Objectif IA : initiez-vous à l’intelligence artificielle

Skynet dans la série de film Terminator, JARVIS créé par Tony Stark ou encore EDI, SAM ou les Moissonneurs dans les différents jeux vidéo Mass Effect, l’intelligence artificielle est sujet qui fait rêver le monde autant qu’il lui fait peur. A l’heure où les IA de nos téléphones nous suggèrent des articles de presse tout en nous proposant des publicités ciblées, comment peut-on vraiment définir l’IA, quels en sont les enjeux et comme une IA voit-elle vraiment le jour ?

L’intelligence artificielle, qu’est-ce-que c’est ?

L’intelligence artificielle est technologie que tout le monde utilise au quotidien, la plupart du temps sans s’en rendre compte. Les exemples les plus flagrant sont les fils d’actualité des réseaux sociaux qui proposent du contenu personnalisé choisit en fonction des publications que l’on a aimé, de notre localisation ou de nos centres d’intérêts, les publicités ciblées, les recommandations d’articles ou encore le tracé du meilleur itinéraire en fonction de différents modes de transport, des accidents, du trafic ou des préférences de l’utilisateur.

L’intelligence artificielle, c’est toute technologie informatique qui permet de résoudre des problèmes complexes qu’on aurait cru réservés à l’intelligence humaine.

Cédric Villani

Les applications futures de l’IA sont aussi nombreuses que celles déjà existante, les plus évidentes étant la gestion des appareils connecté d’une maison à la voix ou encore les voitures autonomes.

Quand on parle de big data on parle d’un volume massif de données, chacune d’entre elles porteuses de plusieurs informations traitées par des programmes. L’analyse de ces données a donné lieu à la création de la Data Science. Les outils principaux outils de la data science sont :

  • Le machine-learning, qui permet l’apprentissage automatique à partir d’un grand nombre de données
  • Le deep-learning, qui est une sous-catégorie de machine Learning, impliquant des réseaux de neurones artificiels et des volumes de données encore plus important et plus complexes.

Pour mettre en place le ML ou le DL, on utilise des algorithmes qui sont une suite d’actions permettant un de fournir un résultat qui répond à un problème donné.

On confond souvent l’IA et la robotique, alors que cette dernière revêt un aspect purement mécanique.

Toute technologie informatique algorithmique qui permet de résoudre des problèmes complexes qu’on aurait cru réservés à l’intelligence humaine, en simulant des capacités humaines comme la perception et le raisonnement.

La citation de Cédric Villani, mise à jour

De nombreux mythes existent sur l’IA :

  • L’IA serait meilleure que l’IH (intelligence Humaine) alors qu’elle est spécialisée et sens commun, on parle d’IA étroite, opposée à l’idéale de l’IA générale.
  • L’IA fonctionne comme un cerveau humain, non l’IA ne simule pas de cerveau.
  • L’IA est consciente et a des émotions, non il s’agit simplement de simulations d’émotions, des réactions prédéfinit qui permettent une meilleur expérience utilisateur
  • L’IA c’est comme dans Terminator, peut importe la technique utilisée pour l’IA, son comportement ne dépendra que de l’humain qui l’a créée et c’est lui qui en portera la responsabilité.

Toute technologie informatique algorithmique qui permet de résoudre des problèmes complexes qu’on aurait cru réservés à l’intelligence humaine, en simulant des capacités humaines comme la perception et le raisonnement, sans toutefois accéder à la notion de conscience.

Dernière mise à jour de la citation de Cédric Villani

Les enjeux de l’IA

L’IA a permis la création d’une multitude de projet au service du bien. Ce genre d’initiative se regroupe dans des événements comme « AI for good » un programme annuel des Nations Unies. On y trouve toute sorte d’IA dans des domaines variés comme :

  • La santé avec des systèmes de diagnostics, d’anticipations des personnes à risques et d’aide à la prise de décision.
  • L’éducation avec des systèmes pour aider à écrire ou à lire.
  • L’environnement, avec des systèmes de prédictions de crises ou d’analyse d’image pour nettoyer les océans.

Le développement de ce genre de système ne doit pas être dépourvus d’éthique, que ça soit vis-à-vis de la protection des données personnelles, de la surveillance de masse comme en Chine, des deepfakes et de la désinformation, de la simple consommation énergétique de ces systèmes ou encore vis-à-vis des biais que peuvent produire les algorithmes conduisant à des résultats discriminants.

Un sujet de débat concernant l’IA et l’éthique porte sur les implications du développement de l’IA, et le remplacement des métiers humains par des robots permettant d’automatiser les tâches répétitives dans les usines par exemple. Des rapports alarmistes ont vu le jour il y a plusieurs années, en indiquant que 50% des emplois serait remplacé par des IA en deux décennies, cependant nous constatons aujourd’hui que ce n’est pas arrivé, seul 14 % des emplois ont disparu, et l’on a constaté plus de mutation d’emploi que de disparition. Ce changement de mode travail conduit au développement de la formation continue, qui permet au monde du travail de suivre le progrès technologique en faisant évolué les métiers et en en créant de nouveaux. On voit également l’idée de revenu universel se développer face à la montée en puissance du travail des machines.

Un projet IA comment ça marche ?

Un projet utilisant une intelligence artificielle se base sur ces étapes :

  • L’analyse avec une équipe d’expert métiers, de spécialistes IA et de chargés de gouvernance (politique de sécurité, juridique, écologique), qui permet de réaliser un cadrage performant et complet ;
  • La récupération de la data en veillant à récupérer un maximum d’information même si elle semble inutile de prime abord
  • Le nettoyage de la data, en remplaçant les données manquantes (capteurs en panne) ou aberrantes (erreurs d’un capteur qui donne des valeurs impossibles) par des valeurs statistique (amputation statistique) ;
  • L’exploitation/ la fouille des données, aussi appelée data mining et qui peut faire un appelle à de la data visualisation pour mettre en lumière certains éléments ;
  • La modélisation, c’est-à-dire la modélisation mathématique du problème afin d’alimenter une IA basée sur le machine learning ou le deep learning, qui va passée par une étape d’apprentissage puis de prédiction ;
  • L’évaluation et l’interprétation des résultats du modèle pour savoir si celui-ci est pertinent et adapté en évaluant la fiabilité des résultats lors des tests ;
  • La mise en production et la maintenance de la solution chez le client.

On trouve principalement deux techniques pour mettre en place une IA : le machine learning et le deep learning.

Le machine learning possède plusieurs manière d’entraîner un algorithme :

  • L’apprentissage supervisé, on l’on définit des critères de reconnaissance d’une donnée et il va s’entrainer sur le big data, avant de tester sa méthode sur des exemples qu’il n’a jamais vus. Il retourne alors l’étiquette lié à la data passée en entrée ;
  • L’apprentissage non-supervisé, on l’algorithme va regrouper les datas semblable entre elle, puis on identifie les groupes de données en regardant leur contenu. On test le résultat en évaluant la fiabilité de chaque groupe ;
  • L’apprentissage essai/erreur, ou apprentissage par renforcement, où un agent (l’algorithme) va interagir avec son environnement (la data) et tester des réponses possibles au problème jusqu’à trouver la bonne. On dit que l’algorithme ne prédit pas, il réessaye.

Le deep learning se base sur des réseaux de neurones artificiels convolutifs. Il s’inspire de l’architecture du cerveau sans la reproduire, avec un systèmes de trois types de couches :

  • La couche d’entrée, où l’on trouve autant de neurones qu’il y a d’informations dans la data ;
  • Les couches intermédiaires qui sont le lieu d’opération mathématiques sur les informations des couches précédentes grâce à une fonction d’activation.
  • La couche de sortie qui porte le résultat final.

Le réseau de neurone test toutes les données du big data, en se modifiant lui-même pour obtenir le bon résultat.

La notion de convolution permet de faire des analyse du big data par partie, convolution voulant dire filtrage en quelque sorte. Cela permet par exemple de reconnaitre un visage de travers, ou plusieurs visages dans une photo de groupe.

La fusion des réseaux de neurones avec le principe de convolution permet de mettre en place les Convolutional Neural Network (CNN) qui sont la base du deep learning. Attention cependant car si le deep learning est extrêmement efficace même avec des données très complexe, il requiert un hardware performant et un impact écologique conséquent.

Sources

Comment

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *