Sélection de la langue

Blogue savoir techno : Penser comme une machine – Les éléments fondamentaux de l’intelligence artificielle

« Nous proposons que dix personnes réalisent une étude de deux mois sur l’intelligence artificielle au Dartmouth College à Hanover (New Hampshire) pendant l’été 1956. L’étude doit reposer sur l’hypothèse selon laquelle chaque aspect de l’apprentissage ou tout autre élément de l’intelligence peut, en principe, être décrit si précisément qu’une machine puisse être construite pour le simuler ». [traduction] (John McCarthy et coll.)Note de bas de page 1

Les humains sont depuis longtemps captivés par l’idée que des machines imitent la vie naturelle. En effet, les automates (dispositifs mécaniques qui semblaient bouger par leurs propres moyens) existent depuis des siècles, bien présents au Moyen-Âge et remontant même à la Grèce antique. Bien entendu, l’« intelligence » de ces machines n’était qu’une illusion; celles-ci avaient été conçues pour faire des tâches précises et bouger de façon particulière. Cela dit, elles étaient parfois assez complexes.

Les premiers ordinateurs avaient des qualités similaires : ils exécutaient d’une façon précise les commandes qu’ils recevaient d’un humain. Toutefois, les chercheurs en informatique ont toujours été intrigués par la possibilité que les systèmes simulent l’« intelligence », c’est-à-dire qu’ils soient capables d’utiliser des données ou des expériences pour prendre des décisions et régler des problèmes.

Après des décennies de progrès et de reculs dans le domaine, une combinaison d’approches nouvelles et de technologies améliorées a mené à une explosion de la puissance et de l’adoption de l’intelligence artificielle (IA) au cours des cinq à dix dernières années.

Étant donné que le Canada vise à devenir un chef de file mondial dans la mise au point de l’IANote de bas de page 2 et que les technologies fondées sur l’IA ont des répercussions toujours plus grandes sur les Canadiens (et leur vie privée), le moment est venu de dévoiler cette technologie. À cette fin, le CPVP rédigera une série de billets sur l’IA dans le Blogue savoir techno.

Nous y présenterons les concepts clés de l’IA afin de créer une ressource accessible à tous les Canadiens.

Dans ce premier billet, nous donnons un aperçu du domaine. Nous aborderons ensuite chacun des  sujets plus en détail dans d’autres billets.

Définitions

Avant de nous pencher sur le fonctionnement de l’IA, nous devons comprendre les termes connexes. Tout d’abord, qu’est-ce que l’intelligence? Pour nos besoins, nous pouvons simplement utiliser la définition fournie dans le Larousse :

« Ensemble des fonctions mentales ayant pour objet la connaissance conceptuelle et rationnelle; […] Aptitude d’un être humain à s’adapter à une situation, à choisir des moyens d’action en fonction des circonstances. »

L’idée la plus importante en l’occurrence est qu’un système intelligent doit être en mesure de changer ou d’adapter son comportement en fonction d’une information ou d’une expérience.

Nous devrions aussi préciser ce que nous entendons par « intelligence artificielle ». Ce qui est présenté dans les films de science-fiction et d’autres médias est la plupart du temps de l’intelligence artificielle générale (des ordinateurs qui, comme les humains, peuvent faire preuve d’intelligence pour régler tout problème ou toute situation qui se présente) ou de la super intelligence artificielle (des ordinateurs qui peuvent mieux performer que les humains à cet égard). Ces technologies font l’objet de recherches actives, mais elles ne seront probablement pas mises au point avant des années. En revanche, l’intelligence artificielle étroite (des ordinateurs qui peuvent faire preuve d’intelligence dans un seul domaine ou pour accomplir une seule tâche) est déjà largement utilisée dans des domaines comme la conduite autonome, la reconnaissance faciale et la détection de la fraude, pour ne nommer que ceux-là. Bien qu’il s’agisse d’une forme plus limitée de l’intelligence artificielle, elle peut exercer une grande influence sur les Canadiens, et c’est généralement le cas. Nous nous concentrerons donc surtout sur le dernier concept.

L’avantage de l’IA

La prochaine question que nous devons poser est la suivante : pourquoi l’IA est-elle si importante? En somme, le changement principal apporté par l’IA est que les programmeurs n’ont plus besoin de comprendre précisément comment un système devrait accomplir une tâche.

Par exemple, il serait pratiquement impossible d’indiquer à un ordinateur comment reconnaître une image ou comprendre un langage. Or, cela n’est pas nécessaire avec l’IA; en effet, on peut donner une stratégie à un ordinateur pour qu’il apprenne comment accomplir ces tâches par lui-même en fonction de données ou d’expériences, fondée sur les mêmes méthodes que les humains utilisent pour apprendre.

L’intuition qui sous-tend l’IA (et les défis connexes)

Comme elles sont inspirées de la façon dont les humains apprennent à régler des problèmes ou à réaliser diverses tâches, les approches utilisées pour créer l’IA reposent quelque peu sur l’intuition (même si, bien entendu, elles sont appuyées par des calculs mathématiques et des programmes informatiques complexes).

Par exemple, songez à la capacité de déterminer si un animal est un chat ou non. C’est une chose que vous faites probablement assez bien. Mais comment avez-vous appris à le faire?

Peut-être que l’on vous a indiqué les points à retenir (la taille générale d’un chat, la forme de ses oreilles, les sons qu’il produit, etc.) et que l’on vous a ensuite montré des photos d’animaux, dont certains sont des chats et d’autres non.

Dans le domaine de l’IA, ce processus s’appelle l’apprentissage supervisé, c’est-à-dire indiquer à un système les caractéristiques à considérer, lui permettre d’examiner des exemples aux fins de formation qui sont étiquetés (« chat » ou « pas un chat ») et le laisser déterminer par lui-même comment évaluer ces caractéristiques lorsqu’il prendra des décisions à l’avenir.

En revanche, votre apprentissage a peut-être été tiré d’une expérience, c’est-à-dire voir un animal, dire « Minou! » et fonder votre prochaine observation sur le fait qu’une personne vous a confirmé qu’il s’agissait d’un chat ou non.

Voilà un résumé de l’approche relative à l’IA qui s’appelle l’apprentissage profond. Plutôt que d’essayer de décrire les diverses caractéristiques d’un ensemble de données complexe, un programmeur peut simplement fournir un large ensemble de données étiquetées (p. ex., des images portant la mention « chat » ou « pas un chat ») au système d’IA et le laisser déterminer par lui-même ce qui constitue une « caractéristique » et quelles sont les caractéristiques d’un chat.

Les approches susmentionnées ne sont pas les seules qui s’appliquent à l’IA ni les seules qui reposent sur l’intuition. Vous voulez un système qui trouve la meilleure façon de régler un problème en essayant différentes approches et en déterminant ce qui fonctionne? Il s’agit de l’apprentissage par renforcement. Un système qui crée une série de copies légèrement différentes de lui-même et qui combine celles qui sont les mieux adaptées pour accomplir la tâche et les reproduit? Il s’agit d’un algorithme évolutif. Et il y en a d’autres!

Évidemment, même à partir de ces exemples simples, vous pouvez peut-être penser à des choses qui pourraient mal tourner. Si vous ne savez pas à quelles caractéristiques le système se fie (ni l’importance qu’il accorde à chacune d’entre elles), lui feriez-vous confiance sachant qu’il a raison dans 99 % des cas? Ou voudriez-vous qu’il soit capable de décrire, d’une façon ou d’une autre, comment il en est arrivé à sa conclusion? Il s’agit du caractère explicable, un concept que nous examinerons plus en détail dans un autre billet.

Dans le même ordre d’idées, vous pourriez vous poser des questions à propos des exemples relatifs à la formation. Manquait-il des espèces de chats dans l’ensemble de données? Est-ce que certaines espèces de chats étaient régulièrement mal étiquetées? Ces facteurs (et de nombreux autres) peuvent entraîner un biais, un concept que nous examinerons aussi dans un autre billet.

Il est important de noter que même si nous disons que ces concepts reposent sur l’intuition, nous ne voulons absolument pas minimiser le travail exceptionnel et incroyablement difficile que les chercheurs en IA effectuent. Nous voulons plutôt laisser entendre que même si vous ne savez pas comment les chercheurs en IA atteignent leurs résultats, vous pouvez comprendre ce qu’ils essaient de faire — et c’est une étape importante vers la tenue de vraies discussions sur le sujet.

Conclusion

Il ne s’agit là que de la pointe de l’iceberg de l’apprentissage machine et de l’IA. Tel qu’il est mentionné précédemment, les prochains billets exploreront plus en profondeur des sujets comme les approches relatives à l’IA et les concepts du biais et du caractère explicable, entre autres.

Suggestions de lectures

Signaler un problème ou une erreur sur cette page
Veuillez cocher toutes les réponses pertinentes (obligatoire) : Erreur 1 : Ce champ est obligatoire.

Remarque

Date de modification :