Blog

Introduction à l'IA #3 : Technique

L’Intelligence Artificielle (IA) soulève de nombreuses questions. Et pour cause : c’est un domaine extrêmement large pour lequel il existe plusieurs définitions et qui bouleverse de nombreux aspects de la société.

Si on parle aujourd’hui beaucoup de l’IA, c’est tout simplement car elle occupe une place très importante, si ce n’est grandissante, dans nos vies : en effet, nous utilisons des outils basés sur l’IA tous les jours. Pour donner quelques exemples, elle nous aide notamment dans la complétion automatique d’écriture dans les téléphones portables, elle permet la recommandation d’articles de presse ou d’informations dans un fil d’actualité ou elle sert encore à optimiser le prix des billets d’avion.

Dans les articles précédents [1], nous avons retracé l’histoire de l’IA, de son origine en lien avec les automates jusqu’à sa naissance au lendemain de la seconde guerre mondiale avec les ordinateurs. A partir des années 2000, les progrès techniques et l’automatisation ont permis le développement de l’IA. Dans cet article, nous présentons quelques termes techniques clés de l’IA qui permettront de l’expliciter.

Une technologie à plusieurs étages

Tout d’abord, l’IA peut être découpée en trois niveaux de complexité :

• Les systèmes experts : Ce sont les systèmes les plus simples, ils s’appuient sur des systèmes de règles définies à l’avance. Par exemple, les adversaires dans les jeux vidéo sont des systèmes experts : l’IA simule un autre joueur. Toutefois, dans ce cas, chaque situation a été prévue et la réaction a été programmée : c’est la grande limite des systèmes experts. C’est la partie de l’IA qui n’apprend pas, contrairement aux deux catégories ci-dessous.
• Le machine learning : Ces systèmes sont un peu plus complexes, ils s’appuient sur des modèles construits par l’homme mais qui sont capables de s’adapter en fonction des schémas constatés dans les données. C’est le cas des systèmes de recommandation des sites d’e-commerce : l’IA simule un vendeur. Dans ce cas, la plupart du temps, l’algorithme est capable d’apprendre de ses réussites et il améliore le modèle sur lequel il est construit.
• Le deep learning : Ces systèmes sont eux capables d’ajuster leurs modèles eux‑mêmes en fonction des schémas des données. Le dernier exemple est AlphaGo, le joueur de Go de Google : l’IA simule un joueur et a réussi à battre les meilleurs joueurs humains de Go au monde en 2016 et 2017. Le deep learning est une sous‑catégorie du machine learning.

IA forte VS. IA faible

Après ce découpage en niveau de complexité, on pourrait être tenté de penser aux termes d’IA forte et d’IA faible. On rencontre parfois ces termes lorsqu’il est question d’IA… et pourtant, ces termes n’ont pas été inventés par des informaticiens mais par le philosophe John Searle ! Il invente le terme d’IA forte pour remettre en question les prétentions de l’IA et le fait de prendre les machines comme modèle de la pensée humaine. L’IA faible représenterait une IA qui n’a pas de conscience, pas d’émotion, pas d’intentionnalité et son travail est très ciblé.[2] A l’inverse, l’IA forte aurait une conscience et des capacités qui sont similaires à celles des hommes.

Aujourd’hui, il est impossible de réaliser une IA forte. Il semble même peu probable de réussir à le faire dans le futur bien que l’on soit capable, sur certaines tâches extrêmement spécialisées, d’obtenir des IA plus performantes que l’humain. Il faut également remarquer que cette performance s’obtient au prix d’un entraînement bien plus long, coûteux énergétiquement et nécessitant plus de données que l’apprentissage humain.

Focus sur le machine learning

Que veut-on dire quand on dit qu’un algorithme (ou une machine) a appris « tout seul » ? Cette terminologie fait en général allusion à deux sous-catégories du machine learning : l’apprentissage par renforcement et l’apprentissage non supervisé. Le machine learning peut être divisé en trois catégories :

• L’apprentissage supervisé : dans ce cas, l’apprentissage est fait à partir d’informations complètes, c’est-à-dire que l’on a à disposition un ensemble de données décrivant un objet ainsi qu’une ou plusieurs variables cibles que l’on cherche à prédire. Par exemple, un organe sera l’objet décrit par une radiographie et on cherchera à prédire s’il y a, ou s’il y aura dans les 6 mois à venir, une tumeur. Les radiographies ont donc été étiquetées par la donnée « oui » ou « non » a priori : cela permet à l’algorithme d’apprendre grâce à une mesure d’erreur qui lui a été donnée, avant d’être utilisé pour prédire la donnée cible lorsqu’elle est inconnue.
• L’apprentissage par renforcement : dans ce cas, il n’y a pas de « vraie » réponse mais il existe une notion de gain et de perte qui permet à l’algorithme (alors appelé agent) d’identifier quelle action est positive et quelle action est négative. C’est le genre de méthode qui est utilisée pour faire apprendre aux robots à marcher : s’ils avancent, ils obtiennent un gain alors que s’ils tombent, ils perdent. En examinant différentes combinaisons d’actions, ils sont ainsi capables d’en trouver une qui leur permet d’avancer – mais qui n’est pas nécessairement la meilleure.
• L’apprentissage non supervisé : dans ce dernier cas, les données d’apprentissage ne sont pas étiquetées. L’objectif est de comprendre un pattern (schéma) dans les données. Par exemple, à partir d’images de fleurs différentes, on cherche à regrouper ensemble les images qui représentent les fleurs de la même espèce.

Cette trilogie s’achève sur un focus sur le machine learning, technologie aujourd’hui très présente dans nos vies. Mais quid de son usage chez Domoscio ? Consultez notre site ou contactez-nous !

[1] Lire nos articles précédents : Introduction à l’IA #1 : les origines et Introduction à l’IA #2 : l’explosion

[2] Citation de Laurence Devilliers dans la revue Sciences et Avenir.