Intelligence Artificielle: Surestimons-Nous l’IA En 2017 ?

« Nous surestimons toujours les changements qui surviendront dans les deux années à venir, et sous-estimons ceux qui surviendront dans les dix prochaines. Ne vous laissez pas prendre pas l’inaction. » – Bill Gates clairvoyant sur l’intelligence artificielle…

Je ne pense pas que dans les dix prochaines années l’IA prendra une ampleur excessive. Nos emplois seront-ils tous automatisés par des robots en 2027 ? Improbable. Je crois que la technologie a un potentiel incroyable et aura des retombées sur tous les aspects de nos vie. Mais aujourd’hui, j’ai l’impression que beaucoup de personnes ne comprennent pas où en est l’IA, et contribuent ainsi à l’excès avec lequel on l’aborde.

Que peut donc faire l’IA aujourd’hui ?

L’Intelligence artificielle, un concept remontant aux années 50, est simplement l’idée qu’une machine peut accomplir des tâches qui requièrent une intelligence humaine. Cependant, l’IA d’aujourd’hui n’est pas ce que la science fiction projette. Ce que nous pouvons accomplir aujourd’hui relève du domaine de l’IA restreinte (opposée à l’intelligence générale): l’idée que les machines peuvent accomplir des tâches très spécifiques dans un environnement limité. Autour de l’IA restreinte de nombreuses techniques existent, desquelles vous pourriez avoir entendu parler. A l’aide d’exemples, je vais illustrer les différences que l’ont peut noter entre ces techniques.

Imaginons que vous souhaitiez deviner mon âge (31 ans).

1) La programmation fonctionnelle: ce que nous connaissons communément sous le nom de programmation, une façon de dire à votre ordinateur de faire quelque chose d’une manière déterminée. Je dis à mon ordinateur que pour déterminer mon âge, il doit résoudre l’équation AGE= date d’aujourd’hui – date de naissance. Je lui donne ensuite ma date de naissance (4 Déc. 1985). Il est impossible que l’ordinateur ne puisse trouver mon âge.

2) Le Machine learning (ML): une application de l’IA qui veut que l’on donne des données aux machines et que nous les laissions apprendre par elles-mêmes afin de déterminer un résultat grâce aux probabilités. La machine améliore sa capacité à déterminer intelligemment, avec des données plus cohérentes.

Prenons l’âge par exemple. Et si je disposais de 1000 ensembles de données sur les âges de certaines personnes et leurs préférences musicales ? Les préférences musicales sont hautement corrélées à l’âge. Par exemple, les fans de Led Zeppelin et The Doors sont pour la plupart âgés de plus de quarante ans, tandis que les fans de Selena Gomez sont généralement sous la barre des 25 ans. Je pourrais demander à l’ordinateur, étant donné que j’aime les Spice Girls et les Backstreet Boys, quel âge pense t-il que j’ai ? Il observe alors les corrélations et les compare à une liste de mes chansons préférées pour déterminer mon âge dans une probabilité x%. Ceci est un exemple très simple de l’utilisation du machine learning.

3) Le Deep Learning: c’est un type de machine learning qui a émergé ces dernières années, et dont on a beaucoup parlé dans les médias quand le programme AlphaGo de Google a battu le maître sud-coréen au jeu de société Go.

Le deep learning va un peu plus loin que le ML, en ce qu’il permet à la machine d’apprendre directement à l’aide d’exemples. A contrario, le ML nécessite que les programmeurs disent à l’ordinateur ce qu’il doit rechercher. En définitive, le deep learning fonctionne bien plus comme le cerveau humain. Cela fonctionne particulièrement bien avec des applications comme la reconnaissance d’image.

4) Le deep learning de renforcement (DLR): le DLR va encore plus loin en combinant le deep learning à l’apprentissage renforcé, c’est-à-dire la notion d’apprentissage par essai et erreur, uniquement sur un système de récompenses et de punitions. Le DLR imite la façon dont les enfants apprennent : ils voient, observent des personnes accomplissant des tâches, font des tentatives et en fonction de la récompense, répètent ou non leurs tentatives.

Les technologies de machine learning sont devenues plus disponibles (ce qui explique pourquoi il y a eu une surenchère médiatique de plus en plus grande sur ce sujet).

Des avancées dans les domaines qui suivent ont été accomplies:

1) Les infrastructures servant à l’application des algorithmes: des améliorations massives dans le stockage, les capacités de traitement, et la disponibilité pour une innovation rapide (le cloud).

2) De nouveaux algorithmes ont été développés et sont disponibles.

3)On note une prolifération de données pour tester les algorithmes.

Entre l’innovation des algorithmes et la disponibilité des données, je pense que les données jouent un rôle plus décisif dans les avancées technologiques. Les découvertes dans le champ de l’IA ont été rapidement suivies par la disponibilité d’ensemble de données, quand bon nombre des algorithmes correspondants étaient déjà disponibles depuis plus d’une décennie.

L’IA va s’infiltrer dans nos vies, au fil des dix prochaines années. Considérez un instant les économies de temps, d’argent et de main d’oeuvre qui seront faites grâce à de simples traitements automatiques. Et alors que la technologie s’améliore, les objets auxquels cette technologie s’appliquera deviendront encore plus épatants. Je pense qu’en tant qu’entrepreneur le fait de pouvoir observer l’évolution de cette technologie est une chose passionnante; en tant qu’investisseur, je ne pourrais être plus enthousiaste.