Construire l’IA : des données, des algorithmes, des ressources et des hommes

Après deux vagues d’é­checs, les cal­culs de l’in­tel­li­gence arti­fi­cielle peuvent main­te­nant trans­for­mer notre socié­té. Il ne faut pas en craindre les risques, car si les déve­lop­pe­ments sont per­mis par la pro­fu­sion de don­nées trai­tées avec des cal­cu­la­teurs haute per­for­mance, il s’a­vère qu’il faut inté­grer le fac­teur humain tant dans la concep­tion que dans la per­cep­tion des usages à venir. 

La révo­lu­tion annon­cée de l’IA résulte de la conver­gence de trois fac­teurs. D’une part, la pro­fu­sion de don­nées numé­ri­sées via l’Internet, les outils internes des entre­prises et des centres de recherche scien­ti­fique, les pla­te­formes numé­riques, les réseaux de cap­teurs, l’Internet des objets, etc. 

D’autre part, la matu­ri­té des com­mu­nau­tés scien­ti­fiques en mathé­ma­tiques et en infor­ma­tique sur le thème de l’apprentissage auto­ma­tique, avec les avan­cées de la modé­li­sa­tion sta­tis­tique de don­nées com­plexes, le déve­lop­pe­ment et l’analyse d’algorithmes sophis­ti­qués foca­li­sés sur l’optimisation de règles prédictives. 

Et enfin, la dis­po­ni­bi­li­té de res­sources maté­rielles et d’environnements logi­ciels ouvrant des pers­pec­tives pra­ti­que­ment illi­mi­tées pour le sto­ckage, le cal­cul et le déve­lop­pe­ment logi­ciel sur un mode collaboratif. 

Il s’agit de la troi­sième vague que connaît le grand public sur le thème de l’IA, les deux pre­mières n’ayant pas eu l’impact atten­du – ou craint – sur l’humanité.

En réa­li­té, cette trans­for­ma­tion est déjà en cours, mais à des rythmes très dis­pa­rates selon les domaines d’application : très rapide dans l’Internet, le mar­ke­ting numé­rique, le tou­risme, et le trans­port, plus pous­sif dans l’industrie tra­di­tion­nelle, et presque au départ dans la san­té, la for­ma­tion et la ges­tion des compétences. 

LES CLÉS DE L’APPRENTISSAGE AUTOMATIQUE, MOTEUR DE L’IA MODERNE

La fièvre du big data est quelque peu retom­bée suite au constat que la masse ne suf­fit pas : l’ordre et le sens ont aus­si leur importance. 

En effet, la notion d’information dans ce contexte mérite d’être déve­lop­pée ici. Elle relève de trois niveaux : la mesure (signal), la répé­ti­tion sta­tis­tique (régu­la­ri­té du phé­no­mène) et l’appréciation experte (label­li­sa­tion ou anno­ta­tion par l’expert humain). 

Les espoirs por­tés dans les masses de don­nées accu­mu­lées sont par­fois déçus lorsque la valeur infor­ma­tion­nelle de ces don­nées n’a pas été éva­luée en amont et que leur orga­ni­sa­tion dans les bases de don­nées ne per­met pas des accès souples et rapides pour extraire les échan­tillons per­ti­nents pour la modé­li­sa­tion et l’apprentissage.

Les méthodes d’apprentissage se scindent en deux selon le carac­tère super­vi­sé ou non super­vi­sé des don­nées, c’est-à-dire selon la dis­po­ni­bi­li­té ou non de don­nées anno­tées par un expert humain. 

Or, le suc­cès des méthodes d’apprentissage dans les appli­ca­tions inter­net, notam­ment l’indexation d’images, de musique et de vidéo, repose sur un tra­vail consi­dé­rable d’annotation réa­li­sé en grande par­tie par des opé­ra­teurs humains (voir, par exemple, la place de mar­ché Ama­zon Mecha­ni­cal Turk², ou le prin­cipe du capt­cha pour iden­ti­fier les uti­li­sa­teurs humains et fil­trer les robots sur cer­taines pages web). 

Dans le domaine indus­triel, notam­ment dans les sys­tèmes cri­tiques ou les appli­ca­tions bio­mé­di­cales, il est peu pro­bable que l’apprentissage non super­vi­sé conduise à des réa­li­sa­tions majeures autres que dans l’analyse explo­ra­toire de données. 

Il est alors cru­cial de dis­po­ser de don­nées qua­li­fiées et anno­tées. Or, ce tra­vail labo­rieux pré­sente un coût impor­tant et mobi­lise des experts qui peuvent se sen­tir dépos­sé­dés de leur savoir-faire dans cette étape. C’est pour­tant une clé de la réussite. 

DES ALGORITHMES POUR L’APPRENTISSAGE

Il faut dis­tin­guer deux niveaux dans la réso­lu­tion algo­rith­mique du pro­blème d’apprentissage auto­ma­tique : (1) la phase d’apprentissage d’une règle de déci­sion à par­tir d’une famille de règles can­di­dates, (2) l’exécution de la règle de déci­sion qui se pré­sente sous une forme ana­ly­tique expli­cite sur une nou­velle don­née pour pro­duire une pré­dic­tion pertinente. 

Ces deux niveaux peuvent satis­faire à des exi­gences radi­ca­le­ment dif­fé­rentes en termes de tem­po­ra­li­té et de cal­cul. Ain­si, la phase d’apprentissage cor­res­pond à l’exécution d’un pro­gramme d’optimisation cou­plé avec une base de don­nées, alors que le cal­cul de la règle de déci­sion consiste à appli­quer une for­mule qui peut conte­nir un grand nombre d’opérations.

On peut consi­dé­rer géné­ra­le­ment que l’apprentissage s’effectue hors-ligne et l’application de la règle de déci­sion doit être réa­li­sée en ligne et en temps réel. 

Il existe trois points clés pour une mise en œuvre réus­sie pour l’apprentissage automatique. 

CONCILIER PERFORMANCE STATISTIQUE ET ACCEPTABILITÉ

Un algo­rithme d’apprentissage opère géné­ra­le­ment comme un pro­gramme d’optimisation d’un cer­tain cri­tère de per­for­mance à par­tir d’un jeu de don­nées exis­tant, la vali­di­té du cri­tère ayant un sens avant tout sta­tis­tique (exemple de cri­tère objec­tif pour une tâche de recon­nais­sance : le taux d’objets cor­rec­te­ment classés). 

Or, l’acceptabilité de la règle de déci­sion éta­blie peut dépendre d’autres aspects : 

• la confor­mi­té opé­ra­tion­nelle (par exemple, contrainte de temps réel pour l’évaluation du résul­tat par la règle de déci­sion sur une nou­velle don­née, cf. cas des enchères en ligne sur les ban­nières publi­ci­taires ou tra­ding algo­rith­mique, les déci­sions doivent être ren­dues en quelques millisecondes) ; 
• la qua­li­té de l’expérience-utilisateur (par exemple, en recon­nais­sance des formes, le sys­tème recon­naît par­fai­te­ment tous les objets sauf ceux qui inté­ressent l’utilisateur) ;
• l’alignement avec les objec­tifs éco­no­miques (par exemple, dans le mar­ke­ting numé­rique, équi­libre entre le taux de clics qui rend compte de la per­for­mance du sys­tème de ciblage et la valo­ri­sa­tion éco­no­mique qui peut être réa­li­sée via dif­fé­rents modèles) ; 
• enfin, le res­pect de l’éthique (par exemple, l’IA « raciste » de Microsoft/Tay).

Pour finir, il faut assu­rer le sui­vi de la règle de déci­sion pen­dant tout son cycle de vie : sui­vi conti­nu de la per­for­mance, adap­ta­tion au chan­ge­ment dans les don­nées, ges­tion de la nou­veau­té… L’enjeu de ce point est de s’assurer que la qua­li­té du sys­tème ne se dégra­de­ra pas signi­fi­ca­ti­ve­ment au cours du temps. 

Dans cer­tains domaines, l’ensemble des garan­ties à four­nir sur l’environnement d’un algo­rithme d’apprentissage devra faire l’objet de pro­cé­dures de certification. 

L’ACCÈS AUX RESSOURCES EST CRUCIAL

Dans cette période d’émergence de l’apprentissage auto­ma­tique, la prio­ri­té est don­née aux études dites de fai­sa­bi­li­té, sur des modèles réduits (péri­mètre res­treint des don­nées en espace et en temps, et non prise en compte des contraintes d’opération).

Dans le domaine de l’IA, la for­ma­tion d’excellence est le mas­ter MVA (Mathé­ma­tiques-Vision- Appren­tis­sage) de l’ENS Paris-Saclay qui, en 2017, a accueilli plus de 150 étu­diants dont 60 poly­tech­ni­ciens. © ENS PARIS-SACLAY

Or, cette démarche per­met au mieux de réa­li­ser un état des lieux sur les don­nées dis­po­nibles, mais ne per­met pas réel­le­ment de rendre compte de ce qui est attei­gnable dans un fonc­tion­ne­ment industriel. 

La ques­tion du pas­sage à l’échelle (en espace et en temps) doit être inté­grée dans la réflexion dès les pre­mières étapes d’un projet. 

Ain­si, l’accès à des moyens de cal­cul rele­vant du cal­cul de haute per­for­mance (HPC) peut se révé­ler cri­tique pour cer­taines appli­ca­tions mais le dimen­sion­ne­ment de ces moyens est sans aucun doute très varié selon la nature et l’organisation des don­nées, les choix algo­rith­miques (par exemple, nature du prin­cipe d’optimisation sous-jacent) et la réso­lu­tion du com­pro­mis biais-variance, les contraintes opé­ra­tion­nelles por­tant sur l’actualisation et le déploie­ment de la règle de déci­sion résul­tant de l’apprentissage.

Le lien entre appren­tis­sage auto­ma­tique et HPC est par­ti­cu­liè­re­ment inté­res­sant puisque les infra­struc­tures pour le HPC sont elles-mêmes des sys­tèmes com­plexes qui pro­duisent des don­nées à appré­hen­der et sujettes à la valo­ri­sa­tion par appren­tis­sage (contrôle d’expériences, main­te­nance pré­ven­tive, etc.). 

Enfin, les approches hybrides mêlant modé­li­sa­tion phy­sique et exploi­ta­tion des don­nées expé­ri­men­tales ou des rele­vés du ter­rain vont vrai­sem­bla­ble­ment se déve­lop­per en inter­ac­tion avec l’utilisation des grands calculateurs. 

UN ENJEU DE TAILLE : LE FACTEUR HUMAIN

Si les briques tech­no­lo­giques actuelles dans le domaine de l’IA pré­sentent, sous réserve d’intégration, un poten­tiel qua­si­ment illi­mi­té, les acteurs tra­di­tion­nels, publics ou pri­vés, tous sec­teurs d’activité confon­dus, peinent à trou­ver la voie pour s’équiper et se pré­mu­nir ain­si du risque d’intermédiation.

Il convient de s’intéresser aux évo­lu­tions atten­dues dans les pos­tures et les métiers liés d’une manière ou d’une autre à l’intégration d’outils et de sys­tèmes rele­vant de l’IA. Ain­si, on peut ima­gi­ner qu’un cer­tain nombre de rôles vont émer­ger à l’occasion de la mise en place de tels systèmes. 

• Il y a d’une part le spon­sor, mana­ger ou poli­tique qui per­çoit les enjeux stra­té­giques de l’IA pour son orga­ni­sa­tion, dimen­sionne le coût de déve­lop­pe­ment, motive son orga­ni­sa­tion et faci­lite l’acceptabilité de la solu­tion envisagée ; 
• puis, le concep­teur, expert en science des don­nées, algo­rith­mie de l’apprentissage, ingé­nie­rie des sys­tèmes com­plexes, qui va construire et spé­ci­fier une solution ; 
• l’intégrateur, l’expert infor­ma­ti­cien capable d’implémenter le sys­tème dans une ins­tan­cia­tion spécifique ; 
• l’entraîneur, ingé­nieur spé­cia­li­sé dans la ges­tion des don­nées qui peut actua­li­ser le sys­tème en cou­plage avec une base de données ; 
• le super­vi­seur, expert « métier » pou­vant ajus­ter le com­por­te­ment du sys­tème selon les retours d’expérience ;
• l’utilisateur, expert « métier » ou grand public qui inter­agit au quo­ti­dien avec le sys­tème, fami­lier des capa­ci­tés et des limites du système ; 
• enfin, le juge, auto­ri­té morale ou légale qui apporte la garan­tie que le sys­tème res­pecte un cer­tain code de conduite. 

L’IA AU SECOURS DE L’HUMAIN FAILLIBLE ?

Par ailleurs, l’interaction crois­sante de l’humain avec des inter­faces numé­riques aux apti­tudes gran­dis­santes va sou­le­ver des ques­tions inté­res­santes sur l’ergonomie de cette relation. 

Faut-il pas­ser le volant à l’homme pour gérer les 5 % des situa­tions à risque ? Des faits récents montrent que les consé­quences peuvent être désas­treuses (voir, par exemple, les causes du crash du vol Paris-Rio). Il faut recher­cher les méca­nismes de cette ten­sion au plus pro­fond de la neu­ro­phy­sio­lo­gie du corps humain et des boucles sen­so­ri­mo­trices qui en régissent le comportement. 

Outre les ques­tions liées au pilo­tage des sys­tèmes auto­ma­ti­sés ou semi-auto­ma­ti­sés, il y a éga­le­ment la ques­tion de l’impact à plus long terme de cette inter­ac­tion : com­ment pré­ser­ver un cer­tain patri­moine intel­lec­tuel dans un monde sans experts et une capa­ci­té d’inventivité dans un uni­vers où les tech­no­lo­gies numé­riques risquent d’appauvrir notre expé­rience du monde sensible ? 

L’humain sera-t-il rem­pla­cé ou aug­men­té par les tech­no­lo­gies qu’il va créer ? © PICT RIDER

Par ailleurs, les sys­tèmes dotés d’intelligence arti­fi­cielle peuvent certes créer de la nou­veau­té mais uni­que­ment dans la conti­nui­té de ce que l’humain a déjà créé. 

En conclu­sion, les ques­tions de fond sub­sistent : l’humain sera-t-il rem­pla­cé ou aug­men­té par les tech­no­lo­gies qu’il va créer ? Les vieilles entre­prises seront-elles rem­pla­cées par les jeunes entre­prises opé­rant sur Inter­net, telles des pieuvres géantes ? L’histoire n’est pas encore écrite mais elle sera cer­tai­ne­ment très dif­fé­rente selon que le déve­lop­pe­ment de l’IA inté­gre­ra ou non le fac­teur humain tant dans sa concep­tion que dans la per­cep­tion de ses usages à venir.
 

__________________________________
1. 1 exa­oc­tet = 1 mil­liard de mil­liards d’octets.
2. Ser­vice de micro­tra­vail par crowd­sour­cing conçu pour accé­lé­rer l’annotation d’images sur le Web notamment.
3. https://www.nextrembrandt.com/

---

Articles similaires :

Le DGE : Le dis­po­si­tif d’optimisation des inter­ven­tions de la gendarmerie Numé­rique et san­té, l’exemple du cerveau L’intelligence arti­fi­cielle révo­lu­tionne l’apprentissage 50 Part­ners : un modèle unique de col­la­bo­ra­tion au ser­vice de l’innovation Quand la Data révo­lu­tionne la grande distribution