Focus sur la partie mathématique : comment apprendre à l’IA ?

Première étape : le problème à résoudre

Pour mieux appréhender la partie mathématique du développement des IA, déroulons ensemble les étapes d’un projet d’apprentissage automatique. Nous verrons un procédé général.

La première chose à faire consiste à se poser sur le problème à résoudre. C’est pourquoi Julie, Tania et Max parlent avec Christophe. Ils ont besoin de comprendre le domaine dans lequel ils vont mettre en place leur système. Il y a fort à parier qu’avant d’arriver à la bibliothèque, ils ont discuté avec plusieurs personnes de la mairie. C’est ainsi qu’ils ont convenu d’un objectif.

Dans notre cas, ils souhaitent moderniser la bibliothèque. C’est du moins ce que Christophe explique de manière lapidaire. Il est parfois important d’un point de vue marketing, même dans le public, de prouver qu’on améliore le service et qu’on sait utiliser les nouvelles technologies. Au-delà de cet effet « wahou » dont on peut critiquer la pertinence, n’y aurait-il pas autre chose ? La première application que veut mettre en place la mairie, c’est un système de recommandation. Nous l’avons déjà évoqué, il y a plusieurs raisons d’en développer un. Peut-être les lecteurs se plaignent-ils de ne pas trouver chaussure à leurs pieds ou ont émis le souhait d’une interface plus personnalisée quand ils consultent le catalogue et leur compte. C’est ce à quoi répond un moteur de recommandations. Alors bien sûr, il serait préférable d’expliquer les tenants et aboutissants aux bibliothécaires pour qu’ils collaborent. Mais dans la vie, tout ne se déroule pas toujours comme il faudrait.

Deuxième étape : trouver ou produire les données

Après avoir fait quelques recherches pour trouver la meilleure manière de répondre au problème avec de l’IA, la deuxième étape consiste à collecter les données. Plusieurs sources sont possibles. Des IA comme ChatGPT...

Première étape : récupération des données

Max et Tania visent la même chose : satisfaire les lecteurs avec ce moteur de recommandations, donc le rendre visible. Il leur faudra se munir de patience. Pour l’instant, ils ne sont qu’au début du projet.

Imaginons sous une forme simplifiée une mise en place potentielle de ce moteur de recommandation. Les étapes par lesquelles est passé Max vont se retranscrire sous la forme des symboles multicolores qui ont effrayé Soraya. D’abord, il s’agit de récupérer les données, ce qui pourrait revenir à ce texte :

historique_des_utilisateurs = va_chercher_historique()  
notations = va_chercher_notation() 

historique des utilisateurs et notations représentent différentes informations. Ce sont nos caractéristiques, nos variables explicatives.

Deuxième étape : nettoyage des données

Ensuite, il faut nettoyer ces éléments obtenus.

notations_nettoyées = nettoyer(notations) 

Nous appliquons une fonction nettoyer qui permet d’enlever les valeurs aberrantes dues à des erreurs de saisie ou de données. Cette fonction pourrait avoir été développée par Tania dans un autre fichier ou par un code provenant d’une source externe.

Troisième...

Les algorithmes au cœur de l’IA

Continuons à plonger dans les méandres de la conception des IA en explorant plusieurs concepts.

Avec l’apprentissage automatique, on construit un modèle. Pour obtenir celui-ci, on va se servir de ce qu’on nomme des algorithmes. Un algorithme représente une suite finie d’instructions logiques qu’on fournit à un ordinateur pour qu’il les exécute et réponde ainsi à une situation définie. Notre problème à nous est de dégager du sens d’un groupe de données.

Nous allons reprendre le cas du jeu de Go. À partir de l’historique des duels entre les pierres blanches et noires que la machine possède, il nous faut trouver le pourcentage de réussite de telle ou telle action. Un calcul comme celui-ci constitue un ensemble méthodique qu’on peut qualifier d’algorithme.

Puisque rien ne vaut un schéma, étudions celui-ci qui représente la partie entraînement de l’apprentissage automatique.

On a des données, on y applique un algorithme qui détecte une structure dans celles-ci et la range dans un modèle.

Voyons voir maintenant l’exploitation de ce modèle dans la partie nommée « inférence ».

Nous avons maintenant notre modèle et nous pouvons nous en servir sur de nouvelles données....

L’IA et l’intelligence

Maintenant que nous avons parcouru quelques méandres de l’IA, revoyons les métaphores qu’on utilise pour en parler. Ce sera l’occasion de contrer une bonne fois pour toutes les fantasmes qui plombent la discipline.

Non, l’IA n’est pas intelligente. Il est hasardeux de définir ce qu’est l’intelligence, mais une chose est sûre : l’IA ne nous ressemble pas. Elle ne s’apparente pas à de l’intelligence humaine. Il en est de même pour l’intelligence animale. Peut-être qu’un jour l’IA se confondra en apparence avec une vraie personne. Mais on ne peut que difficilement qualifier cet amas de code d’intelligent. C’est d’ailleurs pourquoi certains experts du domaine préfèrent parler d’intelligence augmentée. Il a même été longtemps tabou dans les équipes de scientifiques et ingénieurs des données d’employer le terme « intelligence artificielle ». Il renvoyait sans doute beaucoup trop à des machines capables de tout décider par elles-mêmes.

Les applications que nous évoquons ne feront jamais rien d’autres que ce pour quoi elles ont été codées. Les données influenceront certainement leurs...