Évolutive plus que révolutionnaire, l’intelligence artificielle commençait à faire parler d’elle aux États-Unis dans les années cinquante. Alan Turing se demandait alors si une machine pouvait penser. Les avancées fulgurantes de ces dernières années de l’intelligence artificielle sont attribuables à la puissance de calcul algorithmique démultipliée des ordinateurs, à l’avènement des cartes graphiques et du big data.
L’INTELLIGENCE ARTIFICIELLE DANS NOTRE QUOTIDIEN
Assistant vocaux, pilotage automatique de voiture, aide au diagnostic médical, reconnaissance d’images, traductions tenant compte du contexte, prédiction financière, l’IA nous embarque dans le futur.
Le monde du marketing digital a les yeux rivés sur cette technologie capable de déclencher des chatbots (agents conversationnels), de modérer des réseaux sociaux, de prédire et d’évaluer des goûts musicaux, littéraires, vestimentaires ou culinaires de l’internaute pour lui adresser des recommandations personnalisées. Le timbre de voix de l’utilisateur renseignera bientôt jusqu’à l’humeur de l’utilisateur.
Comme lors de l’arrivée de l’électricité, son implémentation dans tous les milieux économiques au travers des machines et appareils électroniques connectés devraient encore davantage impacter notre quotidien dans les années à venir.
LE MACHINE LEARNING
Par machine learning, on entend un ensemble de techniques d’apprentissage automatique simulant le processus cognitif humain. Les machines sont désormais capables d’apprendre par elles-mêmes.
Apprentissage supervisé et deep learning
Initialement, l’apprentissage automatique supervisé est fondé sur l’identification des choses. En quelques mots, cela consiste à doter le système d’un algorithme d’apprentissage et d’une matrice faite de caractéristiques (features), de mesures, et d’étiquettes pour lui permettre de reconnaître ce qu’il va découvrir.
Le deep learning a révolutionné l’apprentissage supervisé avec une technologie de réseaux neuronaux multicouches qui permettent automatiquement émerger une représentation hiérarchique des choses et de faire émerger les caractéristiques. Cela aboutit à une modélisation des objets pour les identifier.
Apprentissage non-supervisé
L’apprentissage automatique non-supervisé s’utilise pour résoudre des problèmes simples en calculant des données et en effectuant des tris entre les éléments qui se ressemblent, par exemple pour suggérer des titres proches des derniers morceaux de musique que vous avez écouté.
Il s’appuie aussi sur des réseaux neuronaux et des algorithmes mais sans nécessité de caractéristiques et d’étiquettes. Le système se débrouille seul. C’est très proche du mode d’apprentissage naturel humain.
ENJEUX AUTOUR DE L’IA
Supervisées ou non, les machines parcourent les bases de données à leur portée pour parfaire leur apprentissage. Elles compilent et analysent les informations pour développer leur propre matrice de « savoir ». Plus le volume de données est important, plus son efficacité sera conséquente.
Au plan technique, les challenges d’avenir seront donc portés sur l’accessibilité et le perfectionnement de bases de données sur lesquelles travailleront les systèmes d’IA.
Au niveau éthique, la robotique a toujours nourri une peur viscérale que la machine prenne le pouvoir sur lui et largement inspiré le cinéma de science-fiction.
Les systèmes actuels sont programmés pour une effectuer une tâche spécifique -mieux que l’homme- mais ne dispose pas d’intelligence globale. D’autre part, la route est encore bien longue avant que le monde scientifique maitrise l’apprentissage non-supervisé dans le cas de problèmes complexes. Nous devrions être tranquilles encore un moment avant de croiser des humanoïdes dotés de sentiments dans notre salon.
Dans l’immédiat, le risque majeur est bel et bien éthique, voir juridique. Il concerne l’abus des données utilisateurs et le renforcement de leur protection qui est plus que jamais d’actualité.
