aujourd’hui et de demain, reléguant les PC à des outils de travail – même s’il n’est pas exclu que le smartphone dans sa forme actuelle disparaisse également, relégué à sa simple fonction d’émetteur-récepteur – les IA s’imposent, non plus comme des Assistants Personnels mais comme des OS à part entière, prenant la main sur toutes les applications de la vie courante pour les organiser et les optimiser. L’OS acquiert encore un niveau dans la facilitation des outils de la vie courante (d’abord la ligne de commande, ensuite le le GUI) pour devenir l’Interface, après la parenthèse apps (via la debundlisation de l’OS).

Figure 1: Aperçu de l’évolution des IA en 2016

 

Le smartphone, simple mise à l’échelle à la poche d’une veste d’un PC avec une couche de communication sans fil, entend répliquer et mutualiser les OS de tous les devices. Comme la couche web, un OS devient responsive ; seul Apple s’obstine à décliner les OS selon les devices, lorsque qu’Android ou Windows 10 – le meilleur OS de Microsoft – ont APIsé/SAASisé leurs OS avec une IHM commune.

Les IA sont des systèmes experts poussés à leur paroxysme, avec des technologies diverses derrière, mais qui ont toutes besoin d’input pour fonctionner. C’est là que le Big Data entre en jeu, avec la problématique des effets de réseau ; plus on a de données générales, plus l’analyse est fine car elle peut s’adapter à la variété, comme à l’unicité.

Nous n’en sommes qu’au début, mais la courbe d’apprentissage est rapide, sans doute pas assez pour certains utilisateurs de l’IA d’Amazon. Techradar a réalisé un test qui montre clairement le retard d’Alexa sur ses camarades Cortana et Siri; le test (dé)montre surtout que les univers de compréhension comme d’intervention (ici, pour le moment, Alexa est un assistant de vente de produit) dépendent grandement des outils opérés par les GAFAM, de leurs univers, et des données accumulées pour « éduquer » les algorithmes.

Les outils d’apprentissage des machines (ML) sont partout et interviennent quel que soit le contexte pour enrichir les corpus de données sur les humains et faciliter une compréhension ex ante.

 

Figure 2: Services google pour affiner la reconnaissance d’informations de son programme Street View basé sur recaptcha (mais pas que)

Figure 3: Service google pour affiner la reconnaissance de spam de Gmail

Chaque GAFAM a bâti son propre écosystème, mais ils s’interpénètrent tous (à l’exception notable d’Apple, dont le business model repose sur un écosystème totalement maitrisé, et donc fermé.) Ainsi, Google est désormais leader des navigateurs sur PC et Mac, détrônant Firefox, et prenant encore des parts de marché à Microsoft qui n’a pas réussi à faire la transition avec Edge. Mieux, l’un des canaux d’apprentissage (comme de retour client) est le clavier virtuel de Google dans… l’iPhone.

Autre exemple, l’IA de Microsoft, Cortana, peut désormais s’installer sur un device IOS, comme sur un Androïd.

 

Figure 4: Services cross-plateformes des GAFAM

L’intégration de systèmes dans des systèmes (ou de plateformes dans des plateformes) est partout. Facebook propose quant à lui de sauvegarder les bookmarks d’un navigateur au travers d’une extension, directement dans sa couche applicative.

Figure 5: Add-on de navigateur facebook

 

Google dispose de la plus grande base de données territoriale du monde (via le maillage satellitaire KeyHole, et 6 ans de données accumulées par le projet Google Car), d’appétence humaine (via Search, Maps) et vient de lancer un POC/jeu qui permet d’apprendre à la machine à reconnaître l’expression humaine (du logographique au pictographique).

Figure 6: exemple d’apprentissage du dessin d’un tube de rouge

Et après avoir “appris” le sens des images, Google vient de déployer sur son propre smartphone l’outil “Lens”, qui permet de reconnaitre les objets pris en photo par la caméra.

Derrière tous ces apprentissages, il y a la volonté de comprendre l’humain pour lui proposer toujours plus de services personnalisés, de façon transparente. Le temps où l’utilisateur devait s’adapter à la machine, donc à son concepteur (l’ingénieur) est révolu. On passe d’un système expert (ex post) à une IA (ex ante), du déterminisme au machine learning.

 

Les outils connaissent leur utilisateur et peuvent lui apporter une expérience dédiée. Chaque outil/service devient en fait une partie d’un OS plus grand. On parlera alors d’IA as an OS, lesquels doivent non seulement rendre la meilleure réponse (la seule d’ailleurs, au sens du bouton « I’m feeling lucky » de Google), mais également anticiper la question. Les OS/IA se comportent comme des assistants personnels, lesquels opèrent des choix au sens de la définition de l’intelligence : « Aptitude d’un être humain à s’adapter à une situation, à choisir des moyens d’action en fonction des circonstances ».

Figure 7: exemple de suggestions proposées par l’IA de Micosoft

 

Cette expérience peut être très basique, générale, mais elle doit offrir une information correcte et pertinente. Elle doit intervenir au bon moment, et idée ultime avant la formulation de la question. La « préscience » n’est que l’anticipation par la machine, via l’analyse de patterns, du futur.

 

Facebook propose ainsi depuis quelques temps une information qui singe le Doodle de Google, mais également une information plus contextuelle sur le temps qu’il fait, basé sur la géolocalisation. La fonction « météo » vient d’être déployée, mais pas de manière très visible pour le moment, dans l’application.

Figure 8: Informations push (suggestions) proposées par facebook

 

Toutes ces « IA » permettent de comprendre l’information, pour la décrire et l’adapter. Ci-dessous, les mots clés trouvés pour les photos postées sur facebook et utilisées pour les décrire dans le cadre d’un programme initialement déployé par facebook pour les mal voyants. Mais pas que…

Figure 9: Description automatique des images uploadées sur facebook

 

Les services rendus par cet apprentissage permettent un emploi des outils sans couture. Ci-dessous, Microsoft a intégré la reconnaissance de l’écriture dans son OS (disponible sur tous les terminaux tactiles), et partant, dans tous les produits nécessitant un clavier.

Figure 10: Reconnaissance automatique de l’écriture dans l’OS, qui s’intègre nativement dans Word

Figure 11: exemple de falsification intentionnel d’algorithme de ML

 

Chaque acteur a sa stratégie pour accumuler des données et bâtir son écosystème : entrer par la voix, comme Amazon, par l’emploi de services épars, comme Google ou Microsoft. Par l’agrégation de ses propres services dans sa plateforme, comme facebook.

 

S’ils multiplient les points d’entrée pour collecter les données (Google DNS, onHub, search), les principaux sont aujourd’hui le smartphone, le hub d’habitation (Google onHub, Home, Amazon Echo), demain la voiture, quelque interface qui peut suivre l’utilisateur dans ses habitudes. Ensuite, quelle que soit l’IA sous-jacente, le but est de devenir l’assistant personnel de chaque utilisateur, en s’interfaçant sans couture dans tous les aspects de sa vie.

Figure 12: Exemples d’interconnexion de systèmes « intelligents » via IFTTT

 

De fait, il n’existe plus – au grand dam d’Apple – d’écosystème fermé permettant à un opérateur de contrôler l’utilisateur. Parce qu’on parle bien de contrôle, au sens du Soft power. « Habiter » un écosystème iOS ou Androïd provoque des comportements différents, ne serait-ce que parce que les écosystèmes sont régis par la publicité. L’OS est lui-même une bulle de filtre…

 

Mais tout device est une plateforme qui fait partie d’une infrastructure plus grande – également une plateforme – où chaque partie prenante intercepte des informations.

 

La bataille qui fait rage ici est de capt(iv)er suffisamment l’utilisateur pour qu’il fasse de son opérateur d’IA un opérateur exclusif.

 

Puisque le futur du service au client est un nouveau marketing du fondement du système économique, la maximisation de la satisfaction du consommateur dans la théorie néo-classique, la stratégie des GAFAM est d’occuper tout l’espace pour espérer qu’il sera in fine choisi pour le meilleur service rendu.

 

AI as an OS donc.

 

Aujourd’hui, on a des ordinateurs qui codent. Pas de leur pleine conscience, mais les algorithmes d’iA, une fois trouvée la clé de décodage d’une série (sons, images, texte) sont exportables et utilisés comme une bibliothèque (par exemple, TECHNOLOGIES a réalisé une app comprenant un algorithme de reconnaissance de sons d’ambiance). Leur programmation dépend des corpus de données qui ont permis de les entraîner. La possession de tels algorithmes n’est pas une importance stratégique, d’où l’initiative openAI, ou la mise en openSource de tensorFlow par Google.. Le contrôle des algorithmes lui-même n’est pas un enjeu, mais dans un monde où la simulation prend le pas sur l’expérimentation, l’accès à la donnée sans restriction est essentiel pour affiner les comportements de sortie, et donc les choix opérés par la machine. Machine qui prend la direction de Her, Hal, ou Jiminy Cricket, cela dépendra de l’opérateur de l’IA.

 

 

Vous souhaitez être avertis tous les vendredis de décembre des mots de la semaine ? Laissez-nous vos coordonnées.

Contactez-nous
Cet article appartient à une enquête
logo business unit

FABERNOVEL INNOVATE

FABERNOVEL INNOVATE explore et construit le futur de vos industries. À la vitesse des startups.

à lire