L’intelligence artificielle (IA) mais c’est quoi au juste ?

Dans cet épisode, nous allons démystifier l’intelligence artificielle, l’IA, en vous expliquant comment ça marche.

Dans cet épisode, nous allons démystifier l’intelligence artificielle, l’IA, en vous expliquant comment ça marche.

Vous avez déjà très certainement entendu parler d’intelligence artificielle. L’expression consacrée, l’IA. Et peut-être vous demandez-vous au fond ce que c’est. L’IA, cette technologie qu’on nous présente parfois comme nouvelle viendrait même révolutionner le monde du travail avec des robots qui prendraient nos emplois, voire le contrôle du monde entier.

Waouh que de chiffons rouges agités par les Cassandre en tout genre. Bon entre fiction et réalité où se trouve la vérité de l’IA ? Et bien avant de s’interroger sur le futur et les conséquences de l’IA, demandons-nous déjà ce que c’est. Essayons de comprendre ce qu’est l’intelligence artificielle. Alors c’est quoi l’histoire ?

On nous présente parfois l’IA comme une nouveauté alors que c’est très loin d’être récent ! La preuve tu n’étais même pas né !

Non sérieuse ? Tu vas vraiment nous ramener au siècle précédent ?

Bah oui mon vieux. Turing dans les années 1950 est un des premiers à s’être posé cette question : « les machines peuvent-elles penser ? ». Vous connaissez certainement le célèbre « test de Turing ». L’objectif pour Turing était de créer des machines qui répondraient à nos questions de manière à ce qu’on ne puisse pas déceler qu’il s’agit de machines.

Depuis Turing, évidemment les technologies ont évolué, la puissance de calcul a considérablement évolué et les logiciels qui l’exploite aussi bien sûr … mais le principe de fond reste le même : l’objectif est de simuler l’intelligence humaine… apprendre, comprendre, communiquer, raisonner ou décider. C’est ce à quoi servent les algorithmes sur lesquels reposent l’IA.

Oui et donc pour comprendre ce qu’est l’IA il faut donc comprendre ce qu’est un algorithme. C’est un ensemble de règles opératoires dont l’application permet de résoudre un problème énoncé au moyen d’un nombre fini d’opérations. Ca se traduit par exemple par un arbre de décision où toutes les étapes sont décrites.

Par exemple si on pose la question « Est-ce que cette photo représente un chat ? » l’algorithme pourrait être l’arbre de décision suivant :

Est-ce qu’il y a des poils ? Oui alors on continue, non bah ça ne doit pas être un chat. Si oui, voit-on des pattes ? Oui alors on continue, parce qu’un chat ça a des pattes, non bah alors ce n’est pas un chat… D’ailleurs on voit là tout le problème, pour les chats qui n’ont pas de poils ni de pattes … Mais ça c’est un autre sujet.

Exactement. On se rend bien compte que là c’est un peu long de décrire toutes les étapes de réflexion. Et il faut être suffisamment précis pour ne pas confondre un chat et un chien. La vraie puissance de l’Intelligence Artificielle c’est que ces algorithmes apprennent avec le Machine learning.

Ou apprentissage automatique en français. C’est-à-dire que l’algorithme apprend sur la base des données avec lesquelles on le nourrit. Là, la photo qu’on te montre c’est un chat ! Donc apprend que certains chats n’ont ni poils ni pattes mais ils miaulent quand même ! L’algorithme ne va pas décrire l’ensemble des étapes de réflexion mais construit lui-même sa propre logique en rapprochant les données qui lui ont été fournies pour répondre à une question donnée.

On donne donc un cadre, « un système », au machine learning et ensuite on le nourrit de données, d’informations et c’est le Machine learning qui va définir le processus de réflexion.

Tout à fait. Il existe 2 types de machine learning. Le machine learning supervisé d’abord : on connait la réponse à la question que l’on pose pour un échantillon de données. Par exemple cette photo représente un chat. Cette photo ne représente pas de chat. On nourrit le machine learning de photo de chat et de photo sans chat en lui donnant la réponse. Puis on donne au machine learning des photos et on lui demande s’il reconnait un chat ou non. Puis on le corrige suivant les réponses et il apprend au fur et à mesure qu’on le nourrit.

L’avantage par rapport à un algorithme simple comme le 1er que tu as décrit c’est qu’on n’est pas obligé de décrire toutes les caractéristiques du chat. Le machine learning le fait tout seul.

La deuxième méthode de machine learning, c’est le machine learning non-supervisé. Cela consiste en gros à créer un algorithme pour répondre à une question dont le chercheur lui-même ne connaît pas la réponse. On fournit à l’algorithme un ensemble de données dont nous-mêmes n’arrivons pas à tirer de conclusion ou pour lequel les possibilités sont tellement nombreuses qu’il n’est pas possible de les qualifier, étiqueter nous-mêmes. C’est alors à l’algorithme de construire un lien entre ces données, de les classifier, les structurer, les organiser de manière à en déduire un résultat intéressant et exploitable.

Aujourd’hui, la technique qui est la plus courante c’est celle du Machine learning supervisé. Mais cette méthode démontre des capacités d’apprentissage plus limitées et les réponses aux questions posées sont forcément des réponses chiffrées (classification de la donnée en plusieurs catégories, score, statistique…).

Tout à fait, le machine learning classique repose sur des variables identifiées et qui permettent à l’algorithme d’apprendre. La véritable IA réside dans le machine learning non-supervisé et dans ce qu’on appelle le deep learning notamment parce qu’il ne traite pas uniquement des données mais il peut traiter aussi des objets comme des images, des sons ou des vidéos et en tirer la quintessence.

Apprentissage profond. Cette méthode utilise des techniques de modélisation similaires au Machine Learning non-supervisé mais conduit à des résultats beaucoup plus performants en permettant la connexion ou la mise en réseau de plusieurs couches de Machine Learning. On parle alors de réseaux de neurones.

Oui et parfois même on les met en concurrence, l’un apprenant l’autre évaluant l’apprentissage de l’autre. On appelle le 1er générateur et le 2nd discriminateur. Le 1er par exemple fabrique artificiellement quelque chose par exemple l’imitation du miaulement du chat et le 2nd le discriminateur qui a en mémoire plein de vrais miaulements lui dit oui ou non si ça ressemble. Et on s’arrête quand le 2nd n’arrive plus à faire la différence entre le réel qu’il a en base de données et celui fabriqué par le générateur.

Et c’est avec ce genre de programme de deep learning qu’on peut fabriquer des deep fakes comme par exemple dans une vidéo faire dire à quelqu’un quelque chose qu’il n’a jamais dit. Comme dans cette désormais célèbre vidéo deep fake d’Obama.

En résumé, l’IA est faite d’algorithmes qui ne décrivent pas nécessairement l’ensemble d’un processus de réflexion mais lui donne un cadre. Les algorithmes évoluent ensuite pour se rapprocher du réel qu’ils simulent en apprenant au fur et à mesure qu’on leur fournit des données. C’est ce qu’on appelle le machine learning voire le deep learning.

J’ai bon cheffe ?

Oui mais on ne va pas en faire toute une histoire.