Jean-François Gagné is a serial entrepreneur in the software industry, founder and CEO of the company Element AI.

Une équation non mathématique : Pourquoi l’IA ne commence qu’aujourd’hui à remplir ses promesses

L’intelligence artificielle (IA) a toujours eu la bosse des maths, plus encore que les humains qui l’ont créée. Deep Blue a réussi à vaincre Garry Kasparov aux échecs en 1996 parce que c’est un jeu qui relève essentiellement de la logique et qu’on peut sans grande difficulté créer un programme informatique d’équations.

Toutefois, quinze ans plus tard, quand l’ordinateur Watson d’IBM a remporté une partie de Jeopardy!, l’IA se déployait bien au-delà des mathématiques.

Depuis les années 1960, la plupart des avancées en IA ont été rendues possibles grâce à l’amélioration de la performance des ordinateurs. Un ordinateur plus performant peut en effet effectuer plus de calculs et traiter davantage de données dans les mêmes délais, une condition essentielle à l’essor de l’IA.

L’arrivée d’Internet a ensuite vu les utilisateurs générer de vastes volumes de données distinctes. Une grande partie de ces nouvelles informations est longtemps restée sans réelle utilité pour les ordinateurs : le langage, ou le texte, était constitué d’une série de hiéroglyphes indéchiffrables; les données sonores n’avaient de même aucune commune mesure avec les chiffres, qui restait l’alphabet naturel de l’ordinateur. Il en a été ainsi jusqu’à ce que le traitement du langage naturel (TLN) soit mis au point.

Cette procédure d’analyse n’a pas été inventée en 2011 pour permettre à Watson de gagner une partie de Jeopardy!; elle existait depuis déjà un bon bout de temps. Sauf que jusqu’à tout récemment, le TLN était boiteux.

Une fois l’ordinateur devenu assez performant pour traiter un grand volume de données et exploiter efficacement le TLN, un tout nouveau monde de possibilités informatiques voyait le jour. Les ordinateurs étaient soudainement en mesure de se pencher sur des problèmes non mathématiques.

Pourquoi l’IA occupe (encore) nos esprits

La victoire de Watson à Jeopardy! a frappé l’imaginaire du public et l’a amené à réfléchir aux progrès de la technologie et à présumer de son omnipotence : « Wow, cette chose-là pourrait se charger de la logistique d’une entreprise ou trouver un remède au cancer. Peut-être même qu’elle peut avoir des émotions! »

Il ne s’agissait toutefois pas de la première vague d’enthousiasme suscitée par l’IA, qui a connu divers cycles de popularité dans le passé, se trouvant pour de brefs moments lancée sous les projecteurs pour ensuite mieux retourner dans l’ombre. L’une des raisons qui expliquent ces fluctuations historiques est le fait que l’IA ne répondait pas aux attentes placées en elle. La définition de l’IA est peut-être en partie à la source de ce malentendu : la capacité d’un ordinateur à exécuter des actions que l’humain seul peut normalement accomplir. Le problème avec cette définition est qu’une fois que l’ordinateur est en mesure d’accomplir ces actions typiquement humaines, celles-ci ne relèvent plus exclusivement de l’humain; elles deviennent des applications informatiques parmi d’autres, plutôt qu’une manifestation de l’intelligence artificielle. Il a fallu une campagne médiatique d’envergure pour conscientiser le public au fait que l’IA fait partie de notre quotidien depuis plusieurs années déjà.

Les capacités de l’IA ont néanmoins connu un essor exponentiel au cours des dernières années. Les ordinateurs sont maintenant capables de parler, de reconnaître les visages dans des images, de traduire le langage parlé en texte et de résoudre une panoplie de problèmes non mathématiques. Les ordinateurs dotés d’un logiciel d’IA peuvent faire des suggestions de restaurants et d’activités sociales, décoder l’imagerie par résonance magnétique et éviter aux avocats de lire des documents extrêmement ennuyeux.

Ces nouvelles capacités de résolution de problèmes non mathématiques ont capté l’attention du public, d’autant plus que les avancées en IA ne sont plus gardées secrètes dans les laboratoires d’IBM, de Google et de Microsoft.

Ces grandes entreprises offrent aux PME des interfaces de programmation d’applications (surnommées API), des logiciels qui peuvent exécuter des tâches d’IA de base à partir d’un ordinateur portable. Un propriétaire d’entreprise pourra utiliser ce type de logiciel pour tirer des informations utiles à partir de ses données d’exploitation.

Le domaine de l’IA reste toutefois dans une logique économique des « effets de retombée » : plusieurs des applications les plus prometteuses ne sont exploitées qu’au sein des grandes entreprises technologiques, qui détiennent les données et l’expertise requises pour innover en vase clos. Les capacités en IA qu’on retrouve dans les API offertes aux PME sont extrêmement limitées comparativement aux puissantes applications développées par les grands joueurs.

Le défi qui se pose aujourd’hui à l’industrie de l’IA est de trouver les moyens d’offrir aux PME l’accès à un plus grand nombre de ces applications (sinon toutes). Cette démocratisation technologique n’est pas encore possible parce que l’IA requiert un volume massif de données pour fonctionner adéquatement. La plupart des applications les plus accessibles sont basées sur des ensembles de données publiques. Par exemple, Wikipédia offre une exceptionnelle base de données pour l’apprentissage des langues et de la traduction. Il est toutefois extrêmement difficile pour une PME de fournir un tel volume de données, parce que la portée de ses activités ne le permet tout simplement pas. L’application d’IA qu’une PME pourrait mettre au point serait, par la force des choses, beaucoup moins sophistiquée que celle élaborée par une grande entreprise.

Pour réussir à développer une application d’IA adaptée aux entreprises plus modestes – ou, plus exactement, aux données plus individualisées –, il faudra affiner notre compréhension du contexte dans le processus d’élaboration. Cette nouvelle capacité se traduirait concrètement par un système d’IA capable d’extraire divers types d’ensembles de données pertinents pour les intégrer au petit ensemble de données, obtenant ainsi un ensemble d’une taille suffisante pour en tirer des prévisions valables. En d’autres mots, nous devons mettre au point une IA capable d’avoir une vue d’ensemble.

Cette IA dotée d’une perspective élargie pourra voir le jour grâce au développement de l’apprentissage par transfert et de l’apprentissage de représentations. L’apprentissage par transfert est la capacité d’appliquer les connaissances acquises dans un domaine donné à un autre domaine. Par exemple, conjuguer la capacité d’identification de camions dans une vidéo à celle d’identification des berlines permettra de mettre au point une meilleure application d’identification des véhicules. L’apprentissage de représentations consiste à transformer des données complexes en données que l’IA pourra reconnaître et traiter. À mesure que nous renforcerons l’apprentissage par transfert et l’apprentissage de représentations, nous serons capables de connecter un plus grand nombre d’applications et ainsi d’individualiser les données.

Le défi que posent les petits volumes de données pour l’IA m’intéresse particulièrement parce que les applications qui en découlent sont innombrables : il y a là une très longue traîne en puissance. Je ne vois pourtant pas les grandes entreprises se dépêcher de rendre l’IA accessible aux PME, et je ne connais aucune PME qui ait été capable de résoudre le problème posé par le contexte pour mettre au point un système d’IA adapté à sa réalité. (Si vous connaissez une PME qui développe son propre système d’IA, faites-m’en part. Je sais que des entreprises technologiques en démarrage conçoivent des produits d’IA, mais ils sont destinés aux autres entreprises ou aux utilisateurs; ce n’est pas la même chose.)

Quoi qu’il en soit, plusieurs grandes entreprises déploient des applications d’IA dans tous types de contextes, ce qui prouve que l’IA satisfait, voire surpasse, leurs attentes. Des clients satisfaits attireront plus d’investissements, et j’ai bon espoir de voir ces investissements se traduire au final par plus de possibilités en IA pour les PME.

Ce billet est le premier d’une série où je me propose d’examiner le nouvel essor de l’IA et de voir s’il est possible qu’elle retourne dans l’ombre. Ces billets varieront entre de brèves tentatives d’analyse, de longues tentatives d’analyse et peut-être quelques articles en bonne et due forme. Dites-moi ce que vous en pensez!

Quand le bruit est source d’information

Le directeur des technologies de l’information, futur directeur de l’intelligence

Le directeur des technologies de l’information, futur directeur de l’intelligence