IA : De quoi parlons nous ?

Une définition de l’IA

Si l’on regarde les définitions courantes de l’IA, dont celles du wikipedia français comme anglais, on constate que  toutes font référence à la comparaison entre comportement de la machine versus comportement humain.

La définition la plus acquise est celle d’une « machine capable de simuler l’intelligence ou d’effectuer des tâches habituellement affectées à l’homme ».

Si le concept d’IA est récent, dans les années 1950, il est culturellement plus ancien et l’on pourrait considérer que culturellement la pascaline  ou  le turc mécanique joueur d’échec qui lui était un canular ; flirt avec cette idée que des taches appartiennent à l’homme et ne peuvent être réalisées par une machine. C’est dans la même idée que Alan Turing invente son célèbre test pour déterminer si on a à faire à une intelligence ou pas.

L’IA est donc un concept à la mode, relativement flou, regroupant un grand nombre de sciences et souvent porteur d’un grand nombre de fantasmes : « les machines supprimant l’homme » comme HAL dans 2001 L’Odyssée de l’espace Stanley Kubrick.

Quel progrès l’IA a t-elle fait pour imiter l’intelligence?

Si le concept est flou, certainement parce que nous sommes en difficulté pour définir l’intelligence, il est clair que celui-ci a fait progresser la machine dans un des comportements humain : l’approximation ou la détermination d’un concept plutôt que le travail sur une de ces instanciations ou représentations.

Ainsi nous pouvons reconnaître des images et déterminer à quelle classe d’objet ils appartiennent : c’est une pomme, une poire ; elle est mure ou abîmée… Ou encore c’est une photo de vous jeune, vieux, avec une barbe… (cf. un autre article : « Mais que met-on sous le terme d’apprentissage ? Ou plutôt de « Machine Learning »?« )

Cette notion de « généralisation », je n’ose écrire de conceptualisation, a aussi permis de comprendre une grande partie du langage (la traduction automatique), même si comme me le faisait remarquer Nicolas Ballier l’un de mes amis chercheur en linguistique) lors d’une soirée de discussion à bâtons rompus, certaines tournures du langage restent compliquées à traduire/comprendre. Essayer dans google traduction une phrase comme « Ma mère, elle, est merveilleuse » deviendra « My mother is wonderful » et la notion de comparaison ou de superlatif, introduit par la reprise du sujet « elle » est perdue.

Cette capacité à reconnaître des schémas et des concepts est aussi très intéressante dans le traitement des données  : Big data et data mining :

• Conseiller un client vers les produits qu’il souhaite
• trouver les besoins d’une population
• trouver des fraudes bancaires parmi des milliards de transactions ou le crédit scoring…

Comment fonctionne l’IA actuel ?

Le principe le plus développé de l’IA actuel est celui qui consiste :

1. à prendre un jeu de données comportant des binômes cas-réponse. Par exemple : 1000 photos de fruits)
2. à soumettre la moitié des  cas (donc 500 photos de fruits) à un modèle pour obtenir la réponse (c’est une pomme ou pas)
3. à corriger-modifier le modèle si la réponse obtenue pour un cas n’est pas la bonne (machine learning)
4. Lorsque tous les cas du demi-jeu de donnée initial donnent une réponse satisfaisante on vérifie la performance du modèle avec les 500 autres photos de fruits

On peut dire qu’il existe deux catégories de modèle :

• Les modèles statistiques : Forêts aléatoires, classification automatique, régression
• Les modèles neuronaux  qui imitent grossièrement la structure du cerveau : des neurones reliés entre eux qui interagissent…

On parle alors de « Machine learning » (Déjà évoqué dans un autre article cf. « Mais que met-on sous le terme d’apprentissage ? » )

Pour aller un peu plus loin…

Cet article de Yves Grandmontagne sur It social : « Les 5 vérités de l’Intelligence Artificielle et du Machine Learning » qui s’arrête sur l’effet « boite noire » de l’IA : Sait-on ce que l’on fait réellement en IA ?