« Ok Google, qu’est-ce que tu es ? » « Je suis une intelligence artificielle ». Siri, Google traduction, les chatbots ou encore les moteurs de recherche… L’intelligence artificielle (IA) se matérialise partout autour de nous mais reste pourtant énigmatique pour beaucoup. Comment un « cerveau » fabriqué arrive-t-il à réaliser des tâches humaines ? A la découverte du machine learning. 

L’intelligence artificielle est composée d’un ensemble de techniques basées sur des théories visant à simuler l’intelligence humaine. Elle est utilisée dans de nombreux domaines comme l’industrie des transports avec les voitures autonomes, le domaine de la santé avec la reconnaissance de nombreuses maladies, la sécurité, l’éducation… On en trouve dans pratiquement tous les secteurs.

À l’heure actuelle elle est fortement médiatisée parce qu’elle nous accompagne quotidiennement, dans nos recherches sur le web par exemple. Pourtant elle ne date pas d’hier.

Au commencement de l’IA

C’est dans les années 1950 qu’arrivent les prémices de l’IA avec notamment le machine learning (apprentissage automatique en français) et les réseaux de neurones initiés pour la première fois par le mathématicien anglais Alan Turing dans un article intitulé Computing Machinery and Intelligence. Les neuroscientifiques se demandaient déjà « est-ce qu’on est apte à programmer une machine qui puisse résoudre des tâches que nous, humains, sommes capables de résoudre », explique Julien Ah-Pine, chercheur en informatique et statistique. Dix ans plus tard, en 1960, le développement d’ordinateur capable de résoudre des problèmes algébriques et des théorèmes prolonge davantage l’épanouissement de la pratique. L’évolution des technologies et les machines toujours plus puissantes, accompagnent l’émergence dans ce domaine. Bien qu’il soit en vogue de nos jours, le secteur de l’IA a connu certains moments de ralentissement et de désillusion. Il continue également d’essuyer maintes et maintes critiques que ce soit déontologiquement ou juridiquement. Il faut pourtant avouer que c’est une véritable révolution dans le domaine de l’informatique.

Machine learning et deep learning : quand l’homme apprend à la machine

Mais l’intelligence de l’ordinateur ne s’est pas créée seule, ce sont des hommes qui sont derrière et qui constituent la base d’entraînement de la machine comme le rappelle Julien Ah- Pine : « En tant que chercheur ou ingénieur, on travaille sur l’algorithme en amont qui va dire ce qu’il faut apprendre et comment il faut apprendre. » En d’autres termes, le machine learning représente le fait de donner à une machine la capacité d’apprendre.

Avant de découvrir les trois différents types d’apprentissage, il est important d’expliquer ce qu’est le deep learning. En français, l’apprentissage profond, est en fait un sous-domaine très utilisé aujourd’hui du machine learning. Pour aller avec cette technique, on parle souvent de réseaux de neurones. En fait, le deep learning traite une énorme quantité de données, on le retrouve par exemple dans la reconnaissance faciale sur Facebook pour identifier automatiquement ses amis sur les photos.

Apprentissage supervisé, par renforcement ou non supervisé : comment la machine apprend ?

La méthode qui est la plus utilisée actuellement pour apprendre à une machine est l’apprentissage supervisé.
Si l’on compare l’apprentissage du cerveau artificiel avec le cerveau humain on retrouve une similitude. Pour apprendre, l’humain a besoin d’exemples, la machine aussi. Dans le cas de cet apprentissage, l’homme donne à la machine une quantité astronomique de données avec leur correspondance. L’intelligence artificielle apprend alors puis crée des modèles. En langage mathématique, cela revient à fournir des « X » et des « Y » à la machine qui devra assimiler la relation entre les deux et ce qui les unit.

« Supervisé », parce qu’on lui donne la réponse et l’algorithme mesure l’erreur entre la réponse de l’ordinateur et la réponse attendue en s’auto-évaluant pour modifier ses réponses : c’est là qu’on parle de phase d’entraînement. Cette phase est très variable et peux durer quelques secondes comme plusieurs années. Cet apprentissage est reçu lorsque l’on peut mettre des étiquettes sur les données comme dans le cas de la reconnaissance d’animaux (quand on vous demande quelles images représentent un avion, un animal etc.) ou bien des filtres anti-spam des emails.

Contrairement à l’apprentissage supervisé, dans le cas de l’apprentissage non supervisé, on ne donne pas d’exemple à la machine. On lui donne une grande base de données et c’est à elle d’apprendre avec cela. Elle va chercher les ressemblances et des différences et se développer seule. On offre en fait des ensembles d’entrainements à un algorithme qui va mémoriser la recette, c’est-à-dire qui va chercher à voir comment est-ce qu’il peut reconnaitre le bon output à partir de l’input.

« Le but ultime, c’est d’automatiser des décisions et donc une fois que la machine aura appris cette recette, pouvoir prédire pour n’importe quel X [valeur] qu’on lui donne en entrée »

– Julien Ah-Pine

Ce type d’apprentissage est mené quand on ne peut pas étiqueter des données comme dans les recherches médicales (pour trouver telles ou telles bactéries) ou le marketing digital (analyse de l’audience d’une marque).

Autre méthode d’apprentissage, celui par renforcement. De la même manière que l’on apprend à un animal à donner la patte, cet apprentissage repose sur le principe de bonus et de malus. Par exemple quand votre chien fait ce que vous lui demandez, vous pouvez lui donner une friandise, la même chose se passe avec ces machines. L’algorithme va chercher à optimiser les bonus et s’il se trompe il reçoit donc un malus. Ainsi, il va analyser la situation pour ne plus que cela se reproduise. Dans l’utilisation de cet apprentissage, la fonction doit pouvoir interagir avec son environnement qui sera dynamique comme avec les voitures autonomes ou les jeux de société notamment le jeu de GO.

Des avancées sont à prévoir pour les prochaines années, notamment la mise sur le marché de voitures autonomes par l’entreprise RoboSense avec des technologies toujours plus puissantes.