Intelligence artificielle (IA), machine learning, apprentissage profond (deep learning) sont des termes décidément très à la mode. Pas une semaine sans un article professionnel sur le sujet.
Dans nos vies personnelles, nous sommes également entourés de sa matérialisation : moteur de recommandations lors d’une recherche sur Amazon ou lors d’une recherche de serie Netflix, utilisation des assistants vocaux SIRI ou Google Now, mode Autopilote sur les automobiles Tesla etc…
Au sein d’Innovation Partagée, nous travaillons désormais également sur le sujet est car il est devenu un outil d’Innovation et d’amélioration continue indispensable.
Mais qu’est ce au juste que l’Intelligence Artificielle ? Pour faire simple, elle regroupe l’ensemble des théories et techniques destinées à réaliser des machines capables de simuler l’intelligence.
L’objectif est de pouvoir se rapprocher, voire dépasser, la performance humaine dans certaines tâches complexes comme la prise de décision dans un environnement complexe, la reconnaissance de formes / visages etc…
Démystifions (un peu) l’intelligence artificielle
Les premières notions datent des années 1950 avec les travaux d’Alan Turing et les premiers travaux de recherche américains (MIT, Stanford..). Les travaux sur les réseaux de neurones dans les années 50 et 90 ont permis de donner les fondations de L’IA d’aujourd’hui .
En effet, certains algorithmes qui n’étaient pas utilisables à l’époque ont été redécouverts et utilisés avec succès grâce à la puissance de calcul des ordinateurs modernes, ouvrant la voie à des résultats jusqu’ici inatteignables.
Pour démystifier un peu et relativiser, il faut savoir que certains outils / théorèmes utilisés en Intelligence artificielle sont très anciens et datent de plus de 200 ans comme par exemple les outils de régression (linéaire, logarithmique).
Cette discipline s’appuie donc sur des notions classiques de probabilité et de mathématiques (algèbre linéaire en grosse partie) et les utilise comme moteur / règle pour faire fonctionner les algorithmes.
Ce qui change réellement par rapport aux statistiques classiques, c’est que l’intelligence artificielle a développé des techniques complémentaires permettant de traiter et travailler sur de grandes quantités de données.
Une autre grande différence réside dans la capacité du modèle à trouver et sélectionner les bonnes variables influentes, alors que ceci se fait à la main dans les techniques statistiques plus classiques. La clé est bien sûr la puissance de calcul brute pour simuler différentes combinaisons.
Des mises en applications concrètes dans les entreprises
L’IA est désormais très opérationnelle et se retrouve dans de nombreux cas d’entreprise :
- Industrie : Problèmes d’optimisation (taux défauts, énergie etc..), automatisation et détection (vision artificielle)
- Marketing / ventes : Segmentation clients et personnalisation des services au attentes du client, prédiction du CA, prédiction des prospects, recommandations …
- Finance : Détection des fraudes, prédiction de la capacité à rembourser…
- Médecine : diagnostic pour certaines maladies (ex : détection de cellules cancéreuse mieux que par un médecin humain)
Les résultats sont là avec des gains d’optimisation qui sont très impressionnants ce qui va obliger chaque entreprise à utiliser ses méthodes pour aller chercher / garder sa compétitivité.
Des axes d’améliorations pour L’Intelligence Artificielle
L’IA a cependant aujourd’hui une grande faiblesse sur la partie ‘Deep Learning’ / réseau de neurones : on obtient en sortie des résultats qu’il faut croire à priori mais (pour le moment) la machine ne sait pas expliquer comment elle est arrivée au résultat.
Impossible donc dans ces conditions d’appliquer ces méthodes telles quelles dans des cas où la santé , la vie est potentiellement impactée ou plus simplement dans des cas avec conséquences juridiques majeures.
Le ‘Deep Learning’ étant une des méthodes les plus performantes sur les applications de traitement d’images ou de sons, de nombreux chercheurs travaillent sur ce problème d’explicatibilité pour gommer ce défaut qui permettrait sinon de déployer ces techniques de façon beaucoup plus large.
C’est donc un sujet passionnant par le potentiel de progrès et d’Innovation qu’il peut avoir, sachant que nous en sommes plutôt au début de l’aventure. Difficile de prédire ce qui arrive tant cela va vite.
Bien sûr, L’Intelligence Artificielle pose également de nombreuses question philosophiques : notion de travail, notion d’épanouissement humain (tache humaine vs taches pour la machine), potentiel dommageable pour l’humain (guerre, dépassement des capacités de l’homme etc..).
Un des aspects très important pour qu’une technologie devienne une innovation est son acceptabilité : dans le cadre de l’IA, l’acceptabilité sera une résultante de ces questions
Il sera donc intéressant de veiller à garder l’humain au cœur des préoccupations dans le développement de l’IA et faire en sorte que le sujet dépasse le cadre scientifique et technologique…