Écrit par Allison Mejia | 2020
Qu’est-ce qui est et n’est pas de l’IA?
Dans la science-fiction, l’IA est souvent représentée avec une forme physique. Par exemple, un robot capable d’accomplir de multiples tâches de type humain, comme avoir une conversation normale avec un humain ou se rebeller contre la race humaine. Ce type d’IA est catégorisée comme étant “ forte”.
Une IA forte n’a pas encore été réalisée en 2020. Pourtant, lorsqu’on entend parler d’IA, la première chose qui nous vient à l’esprit c’est une intelligence qui raisonne et agit comme un être humain. En tant qu’humains, nous n’avons peut-être pas la puissance de calcul d’un ordinateur ordinaire, mais nous sommes capables de réaliser des tâches très difficiles à reproduire par des machines.
Ainsi, compte tenu de la complexité de la nature humaine, il n’est pas surprenant qu’à ce jour l’IA faible soit la seule chose qu’on soit capable de faire. Les programmes d’IA actuels sont des programmes hautement spécialisés qui permettent d’accomplir une tâche de type humain. Dans les jeux vidéo, cela inclut les programmes informatiques de PNJ; un personnage non joueur dans un jeu qui n’est pas contrôlé par un joueur.Les PNJ sont intéressants à regarder car ce sont des programmes extrêmement simples, mais qui sont classés dans la catégorie des IA, au même titre que des algorithmes plus complexes. Les logiciels PNJ sont simplement programmés avec des états prédéfinis. Lorsqu’un événement se produit, le PNJ passe d’un état à l’autre. Pour ceux qui ont déjà programmé par le passé, on peut considérer qu’il s’agit d’un changement d’attribut d’état lorsqu’une instruction « if » est déclenchée. C’est assez basique, mais comme les PNJ fournissent une expérience qui ressemble à de l’intelligence, on leur donne l’étiquette de IA. Cependant, il existe une méthode pour faire de l’IA qui fascine davantage les experts: le machine learning.
Le machine learning
L’apprentissage automatique, ou machine learning en anglais, est un ensemble d’algorithmes mathématiques lourds qui simulent le processus d’apprentissage d’un être humain normal. Ils utilisent souvent des données pour affiner des paramètres et prendre des décisions.
Une méthode populaire d’apprentissage automatique consiste à donner des tonnes et des tonnes d’exemples étiquetés à une IA jusqu’à ce qu’elle reconnaisse des modèles et affine une formule mathématique de sorte que lorsqu’elle reçoit de nouveaux scénarios invisibles, elle soit capable de les classer avec la bonne étiquette. Ce processus s’appelle l’apprentissage supervisé. Un exemple d’une telle application est la reconnaissance d’images. Supposons que nous voulons créer une IA capable d’identifier les humains des non-humains. On peut utiliser des photos de notre famille comme données pour notre IA. Une étiquette « humaine » est associée à chaque image, de sorte que l’IA commencera à voir des motifs dans les pixels de chaque image. Elle peut, par exemple, reconnaître l’endroit où se trouvent les yeux sur un visage humain. Ensuite, elle peaufine une formule mathématique qui prend en compte une série de pixels et produit une étiquette de classification. On va devoir également donner des exemples étiquetés comme « non humain » à l’IA. Pour tester, il va falloir lui donner l’image d’une nouvelle personne et l’IA classera l’image comme « humaine » ou « non humaine ». L’identification correcte de la personne dépendra de l’étendue et de la variété de l’ensemble de données de formation, c’est-à-dire, la quantité et la diversité des images utilisées pour entraîner l’algorithme.
Le choix des données d’entraînement n’est pas une mince affaire et peut affecter directement les performances de l’IA. Il y a eu des controverses dans le domaine de la reconnaissance de visage humain où l’on a pu observer un biais vers certains types de peau. Les logiciels de reconnaissance faciale de grandes entreprises telles que IBM et Microsoft ont été testés par le projet Gender Shades pour mesurer leur capacité à identifier correctement 1270 images d’individus très diversifiés. Les résultats de l’étude ont montré que ces programmes d’IA seraient plus performants sur des personnes à la peau claire que sur des personnes à la peau foncée [2]. Ainsi, l’apprentissage supervisé peut être grandement influencé par l’apport humain dans les données d’entraînement fournies. Bien que l’apprentissage supervisé soit une méthode d’apprentissage automatique largement utilisée, d’autres branches de l’apprentissage automatique existent. Par exemple, l’apprentissage non supervisé est parfait dans les cas où nous voulons que l’IA apprenne les étiquettes par elle-même, sans intervention humaine. Ce type d’IA est souvent exploité en marketing pour découvrir des types de clients entre autres. Une autre branche de l’IA, appelée apprentissage par renforcement, adopte une approche de système de récompense afin d’enseigner un comportement souhaité.
Si la prise de décision ou la prévision est une application courante de l’apprentissage machine, il existe une autre manière intéressante d’utiliser les programmes d’apprentissage machine : générer de nouvelles données. Ces algorithmes peuvent créer des images, de la musique, du texte, etc. Ces programmes générateurs utilisent des réseaux de neurones artificiels, un ensemble d’algorithmes qui imitent le fonctionnement interne du réseau neuronal dans un cerveau humain. Les réseaux de neurones sont également à l’origine de la branche la plus prometteuse de l’apprentissage automatique, connue sous le nom d’apprentissage profond. Il s’agit de la technologie à l’origine de la défaite historique du champion du monde de GO, Lee Sedol, par AlphaGo. AlphaGo est une IA capable de jouer au GO, un jeu qui possède un nombre infini de mouvements. L’apprentissage profond permet à une machine d’apprendre exclusivement à partir de données sans qu’un humain ait besoin d’étiqueter les données en catégories pré-défini.
Un regard en arrière avec Deep Blue
Bien que la venue de l’apprentissage automatique ait été une étape importante dans le domaine de l’IA, on peut se demander comment les programmes d’IA ont été créés auparavant. Et la réponse réside toujours dans les mathématiques, mais avec une approche différente.
Jetons un coup d’œil à Deep Blue, un ordinateur de jeu d’échecs développé par IBM qui a réussi à battre le champion du monde d’échecs en 1997. Deep Blue avait réussi à vaincre le Russe Garry Kasparov avec une puissance de calcul exceptionnelle. L’IA de cette machine utilisait un ensemble d’algorithmes simples mais efficaces pour calculer les mouvements optimaux pendant une partie. Pour trouver la solution optimale, l’IA créait une liste de toutes les configurations de jeu possibles sous la forme d’un arbre. Un arbre en informatique est une représentation de données avec une racine connectée à plusieurs nœuds qu’on appelle enfants. Ces enfants peuvent être connectés à leur propre ensemble d’enfants, et les enfants de cette deuxième génération peuvent également avoir les leurs. En bref, l’arbre peut croître de manière exponentielle. L’objectif de Deep Blue était de rechercher dans l’arbre toutes les configurations possibles et d’évaluer un score pour chaque branche de l’arbre avant de sélectionner la branche ayant le score optimal. Pendant longtemps, c’était ce que les programmes d’IA pouvaient faire de mieux : rechercher un arbre de possibilités et produire le meilleur résultat. Grâce à l’apprentissage automatique, il est désormais possible pour les IA de faire des prévisions correctes sans avoir à passer par ce processus fastidieux de calcul de chaque combinaison.
L’IA évolue à une vitesse intéressante et qui sait quand nous atteindrons une IA vraiment forte, capable de reproduire des tâches humaines plus fidèlement. Pour l’instant, nous commençons à voir l’essor de nombreuses applications d’IA dans des domaines et des industries très variés. On voit déjà des applications d’IA qui aident à l’achat d’actions en bourse, aident à détecter des cellules cancéreuses à partir d’images médicales, etc. De nombreuses personnes s’inquiètent de la place que l’IA va occuper dans notre société, peut-être même allant jusqu’à remplacer des personnes exerçant des professions similaires. Mais comme l’IA n’est pas un outil infaillible et peut toujours faire des erreurs, il est souvent nécessaire d’avoir une supervision humaine. Ainsi, en tant que société, nous devrions viser une coexistence symbiotique avec l’IA. Quant à trouver des moyens de mettre en œuvre une IA forte, nous pourrions éventuellement y parvenir étant donné la vitesse à laquelle notre technologie progresse, mais avant d’en arriver là, nous devons nous demander jusqu’où nous voulons aller avec ces technologies avancées.
