Les promesses de l'IA : que peut-on en attendre ?

L’apprentissage supervisé

Soraya va-t-elle perdre son travail ? Elle se rend chez Nico pour en savoir plus. Est-elle en droit de s’inquiéter ? Pour répondre quelque peu à cette question, réfléchissons à ce que nous pouvons attendre de l’IA en général. Commençons par évaluer les différentes manières d’apprendre à une machine et leurs capacités. Il existe différents types d’apprentissage automatique qu’on peut catégoriser. Tous n’ont pas la même puissance.

Le premier fortement utilisé et qui remporte un grand succès, c’est l’apprentissage supervisé. C’est celui qui sous-tend presque toutes les applications que nous avons déjà croisées : retouche photos, générateur d’histoires ou ChatGPT. Le principe se joue en deux phases : une dite d’entraînement et une autre appelée « inférence ». Dans l’entraînement, l’IA se nourrit d’une importante quantité de données et en déduit des structures qu’elle agglomère dans un modèle.

L’apprentissage supervisé se sert d’informations du passé ou d’un environnement donné pour les appliquer dans un autre. Dans le cas de la retouche d’images, l’IA a visionné un nombre conséquent de photos où les pixels avec des humains lui étaient indiqués. Elle en tire une formule mathématique. C’est celle-ci qu’on nomme « modèle ».

Le modèle capture ce qu’il a compris de la réalité. Cette dernière étant complexe, il s’appuie sur une représentation probabiliste. Ainsi, si un lot de pixels les uns à côté des autres d’une même teinte et d’une même forme représente souvent une forme humaine, il retiendra une information du style : 80 % du temps, il s’agit là d’une...

Fonctionnement des réseaux de neurones

Julie évoque le concept de réseaux de neurones. On en a beaucoup entendu parler comme la réponse magique à tous nos problèmes. Enfin, la solution pour parvenir à l’IA forte se trouvait là. Avec ce concept, vient aussi celui d’apprentissage profond. Comme à chaque fois, rien de sorcier dans ces théories et pour le prouver voyons voir ce qui se cache derrière et ce que nous pouvons en espérer.

Nous avons dit que les IA génèrent un modèle. C’est en s’appuyant sur celui-ci qu’elles peuvent effectuer la phase d’inférence. Ce modèle, c’est en fait une fonction.

Retenons cette affirmation : un modèle est une fonction au sens mathématique du terme, c’est-à-dire une formule qu’on peut réutiliser dans plusieurs contextes. La particularité, c’est qu’il ne s’agit pas uniquement de nombres, mais aussi de propositions.

Puisque les réalités sont multiples et complexes, il existe différentes formes de fonctions. Pour les construire, le principe reste cependant le même : lire une grande quantité de données et les agréger dans cette dite fonction.

Les experts ont longtemps cherché à représenter notre savoir en imitant ce qui se passe dans nos cerveaux ou dans notre manière de raisonner. Ainsi, une célèbre fonction, encore beaucoup utilisée, c’est celle de l’arbre de décision.

Il prend cette forme :

Si deux pierres sont en atari...

Objectifs de la recommandation

Dans la même lignée, la fameuse Julie, que Soraya regarde d’un œil effrayé, parle de moteurs de recommandation. Nous les avions quelque peu évoqués quand Soraya cherchait un programme sur Netflix. Penchons-nous davantage sur les principes qui régissent ce domaine et leur rapport au monde plus vaste de l’apprentissage automatique et de l’intelligence artificielle.

Le but d’un moteur de recommandation est de pousser du contenu personnalisé. Pour cela, il va essayer de prédire ce qu’un individu aurait regardé, écouté ou lu avant qu’il ne le fasse. Quel intérêt à proposer une action qu’un utilisateur avait de toute manière l’intention de faire ? C’est là la particularité des moteurs de recommandation dans l’écosystème de l’intelligence artificielle. Ils doivent apporter un petit grain de sel qui fait qu’il pousse du contenu à une personne qui n’y aurait pas pensé. Et puis, il facilite les choses. Une spectatrice n’a peut-être pas la patience de chercher pendant dix minutes dans le vaste catalogue de Netflix. Lui mettre sous les yeux une série intéressante évite qu’elle parte à la concurrence qui lui économiserait ce temps et cet effort.

Fonctionnement de la recommandation : approche par contenu versus approche collaborative

Il y a deux grandes manières de construire des systèmes de recommandation. La première se fonde sur l’approche par contenu. Prenons le cas de la bibliothèque. Parmi la masse de livres, de nombreux rassemblements peuvent être faits : science-fiction du XIX^e siècle, romance pour jeunes adultes ou encore ouvrages d’informatique pour développeurs et développeuses. Ces groupes peuvent devenir une base pour la recommandation. On peut par exemple proposer à quelqu’un qui a l’habitude de dévorer des histoires d’IA des documents de la même catégorie. Quelqu’un qui a lu Musso lira Léyy. Quelqu’un qui a lu tous les écrits de Levy lira celui qui sort aujourd’hui. Cette méthode a l’avantage d’être claire et facilement explicable....

Les voitures autonomes sont-elles pour demain ?

Soraya sort contrariée de sa journée de travail et croise sur le chemin une Tesla. Cette rencontre la fait réfléchir aux voitures autonomes, c’est-à-dire des véhicules capables de se passer de conducteur. Elle pense même à une application dont elle a entendu parler : celles des taxis sans chauffeurs. Alors qu’en est-il de ce monde-là ? Sur quoi se base-t-il et que peut-on en attendre ?

Plusieurs entreprises travaillent sur ces systèmes, dont Tesla que nous avons citée, mais aussi General Motors ou Uber. Navya à Lyon s’y est essayé. Pendant plusieurs mois, il était possible de suivre une partie des quais de Saône à bord d’un mini bus. Merveilleux ? Pas vraiment. Navya a déposé le bilan. Fin de l’aventure.

Dans les faits, monter dans les véhicules de cette entreprise revenait à effectuer un trajet lent et long avec des arrêts inattendus. Quant à l’idée de taxis sans chauffeurs, nous en étions loin puisqu’en réalité une personne surveillait tout ce que faisait la voiture et en reprenait même le contrôle à certains moments. C’est ce qu’on pourrait appeler avec un peu de cynisme un conducteur ou une conductrice. Est-ce à...

Les IA sont des programmes spécialisés

Nous avons parcouru bon nombre de cas d’usage et nous sommes interrogés sur leurs capacités, les futurs qu’ils promettent, mais aussi leurs limites. Nous avons vu cela en détaillant plusieurs applications. Intéressons-nous maintenant aux limites générales de l’IA.

D’abord, les IA du monde réel sont spécialisées. Cela signifie qu’il n’y a pas de système complet. Même ChatGPT ne se concentre que sur un domaine en particulier. En comparaison, les humains sont des IA générales. Peut-être savons-nous moins bien que ChatGPT résumer un texte, mais en plus de cette capacité, nous savons recommander un livre à une amie ou conduire une voiture. Nous avons de plus un corps qui nous permet de nous mouvoir.

Les IA reposent sur des statistiques

Une autre limite tient au fait que les IA d’aujourd’hui reposent sur des statistiques, ce qui en fait des systèmes probabilistes qui se tromperont toujours. Il en est finalement de même pour les gens. Et dans beaucoup de cas, ce n’est pas forcément grave. Le problème s’avère plus sérieux dans des contextes médicaux ou légaux par exemple. Notre société a besoin de blâmer quelqu’un en cas d’incident.

Comme pour les voitures autonomes, la question est de savoir si on préfère vingt morts par an suite à une erreur humaine avec un coupable identifié ou cinq...