Intelligence artificielle: où en sommes-nous?

mercredi, 20.12.2017

Xavier Comtesse, mathématicien, digital shapers

Il est difficile pour le citoyen lambda de savoir ce qui se passe réellement dans le domaine de l’intelligence artificielle tant les récits publiés dans les médias racontent tout et n’importe quoi.

Faisons donc le point de l’état des connaissances actuelles.

En premier lieu, il faut comprendre ce que l’on est capable de faire faire aux machines (en fait au software) dans le domaine de l’intelligence artificielle. Les grands progrès sont aujourd’hui surtout réalisés dans un champ restreint, appelé «Machine learning».

Ce sont des algorithmes capables d’auto-apprentissage en mode supervisée. Grosso modo, on donne aux ordinateurs beaucoup de données (Big Data) et des règles d’analyse et l’on corrige la machine en fonction des résultats produits. Plus il y a de données ou d’expériences, plus la machine fait des progrès (d’où le terme «auto-apprentissage supervisé»). Bref l’ordinateur n’est pas si autonome que cela. Il a besoin de l’homme pour apprendre.

La machine autodidacte bat la machine auto-apprenante

Sauf que récemment, la société DeepMind, appartenant à Google, a mis au point un nouveau type d’apprentissage basé davantage sur les règles que sur les données. L’idée étant que le software peut apprendre sans trop de données mais avec des règles fondatrices en faisant beaucoup d’erreurs... jusqu’à en faire très peu ou plus du tout.

Ce système dit «autodidacte» est aussi de type supervisé mais non pas par correction humaine mais grâce à un renforcement automatique des résultats positifs. Le système apprend, en quelque sorte, de ses erreurs. L’homme devrait peut-être s’en inspirer!

AlphaGo Zero après seulement trois jours d’entraînement (plus de 5 milliards de parties) en autodidacte, a battu la version de 2016 d’AlphaGo, le fameux programme qui avait vaincu le champion du monde du jeu de Go.

Pour s’entraîner, AlphaGo Zero joue contre lui-même en partant de zéro, sans autre connaissance sur le go que les règles fondamentales du jeu. Contrairement à AlphaGo, il n’a donc pas eu besoin de données issues de ses confrontations avec des joueurs humains pour devenir imbattable.

Si c’est une révolution pour la recherche scientifique, ces nouvelles techniques peuvent être appliquées à beaucoup d’autres domaines, cela pourrait résoudre des problèmes bien plus complexes dans la finance (assistant intelligent), le management (consultant permanent) ou l’opérationnel comme la réduction de la consommation d’énergie ou encore en science avec la recherche de nouveaux matériaux révolutionnaires.

Pas de panique non plus: si les avancées dans ce domaine peuvent sembler extraordinaires, il faut rappeler que ces programmes sont loin de l’intelligence humaine ou même animale. Ils sont ainsi entièrement dédiés à une tâche unique pour laquelle ils ont été conçus. Ils n’embrassent pas tous les problèmes et même pas deux simultanément.

C’est bien l’une des limites de ces apprentissages, il est supervisé. Ici, pas en nourrissant le programme de données (Big Data) provenant d’êtres humains mais avec un système de récompense qui permet à l’algorithme de s’améliorer. Pour l’instant du moins.



 
 
agefi_2017-12-20_mer_02

Testez notre nouvelle App smartphone


 

...