.svg){kind=logo}
Par Emma DAMITIO,
Directrice IA - Data Scientist // Solution BI Canada
Les termes « Intelligence Artificielle », « Data Science », « Machine Learning » ou encore « Deep Learning » font partie des grandes tendances du XXIe siècle, ce n’est plus un secret pour personne.
Les expressions se croisent, se confondent et s’alimentent. Une chose est sûre, c’est qu’ils poursuivent un même objectif : rendre les machines performantes pour nous aider dans notre quotidien.
Qu’est-ce que l’intelligence artificielle ?
« Ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence humaine. » nous dit le Larousse. L’IA est donc aujourd’hui un concept, un but, une envie, une idéologie plutôt qu’une réalité.
Une machine qui contiendra de l’intelligence artificielle sera donc capable de simuler l’intelligence humaine, on peut y définir ici quelques axes comme la compréhension, la perception et la prise de décision.
Mais est-on capable de définir tous les axes de l’intelligence humaine ? Si on veut qu’une machine l’imite, il faudrait déjà avoir une définition concrète de ce qu’est l’intelligence pour pouvoir mesurer celle de la machine.
Depuis que la notion existe, il est difficile de la décrire ou de la quantifier. Les premiers débats connus apparaissent à la Grèce antique. Aristote, pour parler d’intelligence, quantifie la capacité à mettre en œuvre un stratagème pour arriver à un but défini. C’est ici la ruse qui est mise de l’avant- et donc Ulysse est la définition même de l’intelligence. Mais dans le personnage d’Ulysse, on peut y voir beaucoup d’intelligence émotionnelle, ce qui vient complexifier énormément la notion d’intelligence pour une machine. Introduire les émotions sera le plus grand défi de l’IA selon moi.
C’est pour cela que l’intelligence artificielle d’aujourd’hui n’est qu’un prolongement de l’intelligence humaine. Il faut le voir comme un outil, qui attend la main de l’homme pour l’activer et le guider. C’est comme un marteau – sans l’intention humaine le marteau ne fait rien. Avec le but, et l’élan le marteau est utile.
D’ailleurs Ollivier Dyens, écrivain, co-directeur du laboratoire Building 21 et professeur à l’université de McGill parle de l’intelligence artificielle dans son livre « La terreur et le sublime ». Il l’a décrit plus réalistement comme une intelligence humaine et artificielle. Dans les prochaines évolutions, l’un n’ira plus sans l’autre et inversement. On peut en comprendre la logique si on parle du concept de « morale », la machine aussi intelligente soit elle ne prendra peut-être pas les décisions jugées les plus morales.
Imaginons le contexte une voiture intelligente qui doit éviter un piéton qui traverse. Elle peut soit aller sur la voie opposée, monter sur le trottoir ou freiner brusquement. Si les 3 options occasionnent forcément plus de morts que juste celle du piéton. Que doit faire la voiture ? Quel choix est moral ? Est-ce que l’on se base sur la quantité, sur l’âge ? Qui va vouloir programmer et faire ces choix ? Il y a d’autres enjeux avec la morale c’est qu’elle est évolutive. À quelle vitesse une machine va le percevoir et l’intégrer ? C’est ici une des questions, parmi tant d’autres, qu’on sera amené à se poser inévitablement quand l’IA fera partie de nos vies.
Où en est notre IA vs l’IA ultime ?
L’IA peut être grossièrement regroupée en 3 niveaux de performances. Ce qui nous permet de mieux appréhender l’étendue des améliorations.
Artificial Narrow Intelligence (ANI) ou plus simplement l’automatisation d’une tâche. C’est le type d’IA que l’on utilise aujourd’hui. Les exemples sont nombreux : Siri – Alexa – les traductions – la classification d’image – la conduite de voiture. Ici rien n’est magique – ni « intelligent » – la machine est programmée pour faire une chose, elle n’a qu’un but défini par l’humain. Elle apprend au fur et à mesure grâce à ce qui est déclaré comme erreurs ou réussites de son passé.
Artificial General Intelligence (AGI), la machine est aussi performante que l’humain. La machine doit être capable d’arriver à différents buts avec un large spectre de circonstance. C’est ici le grand challenge de l’IA aujourd’hui, arriver à introduire de la vraie intelligence dans les systèmes comme ressentir – exprimer et comprendre les émotions.
Artificial Super Intelligence (ASI), une IA plus forte que le cerveau. On parle d’une machine meilleure que l’humain pour accomplir des tâches dans n’importe quelle situation. On parle ici de performer sur la prise de décision – l’art ou encore les relations. On pourra en reparler dans quelques années
Nous en sommes au niveau de l’ANI et le champ d’expertise qui a le plus progressé ces dernières années est le NLP (Natural Language Processing). La communication est la porte d’entrée, ce qui explique les grandes avancées dans ce domaine par les grandes universités ou les entreprises qui investissent dans l’IA.
Aujourd’hui nous idéalisons l’IA, nous sommes pourtant loin d’y être confrontés alors quand, et si, on arrive un jour à rendre une machine Intelligente, la normalité humaine sera déstabilisée – notre intelligence a la limite de notre imagination. Une forme d’intelligence sans notre limitation pourra amener à ce que le monde soit vu sous un nouvel angle, mais ce n’est pas le sujet ici revenons à nos moutons.
Quel est le lien avec la Data Science ?
Les méthodes de Machine Learning et du Deep Learning permettent d’atteindre l’ANI mais ce sont surtout des sous-domaines de la data science.
La data science est l’embryon de l’intelligence artificielle et c’est elle qui permet son évolution.
Aujourd’hui les machines effectuent des lignes de commande de programmation qui regroupent des ensembles de systèmes mathématiques et statistiques, ce qui permet de résoudre un certain nombre de problèmes sans que la machine n’ai une once de conscience ou de perception du monde.
Dans les entreprises privées ou publiques, ce qu’on déploie et développe c’est bien de la data science : optimiser la fidélisation, l’hyperpersonnalisation avec la recommandation, prédire des résultats financiers, prédire les besoins en logement, anticiper l’usure d’une machine, etc.
C’est une science qui s’établit à travers un processus en 5 grandes étapes et par itérations : COMPREHENSION DES ENJEUX METIERS / ANALYSE EXPLORATOIRE DES DONNÉES / CHOISIR & ENTRAÎNER LES MODÈLES / VALIDER LES MODÈLES / METTRE EN PRODUCTION
(Voir l’article : À quoi ressemble la data science dans le monde réel ?)
Il y a des concepts communs entre la Data science et de l’IA, qui sont le Machine Learning et le Deep Learning.
Mais il y a aussi de grosses différences : l’IA doit être mondiale, globale, sa performance réside dans la puissance du réseau, plus il y a d’utilisateurs et plus elle apprend et devient performante alors que la data science peut-être à l’échelle de l’entreprise pour être plus spécifique.
En conclusion,
c’est bien de la data science qu’on voit se développer et l’IA, aujourd’hui, n’a d’intelligent que le nom.
Lire également
