L’intelligence artificielle : présentation, applications et limites

Aujourd’hui attaquons un vaste sujet qu’est l’Intelligence Artificielle. L’intelligence artificielle ou I.A. est un mot que vous avez sans aucun doute déjà entendu. Il est de plus en plus présent dans notre quotidien, dans les pubs TV de Microsoft jusqu’aux objets connectés pour la maison.

Alors qu’en est-il ? Qu’est ce qu’est réellement l’I.A ? Est-ce un fantasme ou une réalité ?

Le but de cet article est une présentation de ce concept, de ses techniques. Nous verrons aussi son application dans la vie courante et à venir, ainsi que les limites. Pour cela, nous interviewerons un expert de l’I.A. : Luc Julia.

Présentation de l’I.A.

Le mot Intelligence Artificielle commence à être utilisé au milieu du XXème siècle. Il définit un système pouvant remplacer l’homme dans divers domaines et tâches pour lesquelles il a été conçu.

Il s’agit plus globalement d’un domaine utilisant des concepts et techniques faisant appel aux mathématiques, aux statistiques et à l’algorithmique.

On distingue l’I.A. faible (un programme est conçu pour une tâche précise) et de l’I.A. forte (un programme est conscient) qui n’existe pas encore.

L’exemple le plus connu de l’histoire pour ce qui est de mesurer une I.A. est le test de Turing. Inventé par Alan Turing en 1950, il vise à évaluer la « conscience » d’une machine. Ce test est basé sur un jeu d’imitation de conversation dans lequel le joueur devait dissocier l’homme de la machine. Mais de nombreuses limites au test se sont vites présentés du fait de sa simplicité.

Et depuis…

Depuis cette époque, l’I.A. a inondé tous les supports culturels (livres, films, séries, jeux-vidéos…) jusqu’à devenir de l’ordre du fantasme : Matrix, Terminator et autres I.A ou i, Robot. Dans ces scénarios, l’histoire reste la même. La machine a pris conscience de son existence et se retourne contre les humains.

Depuis les 50 dernières années, les progrès dans ce domaine ont été énormes, que ce soit dans le traitement du langage, de l’image jusqu’à tenter la simulation de la créativité (voir la partie « L’accélération de l’intelligence artificielle » dans mon article « Je fais ma veille au Devoxx France 2017« ).

Cette progression s’est bien sûr faite par palier avec des périodes d’enthousiasme et d’autres de désillusion. Mais la plus grosse marche fut franchie grâce à l’apparition d’internet et à l’ensemble des données grandissant, accessible et non organisé (le Big Data). Cela a favorisé l’expansion rapide de l’I.A. et de ses techniques.

Les méthodologies

Parmi les concepts, nous allons nous intéresser à ceux qui sont les plus connus, à savoir l’apprentissage automatique (ou machine learning) et ses sous domaines. Cette partie de l’I.A. s’est fortement démocratisée depuis les années 90.

Le schéma suivant montre les divers méthodologies liées à l’apprentissage automatique, notamment le deep learning qui est une spécification des réseaux de neurones que nous aborderons ensuite.

Le machine learning

Le machine learning ou apprentissage automatique n’est que l’une des techniques de l’IA, qui est souvent abordée. Cette technique met en oeuvre des algorithmes permettant à un programme d’apprendre en étudiant des exemples. C’est en décrivant les résultats en sortie, en lui indiquant les valeurs correctes qu’il va pouvoir par la suite faire de la détection automatique. Il s’agit ainsi simplement d’une démarche statistique et d’extrapolations de résultats. On distingue donc deux phases à ces programmes : l’apprentissage et la prédiction (ou restitution).

Les types de problèmes

On distingue ainsi des types de problème en machine learning, tel que :

Les problèmes dits d’apprentissage non supervisé :

Il s’agit de fournir un ensemble de données non organisé et de laisser l’algorithme trouver le meilleur regroupement possible. Le but est ainsi de déterminer des corrélations et des patterns. C’est ici que le big data prend son sens.

Les problèmes dits d’apprentissage supervisé :

Il s’agit de fournir à l’algorithme un ensemble de variables et de résultats impliquant cette variable lui permettant de définir un cheminement logique pour accéder au résultat. Il va ainsi trouver la fonction entre les variables représentant les caractéristiques et la variable à prédire, représentant le résultat.

J’ai moi-même implémenté l’algorithme des K plus proches voisins (ou K-NN) lors d’un projet scolaire pour créer un jeu de reconnaissance de chiffres.

La variable à prédire peut être de deux sorte :

• soit elle représente un ensemble fini de valeur (oui ou non par exemple). Cela s’appelle une variable discrète. On parle alors de classification. Divers algorithmes existent et certains seront à préférer selon la nature du problème permettant de prédire à quelle classe une données fait partie. Par exemple, tel mail reçu est un spam, tel paiement par carte est une fraude…

• soit elle peut prendre n’importe quelle valeur (un prix par exemple). Cela s’appelle une variable continue. On parle alors de régression. A l’aide de données d’exemples permettant son apprentissage, la fonction (ou modèle) va ainsi pouvoir « prédire », à l’aide de définition mathématique et statistique. Elle pourra ainsi donner un résultat estimatif. Les algorithmes de régression peuvent utiliser une fonction plus ou moins simple (une fonction mathématique linéaire ou polynomiale).

Les réseaux de neurones

Les réseaux de neurones artificiels sont une application du machine learning s’inspirant du cerveau humain. Lorsque le neurone artificiel reçoit une ou plusieurs données en entrée, elle calcule grâce à une fonction de combination une somme pondérée grâce aux variables d’entrée. De la même façon qu’il y a plus ou moins de connexions synaptiques entre certains neurones, le calcul sera pondéré par un poids de connexion. Une fonction d’activation (décrit grâce à un seuil) permettra ensuite de définir une donnée en sortie.

Une phase d’apprentissage est bien sûr nécessaire afin que les poids et le seuil soit correctement configuré pour la prédiction.

Un neurone ou une couche de neurones ne suffisant pas à traiter les problèmes complexes, nous pouvons les coupler pour un apprentissage profond.

Le deep learning

Le deep learning est une spécification du Machine Learning. Elle permet d’accumuler plusieurs couches de neurones en construisant un réseau dit profond. Le principe est que chaque neurone reçoit en entrée la sortie du neurone de la couche précédente.

Le deep learning se démocratise dans les années 2010. La recherche autour cet ensemble de méthode est depuis sponsorisé par les plus grosses sociétés et par les universités.

Les réseaux profonds ont ainsi pu révolutionner divers secteurs en résolvant divers problèmes : la reconnaissance d’image par exemple. L’augmentation de la puissance de calcul, notamment à travers les cartes graphiques et leur GPU, a permis d’implémenter avec plus de facilité ces algorithmes.

L’inconvénient de ce système peut être le fonctionnement boîte noire du réseau. Cela est dû à sa complexité de mise en oeuvre et le nombre de variables et d’éléments.

Enfin, ce système a permis de créer des modèles génératifs, dans lesquels il est possible des donner des éléments composants en entrée. Le réseau va alors « créer » à partir de ces paramètres. C’est par exemple le cas pour des créations artistiques.

Les applications

De nombreux domaines sont « impactés » par ces technologies dites « intelligentes ».

La smart home en est le parfait exemple.

• Les thermostats connectés vous promettent d’apprendre de vos habitudes pour vous proposer un confort maximale et des économies d’énergie.
• Les assistants vocaux utilisent la reconnaissance vocale pour vous servir.

Les voitures sont un exemple à la mode. Elles proposent de plus en plus un mode auto-pilote autonome utilisant la reconnaissance d’image pour rouler « à votre place ».

C’est enfin le cas pour de nombreuses applications du quotidien : la recherche utilisant les moteurs de recherche sur internet, les réseaux sociaux… Mais aussi plus globalement la banque, les finances, la médecine, les enquêtes criminelles, les jeux-vidéos.

Les limites

Si l’on prend l’exemple de la smart home, cela signifie littéralement maison intelligente. Autant vous dire que pour le moment, l’intelligence qui s’accompagne avec les systèmes domotiques n’est pas encore digne d’un film de science-fiction.

Concernant les assistants vocaux, ils sont censés être intelligents. Pourtant, et pour le moment, le discours qu’il va avoir avec vous sera le même que celui avec votre voisin. Il ne sait pas s’adapter à vos habitudes et l’interaction reste limitée par des questions-réponses.

Sans conscience, l’intelligence artificielle peut uniquement faire ce qu’on lui a appris. Dans ce cadre là, elle peut effectivement le faire mieux que les humains : jeux de stratégies, conduite autonome.

En observant ces applications, on se rend bien compte de la vulgarisation du mot « Intelligence Artificielle » à tord. Si l’on prend le cas d’une smart home, elle est améliorée, évoluée voir autonome (dans sa programmation) dans certains cas, mais pas intelligente.

L’intelligence artificielle n’existe pas

Toute la difficulté réside dans le fait d’utiliser ces deux mots accolés. L’intelligence artificielle est associée à une prise de conscience de la machine lui permettant d’effectuer des actions pour lesquelles elle n’a pas été programmée.

Cette phrase n’est pas de moi mais est le titre du livre du Dr Luc Julia sorti au début de l’année 2019. Avant de continuer, je tiens à préciser que la suite de cet article n’a pas été sponsorisé. Je vais vous présenter ce livre car je l’ai beaucoup apprécié de part sa prise de position et le récit de l’histoire qu’il a pu apporter dans l’informatique.

Co-créateur de Siri, l’assistant vocal d’Apple, il a façonné le monde des nouvelles technologies depuis des décennies en créant de nombreuses start-ups et en participant à des projets d’envergure. Il est aujourd’hui CTO & Senior Vice President of Innovation à Samsung Electronics. Il travaille notamment sur la plateforme d’IoT de Samsung : ARTIK Cloud.

J’étais d’autant plus ravi car ceux qui me connaissent savent que je suis passionné par l’histoire de l’informatique et par ses individus qui ont créé ce monde qui nous passionne. J’ai épluché de nombreux documentaires pour parfaire ma passion. 

Interview de Luc Julia

Nous avons la chance d’avoir pu poser nos questions à Luc Julia. Je le remercie encore pour son temps et sa sympathie.

Vous souhaitez que l’on renomme l’Intelligence Artificielle en Intelligence Augmentée car selon vous, les machines ne sont pas plus intelligentes que ceux pour quoi elles ont été conçues. Sera-t-il bientôt possible que l’I.A. (Intelligence Augmentée) devienne la vraie I.A. (Intelligence Artificielle), source de tous les fantasmes ? Que manque-t-il pour cela ?

Jamais, nous ne construisons que des outils pour des taches spécifiques. Un outil universel, qui pourrait s’adapter à toutes les situations, comme ce que nous, humains, faisons, réclamerait une capacité d’innovation ou d’invention que les machines basées sur des méthodes statistiques demandant d’avoir vu des exemples pour construire leurs modèles du monde ne pourront jamais avoir.

L’I.A. est de plus en plus présente dans les voitures, notamment pour la conduite autonome. Dans le cas où la voiture suit un algorithme particulier, comment doit-elle se comporter en cas d’accident : essayer de protéger ses passagers ou réduire le nombre de personnes accidentées ? Qui est alors responsable : le conducteur qui a fait confiance à sa voiture, les développeurs du système d’auto pilotage ou un autre acteur ? Est-ce qu’à l’avenir, les voitures pourront être meilleures conductrices que nous ?

Les voitures sont, dans bien des cas, déjà meilleures conductrices que nous. Il y aura avec les voitures autonomes dites de niveau 3  ou 4 (sur 5) beaucoup moins d’accidents que ceux provoques par les humains qui sont la source majoritaire de ces accidents du fait de leur inattention (texting) ou imprudences (alcool, vitesse, etc…).

Pour les raisons citées précédemment, il n’y aura jamais de voiture complètement autonome (niveau 5), car il y aura toujours un cas qui aurait demandé à cette voiture de s’adapter à une situation inattendue. L’humain peut toujours s’y adapter. Par contre il y aura toujours des accidents,surtout dans des environnements moins prédictibles, et parfois la voiture aura à faire effectivement un choix. L’éthique et la régulation aideront certainement à faire ces choix que l’on  devra faire accepter à la société, et qui définiront les responsabilités. Le facteur aléatoire peut parfois aussi être le facteur de décision…

Selon vous, quel est l’impact des objets connectés sur l’environnement ? Est-ce que leur utilisation, optimisée par l’I.A., peut contrebalancer leur usage (fabrication, utilisation, recyclage) en réduisant les coûts énergétiques de chaque foyer et donc l’impact environnemental ?

Il y a certes un espoir que les objets permettent une réduction de notre empreinte énergétique. Mais je ne pense pas qu’elle soit assez significative pour justifier certains de ces objets. L’adoption des objets connectés viendra pas la qualité des services rendus. Je crois plus que les objets, la coopération de ces objets entre eux pour me rendre un service particulier, pour m’assister dans taches particulières, vont justifier leurs déploiement. l’IoT devient l’Intelligence of Things, bien plus avancée que le simple Internet of Things.

La Chine utilise les données personnelles pour surveiller et cibler les citoyens. Selon vous, comment mettre en place des systèmes technologiques, à la fois utile pour le confort et la sécurité (terrorisme par exemple) des citoyens, à la fois respectant les droits de l’homme ?

L’éducation et la pression exercée par des citoyens éduqués permettra de définir des régulations efficaces.

L’augmentation du volume de données va-t-elle, selon vous, montrer les limites des techniques d’apprentissage actuelles, notamment le machine learning et le deep learning ? On se souvient du bot de Microsoft qui est devenu raciste en absorbant des mauvaises données sur Twitter. Quelle peut être la solution pour éviter un mauvais apprentissage ?

Le volume de données et sa concentration est certainement un problème qu’il va falloir bientôt adresser car il mobilise de plus en plus  d’énergie. Le problème des données biaisées est la encore un problème d’éthique, de régulation et d’éducation.

A l’avenir

Même si la communauté de l’IA se divise en deux, d’un côté ceux qui redoutent l’I.A. (Elon Musk, Bill Gates par exemple) pour son potentiel à devenir autonome. De l’autre ceux qui considère qu’une machine ne peut pas devenir intelligente (Luc Julia, Yann Le Cun par exemple), l’avenir offre de belles perspectives.

La smart home deviendra alors autonome de façon énergétique et de façon intelligente. Elle sera capable de se réguler automatiquement et de stocker de l’énergie afin de la restituer au bon moment. Votre maison analysera votre humeur et votre santé pour vous proposer une ambiance qui puisse vous convenir. Elle vous notifiera des choses importantes à savoir sur elle. Toute son intelligence résidera dans le fait que son fonctionnement vous est transparent, pour mieux coller à vos habitudes de vie.

Conclusion

Avant de clôturer cet article, je vous invite à vous procurer et lire le livre de Luc Julia. Je l’ai trouvé très intéressant. Le lien que j’ai placé ci-dessus est un lien affilié. L’achat du livre étant en parti reversé au Fonds de Dotation Pour un Monde Meilleur, les gains obtenus a travers ce lien seront eux aussi reversé au même organisme. 

Si vous voulez plus de détails sur le sujet, je vous conseille le très bon blog Mr. Mint.

Jérémy Paris

Expert technique en développement web et mobile, je suis passionné par les nouvelles technologies et plus particulièrement par la domotique, les environnements web et mobile et les systèmes intelligents.