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 L’urgente néces­si­té d’une réap­pro­pria­tion publique de la régu­la­tion de l’IA L’intelligence arti­fi­cielle oblige à repen­ser les fon­de­ments de notre capitalisme