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 :

Numérique et san­té, l’exemple du cerveau L’intelligence arti­fi­cielle révo­lu­tionne l’apprentissage La télé­con­sul­ta­tion : prémice de la san­té virtuelle 50 Part­ners : un mod­èle unique de col­lab­o­ra­tion au ser­vice de l’innovation Quand la Data révo­lu­tionne la grande distribution “L’IA, En 2019, n’est que la dernière vague du numérique”