La révolution de l’apprentissage machine autonome

L’in­tel­li­gence arti­fi­cielle a bien pro­gressé grâce au deep learn­ing qui per­met un appren­tis­sage autonome dans les cas sim­ples. Les per­for­mances restent en deçà des attentes dans les cas plus com­plex­es où il faut impli­quer le con­cep­teur du sys­tème pour opti­miser le proces­sus. La prochaine étape est de don­ner les moyens à l’u­til­isa­teur de con­trôler l’ap­pren­tis­sage de la machine. 

L’intel­li­gence arti­fi­cielle a con­nu des pro­grès con­ti­nus depuis des décen­nies. Ces pro­grès s’appuient sur des tech­niques d’apprentissage automa­tique élaborées, notam­ment celles qual­i­fiées d’apprentissage pro­fond ou deep learn­ing, qui per­me­t­tent d’exploiter des quan­tités de don­nées disponibles sans cesse croissantes. 

Ils béné­fi­cient égale­ment de l’organisation d’expérimentations coor­don­nées qui per­me­t­tent de com­par­er dif­férentes approches et de guider les développements. 

Ces pro­grès ont déjà con­duit à de mul­ti­ples appli­ca­tions con­crètes, dont cer­taines d’usage courant. La détec­tion de vis­age est inté­grée dans la plu­part des appareils pho­tos, la tra­duc­tion automa­tique en ligne rend des ser­vices indé­ni­ables et par­ler à une machine n’étonne plus grand monde. 

Dans le cas par­ti­c­uli­er des jeux, où les règles définis­sent des univers facile­ment acces­si­bles à la machine et où l’affrontement entre joueurs se prête bien à la mise en scène, les avancées ont été spectaculaires. 

Ain­si, les suc­cès médi­atisés de Deep Blue con­tre Kas­parov aux échecs en 1997 et de Wat­son con­tre les cham­pi­ons du jeu télévisé « Jeop­ardy ! » en 2011 ont frap­pé les esprits. Celui d’AlphaGo con­tre Lee Sedol au jeu de go en 2016 a même con­tribué à remet­tre en avant le terme d’intelligence artificielle. 

Pour autant, dans bien des domaines, les per­for­mances restent en deçà des attentes. Même des prob­lèmes apparem­ment sim­ples, du moins pour un être humain, sont loin d’être réso­lus. Par exem­ple, les robots sont encore inca­pables de se déplac­er dans un envi­ron­nement naturel comme le fait un enfant. 

Et pour repren­dre les exem­ples précé­dents de tech­nolo­gies pour­tant déjà déployées, la détec­tion automa­tique de vis­age est loin d’être infail­li­ble et les erreurs de tra­duc­tion automa­tique ou des inter­faces vocales sont par­fois cocasses. 

UN BESOIN D’AUTONOMIE AU SERVICE DES UTILISATEURS

En par­ti­c­uli­er, les util­isa­teurs non experts n’ont actuelle­ment pas les moyens de faire pro­gress­er eux-mêmes les sys­tèmes, ou alors de manière très limitée. 

Par exem­ple si un robot ne recon­naît pas un objet ou un mot don­né, il est ten­tant de vouloir lui expli­quer directe­ment, mais en pra­tique, quand on souhaite une telle adap­ta­tion à un besoin par­ti­c­uli­er, il faut impli­quer le con­cep­teur du sys­tème et atten­dre qu’il en pro­duise une nou­velle version. 

Cela empêche que l’adaptation soit instan­ta­née, voire qu’elle ait sim­ple­ment lieu, et plus générale­ment crée une sit­u­a­tion de dépendance. 

Les robots sont encore inca­pables de se déplac­er dans un envi­ron­nement naturel comme le fait un enfant © ROBERT KNESCHKE

Cette lim­i­ta­tion est liée au fait qu’avec les tech­niques actuelles, l’apprentissage dit automa­tique ne l’est en fait pas complètement. 

En pra­tique, la per­for­mance des sys­tèmes dépend non seule­ment des don­nées util­isées pour l’apprentissage automa­tique mais aus­si de choix de con­cep­tion et de paramètres qui sont opti­misés de manière heuristique. 

Cette opti­mi­sa­tion reste ain­si un art, qui sup­pose une grande expéri­ence, et le sim­ple fait d’ajouter des don­nées n’est pas une garantie absolue d’amélioration, d’autant plus que ces don­nées peu­vent être de qual­ité variable. 

Les déboires de l’agent con­ver­sa­tion­nel Tay de Microsoft, qu’un petit groupe d’utilisateurs a pu influ­encer pour lui faire tenir des pro­pos répréhen­si­bles, illus­trent bien le risque de dérive qu’il peut y avoir à inté­gr­er des don­nées sup­plé­men­taires sans revalid­er le système. 

Il y a donc un besoin de capac­ités d’apprentissage autonome par rap­port au con­cep­teur du sys­tème. Il ne s’agit pas de sup­primer tout appren­tis­sage ini­tial effec­tué sous son con­trôle, mais de per­me­t­tre au sys­tème de con­tin­uer à s’améliorer au-delà. 

Il ne s’agit pas non plus d’exclure toute super­vi­sion humaine lors de cet appren­tis­sage com­plé­men­taire, mais de faire en sorte qu’elle ne requière pas d’expertise par­ti­c­ulière en intel­li­gence artificielle. 

Au con­traire, une super­vi­sion par l’utilisateur est même bien­v­enue dans de nom­breuses appli­ca­tions, dans la mesure où l’effort asso­cié reste raisonnable. 

L’ÉMERGENCE DE L’APPRENTISSAGE AUTONOME

L’idée n’est pas nou­velle. Elle est même intu­itive, puisqu’elle cor­re­spond à notre pro­pre mode de pen­sée, et l’article fon­da­teur d’Alan Tur­ing sur l’intelligence arti­fi­cielle présen­tait déjà l’apprentissage machine sous cet angle en 1950. 

Mais elle n’est pas évi­dente à met­tre en œuvre, d’autant plus que jusqu’à récem­ment elle n’était pas claire­ment for­mal­isée, et en pra­tique les efforts se sont focal­isés sur l’exploitation de mass­es de don­nées au détri­ment de l’automatisation com­plète du proces­sus d’apprentissage.

Néan­moins, les solu­tions pour répon­dre à ce besoin sont en train d’émerger. Dans le cas par­ti­c­uli­er des jeux, une per­cée impres­sion­nante a déjà été obtenue avec la mise au point d’AlphaGo Zero, qui a dépassé en peu de temps tous les autres logi­ciels de jeu de go sans aucune don­née autre que les règles du jeu, en jouant sim­ple­ment avec lui-même. 

Dans le cas général, les tech­niques néces­saires sont pour l’essentiel disponibles mais néces­si­tent encore d’être inté­grées et opti­misées. Pour cela, il est impor­tant de bien définir l’objectif visé au tra­vers de pro­to­coles d’évaluation rigoureux. Or, de tels pro­to­coles ont été pro­posés récem­ment (voir encadré) et de pre­mières cam­pagnes d’expérimentations coor­don­nées sont en pré­pa­ra­tion dans le cadre de pro­jets soutenus par le pro­gramme de recherche européen CHIST-ERA. 

L’expérience mon­tre que de telles cam­pagnes jouent un rôle de catal­y­seur et per­me­t­tent des pro­grès cumu­lat­ifs. Les con­di­tions sont donc aujourd’hui réu­nies pour une accéléra­tion des pro­grès et on peut s’attendre à ce que les capac­ités d’apprentissage autonome devi­en­nent courantes dans les années à venir. 

UNE ÉVOLUTION AUX CONSÉQUENCES MAJEURES

Ces nou­velles capac­ités per­me­t­tront non seule­ment une adap­ta­tion plus facile et immé­di­ate aux besoins de l’utilisateur, mais aus­si de le faire locale­ment et donc d’offrir des solu­tions plus respectueuses de la vie privée et de la con­fi­den­tial­ité des données. 

La machine bat désor­mais les meilleurs joueurs de go. © SERGEY

On peut ain­si imag­in­er des objets con­nec­tés intel­li­gents qui ne com­mu­niquent à l’extérieur que le strict néces­saire, tout en évolu­ant avec leurs util­isa­teurs. De plus, chaque sys­tème pou­vant ain­si évoluer selon un par­cours qui lui est pro­pre, on assis­tera à une indi­vid­u­al­i­sa­tion de ces sys­tèmes alors qu’ils sont aujourd’hui très standardisés. 

Une con­séquence plus indi­recte est liée au fait qu’à par­tir du moment où une adap­ta­tion par un tiers autre que le con­cep­teur est pos­si­ble, cette adap­ta­tion peut se faire en cas­cade. Cela con­duit à une organ­i­sa­tion de la fil­ière de l’intelligence arti­fi­cielle plus diver­si­fiée qu’aujourd’hui, avec l’apparition d’un nou­veau méti­er qui con­siste à sélec­tion­ner et adapter des sys­tèmes intel­li­gents pour répon­dre au mieux aux besoins d’utilisateurs tiers. 

Cer­tains par­lent déjà de coach pour robots. Et comme il ne sera plus néces­saire de cen­tralis­er les don­nées pour obtenir des per­for­mances opti­males, l’organisation de cette fil­ière sera aus­si plus décen­tral­isée, ce qui peut con­duire à une con­cur­rence économique plus équili­brée qu’aujourd’hui.

Cette évo­lu­tion crée ain­si de nou­velles oppor­tu­nités, mais pose aus­si de nou­veaux défis. En don­nant plus de con­trôle aux util­isa­teurs, elle leur donne aus­si de nou­velles respon­s­abil­ités. En con­duisant à une bien plus grande var­iété de sys­tèmes, elle rend les risques de dérive plus var­iés, même s’ils seront plus locaux. 

Pour résumer, en démoc­ra­ti­sant le con­trôle, elle le complexifie. 

“ Une organisation de la filière de l’intelligence artificielle plus diversifiée et décentralisée qu’aujourd’hui ”

Il fau­dra prévenir, détecter et cor­riger les dérives non seule­ment lors de la con­cep­tion des sys­tèmes, mais aus­si de leur for­ma­tion et de leur édu­ca­tion. Les solu­tions sont à la fois tech­niques et organ­i­sa­tion­nelles. La mise en place d’un cadre de con­fi­ance impli­quant un large spec­tre d’acteurs est prob­a­ble­ment néces­saire, en s’appuyant sur les réflex­ions déjà engagées sur les ques­tions d’éthique en intel­li­gence artificielle. 

En résumé, après l’apprentissage automa­tique, qui est au cœur des pro­grès de ces dernières décen­nies mais n’est en pra­tique pas si automa­tisé que le terme peut le laiss­er croire, l’arrivée de l’apprentissage autonome va prob­a­ble­ment représen­ter une rup­ture majeure pour l’intelligence artificielle. 

Ces nou­velles capac­ités vont démoc­ra­tis­er l’apprentissage machine en don­nant plus de con­trôle aux util­isa­teurs, décen­tralis­er l’organisation de la fil­ière, l’enrichir de nou­veaux types d’acteurs, et démul­ti­pli­er les possibilités. 

C’est une révo­lu­tion qui s’annonce. Il faut l’anticiper pour en tir­er le meilleur par­ti tout en en maîtrisant les risques.
 

---

Articles similaires :

L’apprentissage pro­fond entre mythes et réalités L’apprentissage pro­fond renou­velle l’intelligence artificielle Détecter l’information con­fi­den­tielle avec un moteur de recherche intelligent La trans­for­ma­tion des métiers de la santé L’urgente néces­sité d’une réap­pro­pri­a­tion publique de la régu­la­tion de l’IA L’intelligence arti­fi­cielle oblige à repenser les fonde­ments de notre capitalisme