L’avenir de l’intelligence artificielle

31st October 2018
Posted By : Victoria Chercasova
L’avenir de l’intelligence artificielle

Si l’on réexamine les prédictions des grands médias et des analystes industriels, on obtient la confirmation que beaucoup s’attendaient à ce que 2017 soit une année importante pour l’intelligence artificielle (IA). Forbes, Deloitte, Gartner, Accenture, Digital Trends et TechRadar ont tous classé l’IA et l’apprentissage automatique parmi les tendances technologiques à suivre en 2017. 

Les articles proclamant qu’elle serait l’année de l’IA ont envahi les journaux, à partir de Fortune jusqu'à The Guardian, tandis que le quotidien américain The New York Times affirmait que « l’apprentissage automatique est appelé à réinventer l’informatique en soi ». Toutefois, comme l’IA existe depuis plus d’un demi-siècle et que la pratique consistant à faire faire aux machines le travail des humains a eu cours depuis la révolution industrielle, la question que l’on se pose est : pourquoi maintenant ?

Contrairement à ce que beaucoup pensent, l’IA n’est pas devenue une tendance technologique émergente du jour au lendemain. En réalité, des avancées simultanées dans le domaine de la compréhension théorique, l’accès à de grands volumes de données et la puissance de calcul - ainsi que la volonté de résoudre des problèmes spécifiques - ont contribué à accélérer la renaissance des techniques d’IA. En effet, l’IA s’est développée, a évolué et fait partie désormais de nos vies quotidiennes depuis les années 2000, même si une association parfaite de facteurs a significativement accéléré les choses ces dernières années.

De l’IA forte à l’IA faible

Dans les années 1950, les chercheurs pionniers de l’IA étaient convaincus que l’intelligence artificielle générale (intelligence de niveau humain, connue sous le nom d’IA « forte ») était possible et existerait dans quelques décennies. Il est néanmoins apparu évident que les chercheurs avaient beaucoup sous-estimé la difficulté de la tâche.

Des progrès ont récemment été faits en résolvant certains problèmes qui devaient l’être. Ces systèmes d’IA « faible » ou « appliquée », utilisant des techniques comme les réseaux neuronaux, la vision par ordinateur et l’apprentissage automatique, ont été largement adoptés.

Les premières implémentations d’IA portaient souvent sur le fait de rendre des ordinateurs capables de participer à des compétitions de jeux de stratégie comme les dames ou les échecs - en partant du principe que seule une machine super-intelligente pouvait battre un joueur humain très expérimenté. Avec le temps, à mesure que la puissance de calcul des ordinateurs a augmenté et que les techniques d’IA se sont développées, l’IA a néanmoins prouvé qu’elle était capable de devenir une championne de ces jeux.

En 1994, le programme informatique Chinook a gagné une partie de dames contre le multiple champion du monde, Marion Tinsley. En 2007, une version finale a été élaborée : le meilleur résultat possible qu’une personne jouant contre Chinook peut désormais espérer est une partie nulle. En 1996, le superordinateur Deep Blue d’IBM a finalement réussi à battre le champion du monde en titre d’échecs Garry Kasparov dans des conditions normales de jeu.

Combiner les réseaux neuronaux et l’apprentissage profond - AlphaGo

Après ces succès, les chercheurs en IA se sont concentrés sur le Go. Inventé en Chine il y a plus de 3 000 ans, ce jeu très complexe présente 10^170  configurations possibles - ce qui est plus que le nombre d’atomes dans l’univers connu. Son facteur de ramification beaucoup plus élevé rend les méthodes de « force brute » - c’est-à-dire construire des arbres de recherche couvrant toutes les positions possibles - bien trop difficiles à utiliser. L’entreprise Deepmind Technologies, acquise par Google en 2014, a lancé un projet de recherche pour voir avec quel degré de réussite les réseaux neuronaux utilisant l’apprentissage profond pourraient jouer au Go. Les chercheurs ont montré à AlphaGo un grand nombre de parties pour l’aider à comprendre toutes les nuances du jeu. Ils l’ont ensuite fait jouer contre lui-même des milliers de fois. Cela lui a permis de s’améliorer progressivement en apprenant de ses erreurs à travers un processus appelé apprentissage par renforcement. En 2015, AlphaGo est devenu le premier ordinateur à battre un joueur professionnel de Go (le triple champion d’Europe Fan Hui) sans handicap. AlphaGo a ensuite gagné contre le légendaire joueur Lee Sedol (champion du monde à 18 reprises). Suite à ce match, AlphaGo est classé 9ème dan professionnel, à la plus haute position existante du jeu de Go.

L’effet IA

Les jalons longuement considérés comme étant des étapes clés de la réalisation de la véritable IA sont, une fois atteints, relégués au rang de « simples calculs » et ne sont par conséquent pas considérés comme de la véritable IA. Ce phénomène décrit par Pamela McCorduck (auteure de plusieurs livres sur l’histoire de l’IA) et Kevin Kelly (rédacteur en chef fondateur du magazine Wired) est connu sous le nom de « l’effet IA » et a tendance à biaiser négativement la perception de l’IA.

Lorsque des ordinateurs tels que Deep Blue réussissent à battre des maîtres des échecs humains mais sont incapables de faire autre chose, ils répondent difficilement à nos attentes en matière d’IA super-intelligente. Comme on le fait pour les tours de magie dont on a compris l’astuce, nous avons tendance à oublier les compétences et le travail nécessaires pour réaliser ces prouesses, et donc à nier le résultat technique.

Dans le même temps, les techniques développées et éprouvées dans le cadre de recherches sur l’IA telles que la ROC (reconnaissance optique de caractères), le TALN (traitement automatique du langage naturel) ou encore la reconnaissance de formes, sont intégrées dans des applications du quotidien sans être appelées IA. Les chercheurs en IA ont remarqué que le terme de « véritable IA » désigne désormais « tout ce qui n’a pas encore été fait ».

Ce phénomène s’explique en partie par le fait que des tâches dont on pensait qu’elles nécessiteraient de l’IA forte ont pu être développées en utilisant de l’IA faible. Par conséquent, les gens ne réalisent pas à quel point l’IA s’imprègne de plus en plus dans nos vies quotidiennes, de la reconnaissance faciale dans les applis de photo et les smartphones aux unités de recommandation utilisées sur les plateformes de diffusion de contenu telles que Netflix, YouTube, iTunes ou encore Amazon, en passant par les chats de service et les assistants virtuels tels que Siri ou Alexa.

Quelle est la prochaine étape de l’IA ?

Dans son article écrit pour le Forum économique mondial en 2017, l’entrepreneuse et investisseuse en technologie Sandhya Venkatachalam soutenait que nous sommes sur le point de développer un paradigme informatique complètement nouveau, dans lequel les machines commencent à comprendre et à anticiper ce que nous souhaitons faire - et le feront bientôt pour nous.

L’IA actuelle, qui ne fonctionne que dans des domaines d’utilisation bien définis et restreints, ne ressemble pas beaucoup à l’IA forte. Les assistants virtuels peuvent comprendre le langage humain, accéder à d’immenses volumes de données et y faire des recherches et répondre aux sollicitations humaines pour fournir les réponses ou effectuer les actions demandées. En revanche, ils ne sont pas capables de nettoyer votre maison ou conduire votre voiture. De la même façon, les voitures autonomes ne peuvent pas jouer aux échecs ou préparer votre repas. Ces types d’IA peuvent faire une ou deux choses que les êtres humains savent déjà plutôt bien faire - mais ils nous font gagner du temps et peuvent finir par effectuer ces tâches mieux que la plupart des Hommes.

Sandhya Venkatachalam décrit les conditions préalables qui ont permis l’accélération de l’IA au cours des cinq dernières années. Des capteurs, des processeurs et des dispositifs de connectivité sont ajoutés partout - leurs sources, les différents types et volumes de données croissent de manière exponentielle à tel point que « les données sont en train de devenir le nouveau pétrole ». Alimenté par les données, « l’apprentissage automatique est en passe de devenir le nouveau moteur à combustion » - il prend des données brutes et se sert d’algorithmes et de modèles mathématiques pour y découvrir des motifs (patterns) implicites qu’il utilise ensuite pour déterminer si les nouveaux points de données correspondent aux résultats futurs prévus.

ADAS - tendre vers les véhicules autonomes

Une des applications clés des techniques d’IA est la technologie des systèmes avancés d’aide à la conduite (advanced driver assistance system, ADAS) qui va enfin permettre aux voitures autonomes d’occuper nos routes. Jusqu’ici, beaucoup d’ADAS ont été conçus à l’aide d’algorithmes de vision classiques. Cette technique fonctionne pour des tâches simples et indépendantes telles que la détection des voies ou l’avertissement de collision, mais alors que l’étendue des capacités des ADAS augmente, la détection et l’interprétation simultanées de l’environnement se complexifient. C’est là que l’approche flexible de l’IA/l’apprentissage automatique entre en jeu. Les méthodes d’apprentissage profond s’appuient sur des données d’entraînement permettant d’apprendre des caractéristiques visuelles ou comportementales, et surtout, l’IA peut généraliser beaucoup mieux que les algorithmes classiques, ce qui augmente sa solidité. L’apprentissage profond imite la façon dont le cerveau humain apprend, à savoir en reconnaissant des motifs (patterns) et des relations, en comprenant le langage et en sachant faire face aux situations ambiguës.

IA et sécurité

La sécurité est un autre domaine qui fait appel aux techniques de l’IA. En effet, des entreprises se servent de l’apprentissage automatique pour aider des équipes ayant de faibles ressources à mieux détecter les risques et failles de sécurité et à y répondre plus rapidement et efficacement. Dans un environnement de cybersécurité, cela peut par exemple consister à scanner le trafic du réseau pour identifier des accès ou comportements inhabituels, non autorisés ou potentiellement dangereux. L’IA sait particulièrement bien reconnaître les motifs (patterns) et les anomalies, ce qui en fait un excellent outil de détection des menaces.

Le secteur de la surveillance et de la sécurité physique adopte également des outils d’analyse vidéo basés sur l’apprentissage profond. Les caméras intelligentes peuvent surveiller des locaux - en détectant des tentatives d’accès inhabituelles ou en faisant appel à la reconnaissance faciale pout comparer des listes de personnes autorisées et non autorisées. Les systèmes intelligents peuvent se servir de nombreuses technologies de capteur pour détecter et agir intelligemment sur les données en temps réel. Ils peuvent par exemple détecter des incendies à partir de cartes thermiques et non seulement identifier qui se trouve à la maison, mais également signaler immédiatement des situations inhabituelles. Ils représentent ainsi des solutions de sécurité fiables et personnalisées qui s’adressent aussi bien aux particuliers qu’aux entreprises.

Les obstacles rencontrés par l’IA

Un des principaux défis que doit affronter l’IA est le grand volume de données requis pour alimenter les systèmes d’apprentissage profond. L’émergence du big data et de l’IdO permet de collecter des données via des capteurs et des dispositifs connectés installés partout. Il existe néanmoins des secteurs dans lesquels les données ne sont pas facilement accessibles - par exemple le domaine de la santé, dans lequel des barrières éthiques et réglementaires peuvent restreindre l’accès aux données.

La capacité de traitement nécessaire constitue un autre obstacle. Au fil de la démocratisation de l’usage de l’IA, du matériel informatique spécialisé a été créé ou adapté pour fournir les performances requises. Les DSP, les processeurs graphiques et les circuits logiques programmables ont tous été utilisés pour accélérer les performances du matériel informatique dans les applications de réseau neuronal et d’apprentissage profond - et certaines entreprises ont développé du matériel IA dédié.

L’entreprise Movidius, rachetée par Intel en 2016, conçoit des puces pour processeur très basse consommation - appelées unités de traitement de la vision (VPU) - optimisées pour les algorithmes d’apprentissage profond et de vision industrielle. Elles allient faible consommation d’énergie et excellentes performances et permettent donc aux concepteurs d’intégrer des techniques de vision par ordinateur et de réseau neuronal profond à des appareils tels que des smartphones, des drones, des caméras intelligentes et des dispositifs portables. Outre ses VPU système sur puce (SoC), Movidius fabrique également le « Neural Compute Stick », une VPU plug-and-play sur une clé USB, qui permet de rendre l’IA plus accessible en particulier lors des opérations de prototypage et d’entraînement des réseaux neuronaux.

Étant donné que l’IA se généralise, la question de comment et où la déployer - soit sur le cloud, soit intégrée directement sur un appareil - se fait de plus en plus pressante. Jusqu’à récemment, le gros du travail était réalisé dans le cloud où il est plus facile pour les géants technologiques tels qu’Apple, Google et Amazon d’adapter la puissance de traitement et l’architecture réseau nécessaires. Mais comme l’IA est présente dans de nombreuses applications du quotidien, la fiabilité et la latence deviennent critiques. Si Siri et Alexa confient leur connexion au cloud, nous pouvons sans problème attendre pour obtenir cet itinéraire ou cet avis sur un restaurant. À l’inverse, quand il s’agit de systèmes ADAS qui permettent aux véhicules autonomes d’éviter des piétons ou d’autres voitures, les opérations doivent absolument avoir lieu en temps réel et le traitement doit s’effectuer à la périphérie

Mark Patrick, Mouser Electronics


Connectez-vous afin de laisser un commentaire

Laissez un commentaire

Aucun commentaire




Sign up to view our publications

Sign up

Sign up to view our downloads

Sign up

SPS IPC Drives 2018
27th November 2018
Germany Nuremberg
International Security Expo 2018
28th November 2018
United Kingdom London Olympia
The Security Event 2019
9th April 2019
United Kingdom NEC, Birmingham
Ceramics Expo 2019
29th April 2019
United States of America International Exposition Center (I-X Center)