HOP #5 - Si l'intelligence m'était comptée (1/3)

Je n'ai pas perdu mon thème de vue, je lis, je regarde souvent des vidéos. Je pensais la discipline assez récente pour m'en faire rapidement une idée assez nette et une petite fiche bien propre. En réalité j'arrive trop tard, les bases théoriques de l'IA sont déjà si complexes et d'un niveau mathématique si élevé que je ne peux pas suivre.

Pour des notions sérieuses, je vous invite à écouter la chaîne YouTube Science4All. Vraiment ! Je milite mais personne n'a le courage de s'y mettre ! Il faut accepter de ne pas tout comprendre. Essayez.

Programme vs IA

On commence à nous vendre de l'intelligence artificielle partout y compris sur l'étiquette de produits qui semblent n'être que des algorithmes élaborés.
Si vous vous demandez quelle est la différence entre une IA et un programme prenons un exemple simple, une grille avec des cases noires et d'autres blanches.
Objectif : savoir si c'est un damier.

Un programme va regarder la couleur de la première case, puis avancer sur la ligne en se demandant si la case suivante a la même couleur. Si oui, c'est terminé, ce n'est pas un damier. De la même façon, à chaque changement de ligne on vérifie que la couleur est différente de celle du dessus. Si on arrive au bout de la grille sans rencontrer d'anomalie, c'est un damier.

En résumé, un programme, c'est une suite d'instructions qui, mises bout à bout, retournent le résultat attendu. Manipuler un robot d'usine, envoyer une fusée dans l'espace, calculer une racine carrée. On peut faire des choses très complexes sans aucune intelligence, pour peu qu'on puisse décrire petit bout par petit bout l'ensemble des étapes.

Là où les choses se compliquent, c'est quand cette description devient difficile. Une des premières applications de l'IA a été de lire les montants inscrits à la main en chiffres sur les chèques.

Reprenons notre grille de cases noires ou blanches. On cherche à savoir si les cases noires forment le chiffre « 1 », écrit à la main. Un programme peut tester si plusieurs cases se suivent à la verticale. Et vérifier qu'à partir de la case du haut, on part en diagonale vers le bas/gauche. Mais combien de cases dans chaque direction? Les chiffres ne sont pas toujours écrits de la même taille. Et si le chiffre n'est pas écrit parfaitement droit ? Si la diagonale n'est pas pile à 45° ? Et comment être sûre que ça n'est pas un 7 ?

Vous arrivez à envisager les tailles, les angles et à décrire toutes les combinaisons de cases noires pour faire un « 1 ». Parfait, vous avez un programme qui fonctionne (et bcp de patience). Ce n'est toujours pas une intelligence mais l'important, c'est que la tâche soit accomplie.

Je vous engage pour la tâche suivante. Je vous donne encore une grille. Terminé le noir et blanc. C'est une photo couleur numérique prise dans la rue, et je vous demande, toujours à partir de l'unique information de la couleur des « cases » (les pixels), de me trouver une règle qui me dira s'il y a ou non un vélo sur l'image. Facile non ? Notre œil et notre cerveau le font en continu, des dizaines de milliers de fois par jour, sans effort. Prendre des informations lumineuses, en extraire des concepts.

Pourtant... Si la tâche est simple à comprendre elle est impossible à décrire. Le vélo peut être de toutes les couleurs, de plusieurs couleurs, même. Il n'a pas toujours la même forme de guidon. Il peut y avoir une poubelle devant. Il peut être vu de face ou sous n'importe quel angle.

On ne traite plus avec une trentaine de cases, mais avec des millions de pixels. Trop de données, trop de possibilités. Si on ne peut pas décrire la résolution de la tâche, on ne peut pas la programmer.

C'est là qu'intervient l'IA.

Le « machine learning » (apprentissage machine), consiste pour une machine à répéter un très grand nombre de fois une tâche, à comparer sa réponse à une "bonne réponse" pré-enregistrée et à corriger ensuite sa méthode pour s'approcher de cette réponse.

Le Deep learning (apprentissage profond) est une technique de machine learning, qui manie de plus grandes quantités de données. Cette méthode cherche en quelque sorte elle-même son chemin vers la résolution de problèmes complexes.

Les modèles actuels copient un peu le principe du réseau de nos neurones. Les données d'entrées passent successivement par des couches de "neurones", qui sont comme de petits thermostats qui amplifient ou réduisent le signal reçu. Le transmettent à la couche suivante ou le bloquent tant qu'un certain seuil n'est pas atteint. Au premier "tour", le résultat est aléatoire, puis, à partir de l'écart entre cette réponse et la bonne, la machine fait bouger les thermostats pour voir si en recalculant, elle s'approchera ou s'éloignera du résultat. Et ainsi de suite, essai après essai.

Rien ne dit que cette technologie sera celle dont découlera l'IA du futur, qui concurrencera notre cerveau. Le biomimétisme est une piste de recherche parmi d'autres. L'avion ne bat pas des ailes.

L'explication la plus claire que j'ai trouvée pour l'instant est celle de Science Étonnante .

A suivre dans les prochains jours :

Partie 2 : Petit tour des stupéfiantes applications de l'IA aujourd'hui

Partie 3 : Et demain ?