Intelligence artificielle : Quatre domaines dans lesquels vous avez un avantage

ACTUALITÉS / TECHNOLOGIE DE L'AI

“Les machines vont-elles remplacer les hommes ? Nous sommes en 1940 et Franklin D. Roosevelt, lors d'un débat avec le président du MIT, s'inquiète de l'impact des machines sur le taux de chômage. Seize ans plus tard, à la conférence de Dartmouth, l'intelligence artificielle (IA) entre officiellement au panthéon des disciplines scientifiques.

“Les machines remplaceront-elles les hommes ? Nous sommes en 1940 et Franklin D. Roosevelt, lors d'un débat avec le président de l'Union européenne, se demande si les machines vont remplacer les hommes. MIT, Il s'inquiétait de l'impact des machines sur le taux de chômage. Seize ans plus tard, lors de la conférence de Dartmouth, Intelligence artificielle (IA) entre officiellement au panthéon des disciplines scientifiques. Cette fois, c'est sûr, les robots vont remplacer les humains. Ce n'est qu'une question d'années, peut-être de mois... Soixante ans plus tard, nos collègues professionnels sont toujours en chair et en os, et nos ambitions ont finalement été revues à la baisse. Dernier exemple en date : la voiture sans conducteur, que nous prédisions pour 2020 il y a quatre ans. Un conseil : conservez votre permis de conduire encore dix ans, au moins.

Oui, il est probable qu'un jour, un artificial intelligence saura tout faire aussi bien qu'un humain, comme le prédit Geoffrey Hinton, lauréat du prix Turing 2019. Mais ce n'est pas une question de mois, ni même d'années... Un demi-siècle ? Quelques centaines d'années ? Plus ? Il serait imprudent d'essayer de le deviner.

Les chercheurs sont confrontés à plusieurs obstacles majeurs qui contraignent l'IA à rester à un stade “faible”. Pour l'instant, les algorithmes peuvent résoudre des problèmes “spécifiques” pour lesquels nous les avons entraînés (les jeux, par exemple), interpréter brièvement des data sensorielles (reconnaissance vocale et visuelle), et même générer des voix, des textes ou des images, comme Samsung et d'autres l'ont récemment démontré. Le “deep learning”, qui repose sur des réseaux de neurones artificiels, nous a fait faire un bond en avant ces dernières années. Mais ce n'est pas parce qu'une IA est capable de battre le champion du monde du jeu de Go ou n'importe quel humain aux échecs qu'elle est “puissante”. Demandez à AlphaGo de mémoriser votre liste de courses pour vous en convaincre : vous ne reviendrez pas du supermarché avec grand-chose - voire rien - dans votre sac. On estime même que le quotient intellectuel du artificial intelligence d'aujourd'hui serait équivalent à celui d'un enfant de quatre ans (un résultat à prendre avec des pincettes, les IA testées ayant été spécifiquement programmées pour les compétences évaluées par le test). Rassurant néanmoins pour le président Roosevelt.

Quatre domaines majeurs ne sont pas encore maîtrisés par cet “enfant de quatre ans”, sur lequel nous, les humains, avons des avantages considérables :

• Programmation et adaptation autonomes. Imaginez un robot sanitaire qui nettoie un parc. Si sa batterie est faible, il ne pourra pas générer son propre plan pour se recharger. Les programmeurs auront dû intégrer un système pour qu'il sache localiser la zone de recharge et s'y rendre. Et si cette zone est un jour hors service, il ne saura pas s'adapter seul, sauf si un tel cas a été prévu en amont par les créateurs de l'algorithme - là où un agent humain n'aurait aucun mal à imaginer un plan de secours si la sandwicherie du parc était fermée. En d'autres termes, dans un environnement incertain, nos artificial intelligence n'ont pas vraiment beaucoup d'intelligence. Certes, la combinaison des techniques actuelles d'IA de type “deep learning” et “reinforcement learning” permet à notre robot d'apprendre à connaître son milieu et même les changements qui s'y produisent, mais uniquement dans des environnements fermés aux règles fixes et connues, comme sur les plateaux d'un jeu de Go ou d'échecs par exemple - pas sur un réseau autoroutier, où l'imprévu peut survenir à tout moment.

• La capacité d'apprendre avec moins d'exemples. Imaginez ce même robot, dans ce même parc. Pour identifier le chien qui s'approche comme un danger potentiel, le robot aurait dû digérer des millions de photos avec et sans chien avant d'être opérationnel. Car aujourd'hui, quelle que soit leur intelligence, nos algorithmes ont besoin d'une énorme quantité d'exemples pour pouvoir reconnaître ce qu'est un chien, un arbre ou une table. Un enfant de quatre ans n'a pas besoin de milliers ou de millions d'exemples de chiens pour en reconnaître un. Une approche de recherche, appelée “apprentissage par transfert”, permettrait à notre robot d'apprendre à reconnaître l'environnement dans lequel il se trouve, aussi diversifié soit-il, à partir d'un nombre réduit d'exemples.

• Apprentissage basé sur l'explication. Aujourd'hui, les algorithmes d'IA sont dérivés exclusivement d'exemples mais ne peuvent pas bénéficier d'une conceptualisation de ce qu'ils ont appris. On peut dire à un enfant qu'une panthère est un gros chat et qu'un bateau n'a pas de jambes, sinon il marcherait. L'enfant reconnaîtra donc les panthères et ne s'attendra pas à voir une photo d'un bateau portant un short. Une machine ne peut pas faire cela, elle ne sait pas identifier une panthère si elle n'a pas déjà vu de nombreux exemples, et elle ne sera jamais dérangée par la vue d'une photo d'un catamaran en train de se promener.

• Explicabilité des résultats. Dans l'ensemble, les êtres humains sont capables, lorsqu'on le leur demande, d'expliquer au moins partiellement pourquoi ils ont pris une décision plutôt qu'une autre. Les IA les plus avancées sont très peu pédagogues lorsqu'il s'agit d'expliquer comment elles ont résolu un problème. C'est inquiétant à l'heure où elles assistent de plus en plus les banquiers, les assureurs et les médecins. Les algorithmes modernes d'apprentissage profond sont composés de millions de neurones artificiels organisés entre eux, et une fois entraînés, ils passent en mode “boîte noire” : même ceux qui les ont conçus ne peuvent pas facilement interpréter les résultats de leur fonctionnement. C'est à la fois pratique (ils permettent de résoudre rapidement des problèmes très complexes) et extrêmement problématique : comment justifier auprès de votre client un refus de prêt décidé par un algorithme ? Et comment comprendre que cette voiture sans conducteur a choisi de faire une manœuvre très dangereuse, risquant des dégâts matériels, voire humains ? Même s'il s'agit de la bonne décision, comment faire confiance à un artificial intelligence s'il pose un diagnostic contraire à celui d'un médecin expert ?

En raison de ces obstacles, les artificial intelligence d'aujourd'hui sont des IA “faibles” sur lesquelles les humains ont l'avantage. D'autant que les chercheurs sont confrontés au problème de la formalisation théorique des algorithmes utilisés. Certains théorèmes existent, mais notre expertise repose encore principalement sur des connaissances empiriques et pas toujours sur des théories mathématiques implacables. Nous procédons par essais et erreurs, nous avançons, nous modifions, pour finalement atteindre nos objectifs. Car si les machines ont parfois du mal à comprendre les humains, les humains ont aussi du mal à comprendre le fonctionnement de leurs machines.