L’intelligence artificielle: l'histoire d'un voyage en montagnes russes!

La 4ème révolution industrielle

Le monde est entré dans la 4ème révolution industrielle, soutenu par le big data et alimentée par l'intelligence artificielle (IA). Le concept de la 4ème révolution industrielle a été inventé par le fondateur du Word Economic Forum (WEF), Klaus Schwab en 2016. Selon Schwab, cette ère se distingue par l’arrivée de nouvelles technologies qui brouillent les frontières de la physique, du numérique et de la biologique.

Un peu d’histoire

L’IA est tout sauf un concept nouveau. Le domaine de l'IA fait l'objet de recherches depuis 1951 avec la parution des premiers articles scientifiques en 1967 (1). L’année 2012 a été considérée comme une année décisive dans le domaine de l'IA car elle a été marquée par le développement et la démocratisation du Deep Learning (DL), une sous-discipline de l'IA. Le DL a ouvert de nouvelles portes à l'innovation et est aujourd’hui le moteur de nouvelles recherches comme en témoigne le nombre d’articles d’IA grandissant depuis la dernière décennie (2).

Figure 1(Source : Pubmed)

Alan Turing, l'un des pionniers de l'informatique moderne, a été le premier à créer un programme adaptatif imitant les capacités cognitives d'un être humain au début des années 50, même si le terme "intelligence artificielle" n'existait pas encore. Il a fallu 5 à 6 ans pour que la communauté scientifique réalise l'avènement de cette technologie extraordinaire. C’est lors du Dartmouth Summer Research Project on Artificial Intelligence en 1956 (Darmouth College, Etats-Unis), un événement considéré comme le moment fondateur de l'intelligence artificielle en tant que domaine de recherche, que John McCarthy a donné un vrai sens au terme de l’IA (3-4).

Le développement historique de l’IA : une vraie montagne russe

Depuis sa naissance, l'IA est passée par plusieurs étapes de développement. Au cours de sept décennies, plusieurs percées ont été réalisées dans ce domaine malgré deux périodes dites “d’hiver” 5.

Source : Xue-bo et al.

i. La période d'inférence (1956-1974)

Cette période est considérée comme la période pivotante de l’IA puisque c’est à cette période que les systèmes informatiques ont été dotés du pouvoir d'effectuer des inférences logiques ; la racine de l'IA. De nombreux progrès ont été réalisés au cours de cette période, comme le développement du perceptron, une fonction simple qui associe un message d'entrée à une valeur de sortie de manière binaire, mais qui est aujourd'hui au cœur de l'apprentissage autonome et de l'exploration de données. À cette époque, le domaine était en plein essor et attirait beaucoup d'attention de la part des agences gouvernementales qui ont investi d'importantes sommes d'argent dans ce domaine prometteur jusqu'au milieu des années 1970.

ii. Le premier hiver de l'IA (1974-1980)

Au milieu des années 70, le vent a commencé à tourner lorsque les promesses faites dans les années 60 n'ont pas été tenues. Pendant 5 ans, le domaine a connu une ‘saison hivernale’ caractérisée par des rendements réduits, un désenchantement et un pessimisme important des chercheurs en IA. Ces derniers étaient confrontés à des limitations pratiques telles qu'une puissance de calcul limitée. En conséquence, le soutien financier fut interrompu et le domaine s’enlisa.

iii. La période des connaissances (1980-1987)

Aussi rapidement qu'il était disparu de la scène, le domaine de l'IA a connu un nouvel essor au cours d'une période appelée "période de la connaissance". Le domaine a pris un nouveau départ lorsque la recherche sur l'IA est passée de la recherche en laboratoire aux applications pratiques en entreprise. Les premières techniques d'IA ont été commercialisées et ont conduit à la création de l'ordinateur personnel, qui a apporté de grands avantages économiques et sociaux.

iv. Le deuxième hiver de l'IA (1987-1993)

Après une période de prospérité, le domaine de l'IA a été frappé par une deuxième baisse de rythme et de popularité ; le financement s'étant tari lorsque des attentes irréalistes n'ont pu être satisfaites, une fois de plus. Durant cette crise, les experts en IA ont été critiqués en raison de leur manque de bon sens vis-à-vis de cette technologie. Par ailleurs, bien que l'IA ait promis de révolutionner le monde, les algorithmes étaient limités à des domaines d'expertise spécifique et ne pouvaient être appliqués à des systèmes plus vastes et plus importants.

v. Période d'apprentissage (1993 – aujourd’hui)

Cette période a débuté lorsque les acteurs des entreprises technologiques telles que Apple, Google, IBM et Microsoft se sont approprié le domaine. Cette ère coïncide avec la génération de grandes quantités de données, connues sous le nom de big data, et le développement du Machine Learning (ML) et du Deep Learning (DL). L'avènement de ces deux inventions ont complètement révolutionné le domaine en créant un système capable d'analyser et de fournir des résultats précis en un temps record de manière humaine.

d) L’IA forte et l’IA faible

Une représentation courante d'un système d'IA provient de la culture populaire ; les programmes d'IA sont décrits comme des programmes ayant la capacité d'atteindre un niveau de conscience comparable à celui de l'homme. Cette représentation de l'IA a captivé l’imaginaire humain à travers des livres de science-fiction tels que Blade Runner, I robot et 2001 : A Space Odyssey, entre autres. La science-fiction, qui était limitée au groupe de la sous-culture "geek", a connu une explosion dans la culture de masse au cours des deux dernières décennies et a contribué à étendre la représentation de l'IA au grand public, principalement par le biais de superproductions telles que les franchises Matrix, Terminator et Alien. Cependant, malgré l’expansion rapide du domaine, il n'existe pas de définition unique du terme IA. Aujourd’hui, les définitions de l'IA sont nombreuses et chacune d'entre elles varie selon le domaine dans lequel elle est utilisée et des objectifs que l'on souhaite atteindre. Pour simplifier les choses, l'IA peut être segmentée en IA forte et une IA faible :

1. Une IA forte est un programme qui est suffisamment complexe pour égaler ou même dépasser l'intelligence humaine. Ce niveau de complexité permettrait au programme d'avoir une conscience de soi et de s'adapter à n'importe quelle situation sans aucune formation préalable. Pourtant, ce type d'IA n'est rien d'autre qu'une simple projection de l'esprit humain à l'heure actuelle. La technologie et la puissance de calcul actuelles ne fournissent pas encore les outils nécessaires à l'élaboration d'un algorithme aussi puissant.

2. Une IA faible est un terme couramment utilisé chez les informaticiens et les programmeurs. Une IA faible n'est pas destinée à reproduire l'esprit humain, mais c'est un algorithme qui s'appuie partiellement sur l'imitation du raisonnement humain pour fournir un service. Aujourd'hui, tous les algorithmes entrent dans la catégorie des IA faibles.

Comprendre l’IA avec le concept des poupées russes.

Figure 2 (Source : MC.AI)

Comme le montre la figure X, le terme IA est un terme large qui regroupe différentes sous-catégories. Cependant, cette explication se concentrera uniquement sur la branche de l' intelligence artificielle (IA) qui mène au Machine Learning (ML) et de sa sous-catégorie, le Deep Learning (DL). Les termes AI, ML et DL sont des termes couramment utilisés mais limités au domaine de l'industrie technologique et des data scientists. La figure 2 illustre les principales différences entre chaque terme et montre comment chaque domaine est imbriqué l’un dans l’autre à l’instar des poupées russes.

Figure 3 (Source : ProwessCorp)

i. L'intelligence artificielle (IA)

Comme nous l'avons vu dans la section précédente, l'IA peut être divisée en IA faible et IA forte et est généralement définie en fonction de son champ d'action. En termes simples, l'IA est un terme utilisé pour décrire un code, une technique ou un algorithme qui permet à une machine d'imiter la pensée. Pour ce faire, on construit des réseaux qui imitent le fonctionnement interne du cerveau humain, appelés réseaux neuronaux artificiels, capables de raisonner logiquement, d'apprendre et de s'autocorriger.

ii. Le Machine Learning (ML)

Le ML est un sous-ensemble de l’IA et correspond à une méthode par laquelle un algorithme apprend. Plus précisément, le ML utilise des algorithmes d'apprentissage statistique pour construire des systèmes capables de d'apprendre automatiquement et de s'améliorer à partir de leurs expériences sans être explicitement programmés. Pour ce faire, l'algorithme est alimenté en informations qui serviront d'outil d'apprentissage. Parmi les exemples courants de plateformes basées sur le ML, citons YouTube, les systèmes de recommandation de Netflix, Spotify, les moteurs de recherche tels que Google et les systèmes vocaux et les assistants comme Google Home ou Amazon Alexa. En outre, le ML peut être sectorisé en 3 grands domaines :

• Apprentissage supervisé : le fait de fournir un ensemble de données (entrée) à un algorithme avec le résultat escompté (sortie) et de demander à l'algorithme de trouver des relations entre les données d'entrée et de sortie.

• Apprentissage non supervisé : le fait de fournir une entrée à un algorithme sans la sortie correspondante et de demander à l'algorithme de trouver des relations entre les ensembles de données fournis pour rechercher de nouvelles sorties.

• Apprentissage par renforcement : le fait de permettre à l'algorithme de recevoir des entrées provenant de son environnement et de choisir de manière autonome un comportement approprié en réponse aux données d'entrée.

iii. Le Deep Learning (DL)

Contrairement au ML, qui se concentre sur l'apprentissage d'une ou deux couches d'ensembles de données, le DL met l'accent sur le concept d'une approche multiple et successive de l'apprentissage pour donner un sens " plus profond " aux données. Sans entrer dans les détails, les 3 caractéristiques fondamentales et l'architecture de DL sont les réseaux neuronaux convolutifs, les réseaux neuronaux récurrents et les réseaux neuronaux récursifs. Le DL nécessite donc l'utilisation d'un réseau neuronal artificiel qui contient des nœuds interconnectés. Cette méthode d'apprentissage, qui partage la plupart des caractéristiques du cerveau humain, apprend en filtrant les données à travers des couches afin de prédire un résultat et de classifier l’information. Ce principe est utilisé pour les voitures autonomes, et est fondamental pour que l’algorithme puisse différencier un piéton d'un lampadaire, par exemple.

La 4ème révolution industrielle, porté par l’IA a pour but d’apporter des changements considérables à notre société, à l’instar des précédentes révolutions industrielles. Cette technologie nous donne le pouvoir de repousser les barrières scientifiques avec la possibilité de voyager d’effectuer des conquêtes spatiales, de garantir un environnement commercial plus équitable et mettre au point de nouveaux traitements plus ciblés et efficaces. Le pouvoir et la liberté dont nous disposons grâce à l’IA est une source de pouvoir mais aussi d'humilité, car nous, les humaines, sommes désormais capables de créer des outils qui peuvent apprendre et penser comme nous. Beaucoup de craintes planent sur ce domaine. L'IA ne remplacera pas l'intelligence biologique mais elle améliorera nos vies et notre futur et nous avons la chance de tous mener le voyage ensemble et d'être témoin mais aussi de décider comment l’IA façonnera nos vies.

---

Auteurs:

Khalid Deojee (Responsable du Comité Intelligence Artificielle) Mohamed Kaabouni (Ambassadeur du Comité Intelligence Artificielle)

---

Bibliographie

1. Hunt, E. Computer Simulation: Artificial Intelligence Studies and their Relevance to Psychology. Annu. Rev. Psychol. 19, 135–168 (1968).

2. Pubmed. Artificial Intelligence.

3. McCarthy, J., Minsky, M. L., Rochester, N. & Shannon, C. E. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Mag. 27, 12–12 (2006).

4. Cordeschi, R. Ai Turns Fifty: Revisiting Its Origins. Appl. Artif. Intell. 21, 259–279 (2007).

5. Xue-bo, J. & Jian-Lei, K. State-of-the-Art Mobile Intelligence: Enabling Robots to Move Like Humans by Estimating Mobility with Artificial Intelligence. https://www.researchgate.net/publication/323591839_State-of-the-Art_Mobile_Intelligence_Enabling_Robots_to_Move_Like_Humans_by_Estimating_Mobility_with_Artificial_Intelligence (2018).