Intelligence artificielle vs informatique quantique : le match des titans (partie 1)

Cet article a été publié il a plus d'un an, il n'est peut-être plus d'actualité.

Je ne sais pas si vous aviez remarqué, mais un phénomène émerge vaguement depuis quelques années, on appelle ça l'informatique.

Moi, plaisanter ? Jamais de la vie. Trêve de taquineries, j'imagine qu'il est inutile de préciser que l'informatique est partout et que cela a transformé notre société à un point inimaginable.

L'informatique s'est tellement développée qu'elle s'est ramifiée en sous-domaines. Parmi eux, deux sont à la pointe de l'innovation quand il s'agit d'améliorer les capacités de traitement de l'information : l'intelligence artificielle et l'informatique quantique.

Cet article est le premier d'une série de trois. Il traitera de l'intelligence artificielle, le second sera porté sur l'informatique quantique tandis que le dernier proposera les enjeux des deux, notamment au niveau éthique, ainsi que leurs imbrications.

Alors commençons ! Mais avant de vous parler de concepts avancés, savez-vous comment fonctionne une intelligence artificielle ?

Définissions d'abord deux termes essentiels, Machine Learning (apprentissage automatique, abrégé ML) et Deep Learning (apprentissage profond, abrégé DL), qui sont, à tort, confondus.

Pour cela, admettons que vous voulez vendre une maison (exemple tiré de penserartificiel.fr). Plusieurs paramètres sont à prendre en compte, mais on considèrera juste la surface. Le calcul du prix peut être fait très simplement : prix au m² x surface.

Même en ne considérant que l'influence de la surface sur le prix, on peut certainement faire mieux. Un statisticien vous conseillera de prendre des appartements dans les environs, de compiler leur prix dans un tableur et d'en sortir une belle courbe où vous n'aurez plus qu'à placer votre surface pour obtenir le prix moyen du marché environnant. C'est un modèle simple de Machine Learning tel qu'il existe depuis les années 80.

J'attire votre attention que cet algorithme est non déterministe, contrairement au premier, il apprend de lui-même à force de traiter des données. Reste que c'est un exemple simple, on ne considère que la surface donc pas besoin d'être un expert pour savoir quelle donnée entrer dans l'algorithme.

C'est une limite du ML, trop de donnée tue la donnée. Si vous entrez des données sans réel rapport avec le résultat, l'algorithme risque fortement de raisonner post hoc, c'est-à-dire de trouver des causalités là où il n'y en a pas. Autre exemple, toujours de chez penserartificiel.fr, on souhaite faire de la reconnaissance de visage. Quels paramètres doit-on étudier ? L'écart entre les yeux ? La hauteur du front ? Il y aurait beaucoup de données à entrer et seul une personne experte dans le domaine pourrait déterminer les données d'entrée.

On en arrive au Deep Learning, créé dans les années 2010. Cette fois, on fait appel à un réseau de neurones artificiels qui vont analyser la globalité de la situation et garder les paramètres intéressants. C'est particulièrement efficace quand il s'agit de reconnaître de l'écriture à la main, des visages ou encore des mots à l'oral.

J'ai encore un dernier exemple pour vous, qui m'a été énoncé aux débuts du Deep Learning, mais que je trouve très parlant. Imaginez qu'on a une photo d'une personne qu'on appellera Jeanne. Prenez également des photos de plusieurs autres personnes ainsi qu'une photo de Jeanne, mais différente de la première. Entrez la première photo de Jeanne dans l'algorithme et demandez-lui de retrouver Jeanne parmi toutes les photos proposées. Au début, l'algorithme va souvent se planter, car il ne sait pas trop sur quoi se baser pour faire l'association, mais vous allez le corriger quand il se trompe. De ce fait, il va modifier les connexions entre les neurones pour ajuster son résultat. Au bout d'un certain temps, il va avoir bon à tous les coups, et vous pourrez même changer les photos de l'ensemble.

Cet exemple est un peu réducteur, qui voudrait d'une IA qui ne reconnaît qu'une personne ? Mais il montre bien les bases du Deep Learning. En parlant d'IA, ce terme englobe tout ce qu'on a vu au-dessus, plus les algorithmes bien moins sexy à base de simples règles de décisions style "si la surface est inférieure à 30m², alors le prix est de 90 000€, sinon si elle est inférieure à 40m², alors le prix est de 120 000€" etc.

C'est mignon tout ça, mais à quoi ça sert, concrètement ?

Les applications de l'intelligence artificielle sont désormais innombrables, ça va de la reconnaissance de visages sur des caméras de surveillance à des achats automatisés dans la finance. On en retrouve partout, on pourra citer notamment la présence d'une nouvelle puce dédiée à l'IA dans les smartphones récents, le NPU (Neural Processing Unit). Il a pour but, entre autres d'améliorer la qualité des clichés, d'où une source d'inégalité sur la qualité des photos entre des smartphones avec le même APN mais un SoC différent, Cf. un précédent article sur le Galaxy S10.

Quand vous parlez à votre iPhone ou à votre Amazon Echo. Intelligence artificielle ? Quand vous mettez votre Tesla en mode pilote automatique ? Intelligence artificielle. Les propositions de films/séries de Netflix ? Intelligence artificielle. PAR-TOUT, vous dis-je. Loin de moi l'idée de vouloir vous rendre paranoïaque, cependant, et on en reparlera d'ailleurs dans la partie 3.

Non contents de battre les humains depuis un bout de temps sur des jeux tels que les échecs, Shogi ou Go, on a commencé (et par "on", j'entends les chercheurs de chez DeepMind, une entreprise rachetée par Google) à jouer contre d'autres modèles d'IA, puis à les entrainer en jouant face à elles-mêmes. Et les résultats sont probants, en 2016, AlphaGo battait le champion du monde de Go, pourtant réputé difficiles pour les machines.

Deux ans après, AlphaZero, une nouvelle référence dans le domaine, toujours de DeepMind, battait tous les programmes champions dans leur propre discipline, StockFish pour les échecs, Elmo pour Shogi et même AlphaGo pour Go, et tout cela rien qu'en lisant es règles puis en apprenant à jouer contre elle-même pendant quelques heures.

Selon les domaines, l'IA a complètement dépassé, ou est train de dépasser l'homme, citons encore l'imagerie médicale où l'intelligence artificielle est désormais plus fine dans les diagnostics qu'un médecin suite à la lecture de radiographies / scanners, etc. Jusqu'où ira-t-on ? Réponse dans la partie 3...

http://penseeartificielle.fr/difference-intelligence-artificielle-machine-learning-deep-learning/

https://www.huffingtonpost.fr/2018/12/06/lia-de-google-championne-dechecs-de-jeu-de-go-et-de-shogi-sans-entrainement-particulier_a_23610393/

https://www.hospitalia.fr/IA-en-imagerie-medicale-une-technologie-de-rupture-en-marche_a1538.html