Avec l’avènement des modèles de sociétés ultra connectées et l’émergence croissante de formes diverses et variés d’intelligences artificielles, nous allons pour sûr être les témoins privilégiés de bouleversements profonds au sein de nos sociétés modernes.

Intelligence artificielle (IA), entre mythe et réalité, que faut-il vraiment retenir ?

Aujourd’hui, il est certain que les impacts liés à l’exploitation de technologies basées sur l’intelligence artificielle se font de plus en plus sentir, néanmoins celle-ci reste source de nombreux fantasmes, souvent véhiculés par certaines œuvres cinématographiques ou littéraires qui viennent peut-être biaiser notre perception de l’IA. Peut-on alors en donner une définition simple ?

Hé bien pas vraiment !

Dans ces représentations artistiques et culturelles, l’intelligence artificielle fait souvent l’objet de surinterprétations. « Ex machina » d’Alex Garland en est un exemple. Ancré dans un univers contemporain au nôtre, un savant/génie conçoit une IA dont les capacités cognitives sont presque en tous points identiques à celle de l’Homme ; à tel point que celle-ci se voit être implantée dans le corps d’une des protagonistes. Dès lors, à partir du moment où l’imaginaire collectif se saisit de telles représentations, il est facile de prêter à l’IA des capacités qu’elle n’a pas (ou tout du moins pas encore).

Ne soyez pas déçus pour autant ! Les modèles d’IA actuels ne consistent pas uniquement en la recherche d’une reproduction des facultés cognitives humaines. A titre exploratoire, il nous faudra aborder ces différents niveaux afin de saisir le concept d’IA tel qu’elle existe aujourd’hui.
Dans une acception primaire, l’intelligence artificielle telle que nous l’employons aujourd’hui, peut se définir par toutes les techniques d’apprentissage automatisées faisant appel à un algorithme, aussi appelé modèle, dont la construction est basée sur différents principes mathématiques comme la régression logistique entre autres.

L’IA est-elle partout la même ? Qu’est-ce qu’elle permet vraiment de faire ?

Bien évidemment, il n’existe pas qu’une seule technique de modélisation assimilable à de l’intelligence artificielle. Nous pouvons également citer « le Random Forest » (se basant sur le principe des arbres décisionnels) ou encore « les réseaux de neurones ». Il n’existe pas une technique de modélisation meilleure qu’une autre, mais chaque technique sera plus ou moins performante dans un cas de figure bien particulier. Dans les faits, « les réseaux de neurones » surpassent de très loin « le Random Forest » et « la régression logistique» lorsque les quantités de données sont très importantes (l’échantillon d’apprentissage) mais perd rapidement de sa superbe quand les données sont succinctes.

L’inconvénient majeur, concernant ces modèles cités ci-dessus, c’est qu’ils ne seront spécialisés que dans l’exécution d’une tâche cible : définir un ensemble de client spécifique, plus exemple. C’est ce que l’on appelle une intelligence artificielle faible ou NAI : « Narrow artificial intelligence » qui s’oppose dès lors aux intelligences artificielles fortes aussi appelées GAI : « General Artificial intelligence ».

A contrario des modèles NAI évoqués précédemment, une intelligence artificielle forte serait une intelligence présentant une dimension plus généraliste, c’est-à-dire dont les capacités ne se limitent pas à l’exploitation d’un sujet spécifique et limité. Pour illustrer ce point, nous pourrions imaginer un algorithme (IA) de reconnaissance faciale qui serait, au-delà de sa fonction première, capable de battre Kasparov aux échecs sans qu’il ait eu besoin de la programmer en amont. Cette dernière serait capable de comprendre, d’analyser et d’établir de nouvelles stratégies pour battre son adversaire. Actuellement, nous sommes loin d’avoir atteint un niveau technologique suffisant pour créer ces formes d’intelligence adaptable et créative.

Cette dernière anecdote, véridique, est le parfait exemple des fantasmes qui peuvent naitre autour de l’IA. Deep Blue était un superordinateur, très puissant pour l’époque, spécialisé dans le jeu d’échecs, et connu pour avoir battu le champion du monde de l’époque Garry Kasparov en 1997. C’est la toute première fois qu’une machine battait un humain dans le jeu d’échec. Fait notable, Deep Blue n’a en rien créé de stratégie spécifique pour battre Kasparov. Son principe est en effet relativement simple : Deep Blue simule le plus de scénario possible (200 millions de position par seconde) et va donc jouer le coup avec le gain le plus important, c’est ce que l’on appelle la recherche exhaustive. Sachant que les gains ont été mis à la main dans l’algorithme (la reine vaut tant de point, la tour tant, etc.). Ceci n’étant possible que grâce au nombre de calcul possible de la machine. Est-ce que la machine a créé quelque chose ? Absolument pas.

Or, à ce moment-là, un autre jeu de plateau était dans ligne de mire de ce genre d’algorithme : le jeu de Go. Seul obstacle concernant le jeu de GO la recherche exhaustive n’est pas exploitable dans la mesure où il y a 10170 scénarios possibles ; concrètement : bien plus que le nombre de particules dans l’univers (≈1080). Il était simplement impossible de calculer et de stocker tous ces cas de figures. Jusqu’en 2015, les algorithmes n’arrivaient à luter que contre des amateurs, et encore, avec des handicaps. C’étant sans compter l’arrivée d’AlphaGo utilisant des techniques avancées de Machine Learning.

Pour faire court, l’algorithme s’est entrainé sur un grand nombre de match déjà réalisés par des joueurs professionnels humains, 170 000 pour être exact, en utilisant l’algorithme de « La recherche arborescente Monte-Carlo ». Ainsi, avec l’ensemble de ces données, il « savait» quel serait le coup idéal à jouer par rapport à telle ou telle situation. Lors d’un match opposant AlphaGo et Lee Sedol, l’un des meilleurs joueurs mondiaux, l’algorithme a effectué un coup très spécifique considéré au début comme une erreur par les spécialistes ; mais qui s’est révélé être la clé de la victoire d’AlphaGo. C’est le fameux 37ième coup de la deuxième partie qui a retourné le monde de l’intelligence artificielle (cf : https://youtu.be/xuBzQ38DNhE?t=627)

Ce cas est aujourd’hui enseigné aux différents joueurs apprenant la discipline.

Ce que démontre cette expérience, c’est que la notion de créativité n’est plus la chasse gardée de l’Homme et sera très certainement redéfinie par l’intelligence artificielle.

Dans un second article, nous verrons qu’il existe un troisième type d’intelligence artificielle théorique : la super-intelligence, et allons tenter d’anticiper ses impacts possibles & concrets sur notre société.

Par Adrien Mante, consultant chez BI consulting

Sources :

Ex MACHINA
http://www.allocine.fr/film/fichefilm_gen_cfilm=219931.html
Mélanome par l’IA
http://sante.lefigaro.fr/article/l-intelligence-artificielle-excelle-dans-le-diagnostic-du-melanome/
Regression logistique
http://eric.univ-lyon2.fr/~ricco/cours/cours_regression_logistique.html
Forêts aléatoires
http://perso.ens-lyon.fr/lise.vaudor/classification-par-forets-aleatoires/
Réseau de neurones
https://www.lrde.epita.fr/~sigoure/cours_ReseauxNeurones.pdf
Intelligence faible
https://www.techopedia.com/definition/32874/narrow-artificial-intelligence-narrow-ai
Intelligence forte
https://www.techopedia.com/definition/31618/artificial-general-intelligence-agi
Deep blue
https://www.universalis.fr/encyclopedie/deep-blue-superordinateur/
Le coup n°37 d’Alpha go
https://www.huffingtonpost.com/entry/move-37-or-how-ai-can-change-the-world_us_58399703e4b0a79f7433b675?guccounter=1&guce_referrer_us=aHR0cHM6Ly93d3cuZ29vZ2xlLmNvbS8&guce_referrer_cs=3fNj8ldEcW0kWMTO4nRQ_Q
Image utilisée:
https://fr.wikipedia.org/wiki/Intelligence_artificielle#/media/File:Carto_IA_deepLearning.svg

Article
Précédent
Article
Suivant