START Aime : L’IA décryptée par Antoine Dubois



Antoine Dubois

« Tout le monde est dingue de l’IA parce qu’on arrive à égaler voire dépasser les humains dans certaines tâches »

Un mot sur vous d’abord, parlez-nous de votre parcours.

Ingénieur de formation, j’ai toujours fait, ce qu’on appelait il y a 20 ans de l’informatique. Ensuite c’est devenu du web, maintenant c’est du digital et de plus en plus, j’entends de la deeptech, mais globalement c’est toujours la même chose. Aujourd’hui, je dirige Atawao Consulting, une société de conseils spécialisée dans la transformation digitale et le pilotage de projets technologiques.

L’une de vos expertises c’est l’IA, pouvez-vous nous dire ce qu’est l’Intelligence Artificielle exactement ?

L’intelligence artificielle est un terme qui est apparu dans les années 50 et qui consiste à essayer de reproduire l’intelligence humaine du point de vue informatique. Ce qui s’est passé dans les années 50, c’est qu’on a identifié des modèles mais nous n’avions ni les ordinateurs ni les données pour résoudre les problèmes alors ça s’est arrêté. Ensuite, dans les années 80, avec l’arrivée du PC, est apparu le terme de Machine Learning, c’est-à-dire la capacité des machines à apprendre toute seule sans programmation, mais là-encore il manquait quelque chose, nous avions le matériel mais pas les données. Dans les années 2000 avec Internet, est arrivé le terme de Deep Learning, c’est-à-dire la capacité à faire de l’Intelligence Artificielle avec beaucoup de données et une grande puissance de calcul. Voilà pour l’historique et la sémantique.

Aujourd’hui, l’IA c’est essentiellement du Deep Learning et tout le monde en est dingue parce qu’on arrive à égaler voire dépasser les humains dans certaines tâches, ce qui ouvre la voie à un remplacement de métiers et d’activités par cette intelligence.

Comment ça marche exactement ?

On peut assimiler le fonctionnement de l’IA à la capacité qu’à la machine à reproduire les 5 sens. Aujourd’hui l’intelligence artificielle est capable de reproduire la vision. Dotées d’excellentes capacités d’analyse basée sur la perception visuelle, les machines arrivent de nos jours à un niveau de performance bien meilleur que celui des humains dans ces domaines comme conduire par exemple. Le deuxième sens qu’on arrive à reproduire c’est l’ouïe et tout ce qui est traitement automatique de la parole et du langage. Actuellement, un ordinateur est capable de reproduire ces deux sens mais incapable de reproduire le sens du toucher ou celui de l’odorat, cela dit il y a très peu de tâche à part les Nez qui sont basés sur l’odorat. Voilà pourquoi on dit de l’IA que c’est une révolution !

La deuxième chose qu’il faut comprendre, c’est que quand le cerveau travaille, il fait 3 types de tâches cognitives :

- La perception d’abord. Vous êtes dans une voiture, vous conduisez et le long de la route vous voyez un chien. En termes de perception, vous savez que vous êtes sur une route et vous savez que l’animal que vous voyez est un chien car vous en avez déjà vu auparavant.

- La compréhension ensuite. Notre cerveau a besoin de comprendre où il est donc il a besoin de comprendre que le chien est un animal – ce qui n’est pas écrit sur le chien – et que puisque c’est un animal il est imprévisible et pourrait sauter sur la route et provoquer un danger. Ça, aujourd’hui, aucun système d’IA n’est capable de mener ces tâches de compréhension si on ne lui a pas appris qu’un chien à côté d’une route c’est dangereux. C’est ce genre de choses qui arrêtent actuellement les véhicules autonomes Google qui ne savent pas doubler une voiture garée en double file ou reconnaître un humain à côté de la route qui est dans une tranchée.

- Enfin, la troisième chose que fait notre cerveau c’est prendre des décisions. Revenons à notre exemple, si vous êtes seul dans la voiture, vous allez freiner, mais si vous transportez quelqu’un derrière qui est blessé et que vous devez amener au plus vite à l’hôpital, vous allez accélérer et prendre le risque d’écraser le chien. La décision va être différente en fonction du contexte, et cela, aucune IA au monde ne peut la prendre seule.

C’est pour cela que le modèle dominant de l’IA aujourd’hui c’est le Deep learning. En effet, à partir du moment où vous avez énormément d’exemples à montrer à la machine, elle va pouvoir accomplir certaines tâches avec beaucoup plus de précision. C’est le cas de l’analyse radiologique. Il a été démontré que les plus grands radiologues avaient un taux de réussite de 98% quand l’IA dépassait les 99%. Pourquoi ? Parce que lorsque l’homme a vu 500 ou 1000 radios dans sa vie, la machine, elle, en a enregistré 1 million.

Quelles sont ses limites alors ?

Le principal problème c’est que nous, nous fonctionnons très bien en ayant vu une centaine de radios et nous pourrons toujours fonctionner aussi bien si l’on change ce système de radiologie. L’IA, lorsque vous changez la forme ou la couleur de la radio, son niveau de détection arrive à 0. C’est ce qu’on appelle l’inférence bayésienne. Je vais prendre un autre exemple, si l’on vous montre l’image d’un chat et d’une valise, vous comme l’IA allez pouvoir dire que vous voyez un chat et une valise. Si l’on vous demande si le chat entre dans la valise, vous, humain, vous allez pouvoir répondre selon la taille du chat et celle de la valise car cette question fait appel à votre sens de la proportion. Or, aucune IA ne peut répondre à cette question si on ne lui a pas inculqué le sens de la proportion. Donc le premier problème évident de l’IA est sa capacité de compréhension assez limitée à partir du moment où l’on sort du cadre d’apprentissage.

Le second problème, c’est l’effet boite noire, c’est ce qu’on appelle l’explicabilité. Aujourd’hui, un réseau de neurones n’est pas capable d’expliquer son raisonnement ni dire pourquoi il a répondu telle chose à telle question. Et cela pose plein de biais.

Le troisième problème de l’IA c’est l’acquisition de l’expérience. Ça s’appelle la généralisation et aucune IA ne peut, actuellement, généraliser un problème.

Enfin, le dernier point majeur c’est la performance énergétique. Nous avons dans le cerveau la puissance d’une ampoule de 60 Watts, quand il faut une énorme puissance de calculs pour atteindre les niveaux de performance de l’IA actuelle.

Où en sont les recherches aujourd’hui ?

Ces dernières années, les travaux de recherches portent sur deux axes, l’amélioration des performances avec plus de données, ce qui représente 99% de l’IA actuelle et la recherche de nouveaux modèles à partir d’un raisonnement déductif (comprendre) cette fois-ci et non inductif (voir). Pour faire du raisonnement déductif, il faut trois autres modèles, ils existent mais pour le moment on ne sait pas bien comment les coder. C’est notre capacité à changer d’avis en fonction des informations supplémentaires - cette fameuse inférence bayésienne – et notre capacité à créer un arbre de connaissance qui peut évoluer avec le temps.

Et en France, où en sommes-nous ?

Nous sommes très en retard. Beaucoup trop à mon sens, et les évènements qui se multiplient ici et là ne sont pas suffisants pour inverser la tendance. Ce qu’il nous faut c’est des informaticiens mais ceux-ci comme tous nos talents dans les autres domaines sont malheureusement happés par les numéros 1 de l’Intelligence Artificielle dans le monde, les Etats-Unis, le Canada, Israël, le Royaume-Uni ou encore l’Allemagne.

12 vues

CONTACT

arrow&v

Pour consulter et exercer vos droits veuillez consulter notre politique de confidentialité

Copyright 2020 Riviera Press

logo%20Marque%20bleu_edited.jpg
  • Linkedin Riviera Press
  • YouTube Riviera Press