L'Intelligence Artificielle : simple machine à prédire?
-
Interview de
Malcolm Boyd
- Lecture 7 min.
Cet article est inspiré des dernières réflexions et publications d’Ajay Agrawal, professeur à l’université de Toronto et co-auteur d’un livre publié aux éditions Harvard Business Review intitulé « Prediction Machines ».
La raison principale de ce hype autour de l’Intelligence Artificielle (IA) tient moins à l’existence et la pertinence d’algorithmes prédictifs qu’ à la chute drastique du coût technique pour les opérer.
La puissance de calcul dans le cloud a grandi exponentiellement ces dernières années alors que son coût ne faisait que baisser. Pas étonnant donc que les géants du cloud (Amazon, Google et Microsoft en tête) soient également ceux qui se battent aujourd’hui pour la conquête de cette nouvelle frontière, ce nouveau Graal qu’est l’IA.
« Artificial Intelligence is just a cheap prediction capability »
A. Agrawal
C’est la formule choc d’Ajay Agrawal.
Sa thèse? L’IA n’est rien d’autre qu’une machine à faire des prédictions, mais de manière beaucoup plus simple et moins onéreuse qu’hier – capacités de stockage, puissance de calcul, frameworks et plateformes logicielles,… – c’est ça qui a changé.
C’est à la fois un peu de provocation, mais surtout une grande volonté de simplification et de pédagogie qui se cache derrière cette phrase d’Agrawal, même si cela reste un peu abscons et, surtout, assez peu valorisant pour l’IA (si ça n’est que ça, alors pourquoi en faire tel étalage?).
Ramener l’IA a une simple équation économique (= le coût de la prédiction) peut en effet donner l’impression d’en minimiser le potentiel. Cela pourrait être vrai si les cas d’applications possibles n’étaient pas aussi vastes, et le potentiel quasi illimité.
Prenons la voiture autonome. Quoi de mieux qu’un exemple concret et disruptif pour l’illustrer (et oui, un peu galvaudé aussi, désolé). Car oui, une voiture sans conducteur c’est aussi, mesdames et messieurs, une simple histoire de prédiction…
Les véhicules autonomes existent déjà depuis des années, notamment dans des univers bien contrôlés tels que les usines ou les entrepôts logistiques. On y croise des AGV (Automatic Guided Vehicles), des robots véhicules en charge d’aller chercher la marchandise dans les rayonnages des entrepôts, de préparer les commandes et de charger les camions pour la livraison.
Ces automates roulants intelligents ont été programmés sur la base d’une vaste quantité de règles qui leur permettent de décider quel comportement adopter en fonction de situations données (par exemple : si une personne passe devant l’AGV, alors il faut s’arrêter). Ils embarquent donc une forme d’intelligence, mais qui tient plus à de l’assemblage de règles qu’à une véritable intelligence artificielle capable d’apprendre, voire de modifier ses propres règles de comportement.
Avec ce type d’approche, il aurait été inconcevable de créer une voiture autonome et de la placer dans un univers non contrôlé comme une de nos bonnes vieilles départementales (et encore moins en milieu urbain). Les situations et les variations de contexte y sont trop complexes : impossible de prévoir (encore moins de coder!) l’exhaustivité des cas ou des exceptions possibles.
Avec la nouvelle génération de voitures autonomes, la question est posée différemment : il s’agit de remplacer la modélisation de millions de règles possibles par une simple question orientée sur une prédiction experte: « Que ferait un humain dans cette situation de conduite ? »
Grâce à l’IA, et plus particulièrement au « Machine Learning », répondre à cette question devient possible. Il suffit (…) de placer la machine dans la voiture aux côtés d’un conducteur humain et de rouler des milliers (plutôt millions) de kilomètres pour permettre à l’IA d’apprendre et assimiler toutes les décisions prises par l’homme dans chaque situation de conduite.
Car ces décisions ne sont finalement pas si compliquées, elles peuvent se résumer à quelques opérations simples : tourner à gauche, à droite, accélérer, freiner…
En plaçant des capteurs (des cameras LIDAR) sur la voiture revient alors à lui donner des yeux et des oreilles qui vont fournir au véhicule autonome les données qui vont lui permettre d’agir (si vous ne la connaissez pas, prenez une minute pour découvrir Waymo, la business unit de Google dédiée à la voiture autonome, et aussi, ne soyons pas chauvins, le taxi autonome français de Navya).
Ces données sont analysées par l’intelligence artificielle, qui va durant sa phase d’apprentissage (c’est pour cela qu’on parle de Machine Learning) essayer de prédire la prochaine action du conducteur. Si la prédiction s’avère juste (« le conducteur a effectivement freiné »), alors l’IA le note comme une « prévision correcte ». Si l’IA se trompe, elle l’intègre également et met à jour son modèle de prédiction pour l’améliorer.
La même logique s’applique pour les traducteurs en ligne de type Google translate : plutôt que de programmer des milliers d’exceptions linguistiques ou idiomatiques, on laisse la machine faire une prédiction basée sur un apprentissage effectué aux côtés d’un traducteur humain.
Il y a quand même une différence importante entre ces deux exemples, c’est le coût de l’erreur : la sévérité du risque n’est pas du tout la même en cas de mauvaise prédiction. Dans un cas ce sont des vies humaines qui sont en jeu, dans l’autre, c’est une simple erreur de traduction … aux conséquences plus comiques que tragiques (souvenez-vous la délicieuse bourde d’Emmanuel Macron lors de sa visite officielle en Australie en 2018).
C’est pourquoi l’effort déployé dans la phase d’apprentissage ne peut pas être le même selon le cas d’usage visé. Au final, c’est un peu comme dans la vraie vie. On ne passe pas autant de temps à former un agent de comptoir dans une agence de location de voiture qu’un pilote de ligne chez Air France…
Sachant que pour une IA comme pour un pilote de ligne, l’apprentissage continue de se faire dans le monde réel (et pas que dans un environnement d’apprentissage ou de simulation).
Inquiétant? Oui et non, car certes la machine n’est pas parfaite à 100% à son lancement, mais elle continue de s’améliorer. Il faut juste bien s’assurer que l’on ait atteint le niveau de fiabilité suffisant dans la prédiction avant de lâcher la machine sur le terrain.
Et puis, on a le droit d’être moins ambitieux que de vouloir laisser sa voiture nous ramener seule à la maison le samedi soir. L’IA révèle un potentiel insoupçonné dès lors qu’il s’agit d’améliorer certains des processus métier de l’entreprise. De la prévision des ruptures de stock dans le commerce de détail en passant par la prédiction de pannes des machines dans l’industrie, les exemples d’IA qui fonctionnent déjà sont légion.
Vous avez encore 5 minutes? Vous pouvez découvrir un exemple très concret d’application de l’IA dans le domaine bancaire, à lire sur notre site web : L’IA peut aider le conseiller clientèle à analyser les emails des clients, identifier les cas les plus urgents, voire d’automatiser la préparation de certaines réponses.
Incroyable non?
En fait non, de moins en moins …
