Vision artificielle, entretien avec un chercheur

La vision arti­fi­cielle a été une des pre­mières appli­ca­tions de l’in­tel­li­gence arti­fi­cielle et s’est con­sid­érable­ment dévelop­pée au fil des ans, avec en 2012, un bond de per­for­mance per­mis par l’utilisation de réseaux de neu­rones. Il ne s’ag­it pas sim­ple­ment de voir, mais de recon­naître les formes et de définir les objets fig­u­rants sur l’image. 

Pouvez-vous nous présenter vos travaux en lien avec l’intelligence artificielle ?

Le but de la vision arti­fi­cielle est d’interpréter automa­tique­ment une image (que ce soit une pho­to, une vidéo ou une image de pro­fondeur obtenue grâce à des cap­teurs spé­cial­isés) en dévelop­pant des mod­èles dont l’apprentissage néces­site le moins de super­vi­sion possible. 

En effet, c’est le tra­vail d’étiquetage des don­nées qui est le plus coû­teux, et plus la machine est autonome dans sa recon­nais­sance et son inter­pré­ta­tion d’images, meilleur est le modèle. 

Il s’agit donc (entre autres) d’essayer de com­pren­dre les con­nex­ions et les struc­tures implicites entre des images : qu’est-ce qui fait qu’au-delà de la diver­sité entre les tailles, réso­lu­tions, fonds de l’image, etc., on peut regrouper l’ensemble des images de castors ? 

Y a‑t-il eu des progrès continus en vision artificielle ?
Quels sont les espoirs pour cette discipline dans les années à venir et les obstacles sur lesquels vous butez ?

Il y a eu en effet des pro­grès con­ti­nus en vision arti­fi­cielle, con­traire­ment à d’autres champs de l’intelligence arti­fi­cielle qui ont con­nu des phas­es d’accélération puis de ralentissement. 

Depuis la fin des années 1990, de gros pro­grès ont été accom­plis en recon­nais­sance visuelle (notam­ment par Cordelia Schmid et son équipe à Greno­ble) : celle-ci ne se lim­ite plus à des images très sim­ples, mais con­tin­ue à « marcher » avec des géométries et des fonds com­plex­es par exemple. 

“ Il y a eu des progrès continus en vision artificielle, contrairement à d’autres champs de l’IA ”

En par­al­lèle, les appareils pho­tos détectent les vis­ages au moment de la prise de vue, ce qui per­met une plus grande net­teté de l’image.

En 2012, un bond de per­for­mance a été per­mis par l’utilisation de réseaux de neu­rones pour la recon­nais­sance visuelle (cf. les travaux de Geof­frey Hin­ton à Toron­to). Cette tech­nolo­gie exis­tait depuis les années 1990 mais était surtout util­isée pour la recon­nais­sance d’écriture man­u­scrite par exem­ple et avait été peu exploitée dans le cadre du traite­ment de photographies. 

Cette tech­nolo­gie a per­mis des pro­grès impor­tants dans ce cadre mais des prob­lèmes demeurent pour la vidéo où elle ne donne pas des résul­tats franche­ment meilleurs que les méth­odes clas­siques, notam­ment à cause de la vari­abil­ité tem­porelle des images (on arrive à bien recon­naître un vis­age ou un chien sur une image fixe, mais le prob­lème se com­plex­i­fie quand les images se défor­ment avec le mouvement). 

Un autre prob­lème que l’on ren­con­tre actuelle­ment dans notre dis­ci­pline est le manque de séman­tique dans les éti­que­tages manuels qui sont un point clef des méth­odes d’apprentissage.

Qu’est-ce que je car­ac­térise comme une action par exem­ple ? Com­ment utilis­er une séman­tique com­mune d’une base de don­nées à l’autre ?

Quels sont les progrès actuels liés au deep learning ?
Se rapproche-t-on de machines qui s’autonomisent par rapport aux humains ?

Le deep learn­ing est très à la mode, mais il faut rel­a­tivis­er ses pro­grès, en tout cas dans le domaine de la vision arti­fi­cielle : la tech­nolo­gie n’est pas très dif­férente de celle des années 1990 (alors que celle-ci était davan­tage en rup­ture avec la tech­nolo­gie des décen­nies précédentes). 

“ Nous ne sommes pas plus près aujourd’hui qu’il y a vingt ans d’une « machine intelligente » qui détrônerait l’humanité ”

Pour moi, nous ne sommes pas plus près aujourd’hui qu’il y a vingt ans d’une « machine intel­li­gente » qui détrôn­erait l’humanité. Je sais que des per­son­nes très com­pé­tentes comme Elon Musk, Bill Gates, Stephen Hawk­ing ont lancé un appel à la pru­dence vis-à-vis des machines intel­li­gentes qui pour­raient men­ac­er à terme l’humanité en l’absence de régu­la­tion, mais je con­sid­ère actuelle­ment cette crainte comme dénuée de fondement. 

En revanche, il est vrai que nous allons vers une intel­li­gence arti­fi­cielle plus inté­grée : alors que les dif­férents domaines de l’IA s’étaient séparés dans les années 1980, les pro­grès effec­tués dans cha­cune de ces sous-branch­es (comme la robo­t­ique, le traite­ment du lan­gage naturel, la vision arti­fi­cielle, etc.) per­me­t­tent actuelle­ment d’aller vers plus d’intégration de leurs outils. 

La robo­t­ique notam­ment se doit d’intégrer plusieurs couch­es « d’intelligence » : un robot doit maîtris­er la per­cep­tion, appren­dre par expéri­ence, com­mu­ni­quer, etc. Cepen­dant, atten­tion, plus on empile les mod­ules, plus le sys­tème est com­pliqué et plus il y a de risque quant à sa fiabilité. 

Par exem­ple, il est dif­fi­cile d’identifier ce qui a causé l’accident mor­tel provo­qué par une voiture Tes­la. Est-ce le sys­tème de cap­tage des infor­ma­tions, de leur analyse, de la prise de déci­sion qui était défaillant ? 

C’est pourquoi l’intégration des dif­férents mod­ules revêt une impor­tance toute par­ti­c­ulière, même si nous sommes encore loin du moment où cela sera le seul prob­lème, cha­cun des mod­ules ayant encore de gros pro­grès à accomplir. 

Vous avez été longtemps chercheur aux États-Unis, comment se situent la France et l’Europe dans la compétition avec les autres pays (États-Unis, Chine notamment) ?
Comment s’articulent les liens entre recherche académique et industrielle ?

Les con­di­tions de recherche en France ou en Europe sont très favor­ables, notam­ment grâce à l’ERC (Euro­pean Research Coun­cil) qui octroie des fonds généreux pour des pro­grammes de recherche. Lorsque j’étais chercheur aux États- Unis, je pas­sais beau­coup plus de temps à rechercher des con­trats que main­tenant. De plus, en France, beau­coup d’étudiants ont des bours­es, que ce soit par les grandes écoles comme l’ENS ou Poly­tech­nique ou des bours­es de thèse, ce qui soulage finan­cière­ment les lab­o­ra­toires qui les emploient. 

“ Pour ce qui est de la vision artificielle, la France compte parmi les meilleurs mondiaux ! ”

Pour ce qui est des rela­tions entre lab­o­ra­toires académiques et indus­triels, les pre­miers sont très appré­ciés de l’industrie qui embauche les étu­di­ants qui en sont issus, don­nent des fonds sans con­trepar­tie, etc. 

Les rela­tions sont donc bonnes, et la recherche académique con­tin­ue d’avoir un rôle impor­tant à jouer (les indus­tries sont moins intéressées main­tenant par les brevets ou pro­duits clés en main que par le fait d’avoir accès à des cerveaux bien formés). 

Les lab­o­ra­toires académiques ont moins de don­nées que ceux des GAFA par exem­ple, mais les lab­o­ra­toires de ces derniers se heur­tent à la pro­tec­tion de la vie privée, ce qui lim­ite con­sid­érable­ment l’usage qu’ils peu­vent faire de ces données. 

De plus, l’objectif de la recherche en vision arti­fi­cielle est de tra­vailler avec le moins d’annotation pos­si­ble donc le fait de ne pas avoir accès à tous les « tags » des pho­tos que peu­vent col­lecter les entre­pris­es n’est pas tou­jours préjudiciable. 

Enfin, on a sou­vent ten­dance à ne penser qu’aux géants de l’internet, mais l’IA pro­gresse égale­ment grâce à d’autres indus­tries qui ont énor­mé­ment de don­nées (on peut penser aux ban­ques ou à la médecine par exem­ple), domaines dans lesquels l’Europe a aus­si des champions. 

Pour ce qui est de la vision arti­fi­cielle, la France compte par­mi les meilleurs mondiaux !
 

Beau­coup d’étudiants ont des bours­es que ce soit par les grandes écoles comme Poly­tech­nique ou des bours­es de thèse.
© ÉCOLE POLYTECHNIQUE — J. BARANDE

---

Articles similaires :

Con­stru­ire l’IA : des don­nées, des algo­rithmes, des ressources et des hommes L’urgente néces­sité d’une réap­pro­pri­a­tion publique de la régu­la­tion de l’IA L’intelligence arti­fi­cielle oblige à repenser les fonde­ments de notre capitalisme La France et l’IA, vues de la Sil­i­con valley La régu­la­tion juridique des robots intelligents Mieux servir la clien­tèle de par­ti­c­uliers dans les banques