Intelligence Artificielle : Quel Comportement Est Automatisable ?

L’intelligence artificielle est un outil informatique qui nous permet d’effectuer une tache très précise comme prédire une fraude bancaire, conduire une voiture, reconnaître un mélanome sur une photo ou encore recommander des produits. A la différence d’une méthode algorithmique classique, la particularité de l’intelligence artificielle, c’est qu’elle apprend par itération pour effectuer cette tache. Comme un humain. Enfin, presque comme un humain. Il lui faut beaucoup, beaucoup, beaucoup d’exemples pour apprendre et puis elle a beaucoup de mal à généraliser cet apprentissage.

Une des questions qui revient souvent est : comment sait-on pour quelles actions on peut construire une intelligence artificielle ?

Andrew Ng, le fondateur de Coursera, répond simplement en disant : « Si le comportement voulu prend environ une seconde à s’enclencher ou peut être déconstruit en actions d’une seconde, alors vous pourrez le faire apprendre à une IA. » Les comportements complexes ne sont en général pas de bons candidats. Pensez aux actions qui impliquent des émotions comme l’empathie.

Mais quel est le processus alors ? Comment construire ce comportement ? 

Prenons un exemple : conduire une voiture.

La première question à laquelle vous souhaitez répondre en tant qu’ingénieur est :

Que signifie conduire ? Quelles sont les différentes actions cognitives liées à la conduite ? 

Si on essaie de déconstruire la conduite en actions simples, on peut dire que fondamentalement cela comprend 3 étapes (évidemment c’est sujet à débat) :

1. Reconnaître les différentes personnes, différents panneaux etc. En somme, voir et savoir se situer par rapport à ces objets dans l’espace
2. Anticiper le comportement des autres : savoir se situer dans le temps
3. Prendre une décision (tourner, s’arrêter etc..) : agir dans l’espace/temps

Il vous faut moins d’une seconde pour reconnaître une forme, une personne ou un objet sur une photo, alors une IA peut le faire. Il vous faut également un quart de seconde pour anticiper et réagir sur la route. 

Maintenant que l’on connaît ces actions, comment l’IA apprend-elle à effectuer ces choses-là ?

C’est ici qu’intervient le machine learning. Le machine learning est la science ou la méthode qui permet à l’IA d’apprendre à effectuer ces petites actions pour aboutir au comportement final. 

C’est important de décomposer ces actions parce que l’IA n’apprend pas de la même manière et en simultanée chacune de ces actions. Si on vous demande comment vous avez appris à conduire, il sera difficile de faire la différence entre le fait de voir et reconnaître  puis anticiper. Les deux s’entremêlent. Ou du moins, le premier est nécessaire pour le second. Mais pour l’IA, c’est différent. On repart de 0. On doit lui apprendre ces concepts élémentaires. C’est d’ailleurs pourquoi l’IA est encore très limitée.

Il faudra donc différents exemples et différents algorithmes pour maîtriser ces différentes étapes. Par exemple, la vision exigera des algorithmes plus profonds et plus granulaires dans l’apprentissage (deep learning), les données d’entrées étant complexes (une image en couleur est une matrice de pixels compris entre 0 et 255 et à trois profondeurs rouge/vert/bleu), ce qui n’est pas forcement le cas pour l’anticipation ou la prédiction.

Maintenant que l’on sait ce qu’il faut apprendre, on souhaite savoir de quoi on a besoin pour apprendre.

On a besoin d’exemples (données) ! Dans notre cas :

1. Des vidéos et des images montrant des personnes, des panneaux etc. pour la vision par ordinateur 
2. Des vidéos, des données du trafic, des données du système ADAS par exemple pour l’anticipation 

Comment récupère-t-on ces données ?

Nous avons besoin de sources de données. Dans notre cas des capteurs : lidar, sonar, radar et cameras etc…

Evidemment, la complexité ensuite réside dans l’agrégation de ces sources (notamment la fusion de capteurs) puis dans l’agencement de l’apprentissage des différentes actions pour effectuer le comportement final:  conduire.

Pour conclure, afin d’établir si oui ou non notre cas d’usage est pertinent, nous devons répondre à ces questions :

1. Quel comportement souhaite-on automatiser ? 
2. Comment ce comportement se déconstruit-il en actions cognitives fondamentales ?
3. Comment apprend-on ces actions ? Plus concrètement, de quoi ai-je besoin pour apprendre ces actions ?
4. Ai-je les ressources nécessaires pour leurs apprentissages  ?

En partant de ces simples questions, nous avons réussi à prévoir le besoin en capteurs, en algorithmes et appréhender les différentes phases d’apprentissage.

Si vous avez du mal avec une de ces étapes, c’est probablement qu’une IA n’est pas adaptée à votre comportement final. Parfois il n’existe pas de façon simple de déconstruire le comportement en actions simples, parfois il n’y a juste pas assez de données disponibles ou de sources qualifiées.

Enfin, comprendre ces différentes étapes de façon macro peut vous aider à rapidement prioriser les comportements sur lesquels travailler mais aussi à créer un avantage compétitif sur une de ces étapes. Par exemple, si vous avez un accès prioritaire à une source de données, à une communauté qualifiée de talents, une expertise métier…

Evidemment, cette méthode donne une idée globale des cas d’usages possibles mais nécessiterait une approche approfondie. 

<<< a lire également : L’Intelligence Artificielle En Quête De Confiance >>>