![\"largeur20022017.jpg\"](\"\/wp-content\/uploads\/112016\/largeur20022017.jpg\" "\\"largeur20022017.jpg\\"")
<\/p>\n<\/p>\n
Utiliser un ordinateur pour d\u00e9fier un expert en jeu de go \u00e9tait pendant longtemps une entreprise vaine: l\u2019humain battait l\u2019intelligence artificielle \u00e0 plate couture. Le go se distinguait des \u00e9checs, des dames ou du backgammon, d\u00e9j\u00e0 domin\u00e9s par les machines, en raison de sa subtilit\u00e9 et de sa complexit\u00e9. Pourtant, lors d\u2019une partie organis\u00e9e \u00e0 S\u00e9oul en 2016, un programme baptis\u00e9 \u00abAlphaGo\u00bb l\u2019a emport\u00e9 4 \u00e0 1 sur le Sud-Cor\u00e9en Lee Sedol, consid\u00e9r\u00e9 comme le meilleur joueur au monde.<\/p>\n
La victoire d\u2019AlphaGo a d\u00e9montr\u00e9 le pouvoir de l\u2019apprentissage profond, technique d\u2019intelligence artificielle (IA) qui utilise une architecture proche de celle du cerveau pour mod\u00e9liser de grandes s\u00e9ries de donn\u00e9es. Dans le cas d\u2019AlphaGo, con\u00e7u par DeepMind, filiale londonienne de Google, la s\u00e9rie se compose de configurations du plateau de go utilis\u00e9es pour s\u00e9lectionner les mouvements gagnants. Ces derni\u00e8res ann\u00e9es, cette technique a permis d\u2019automatiser des t\u00e2ches que les programmes traditionnels peinent \u00e0 r\u00e9aliser, comme identifier des images, reconna\u00eetre des voix ou conduire une voiture.<\/p>\n
Rendu possible gr\u00e2ce \u00e0 la puissance des ordinateurs contemporains, la quantit\u00e9 quasi illimit\u00e9e de donn\u00e9es en ligne et l\u2019am\u00e9lioration des algorithmes, l\u2019apprentissage profond a entra\u00een\u00e9 un regain d\u2019int\u00e9r\u00eat pour l\u2019IA. La tendance a relanc\u00e9 le d\u00e9bat sur les menaces potentielles de la discipline: en 2014, le physicien Stephen Hawking d\u00e9clarait qu\u2019elle pourrait \u00absonner le glas de la race humaine\u00bb. Mais elle a aussi pouss\u00e9 l\u2019industrie \u00e0 mobiliser des sommes colossales. De nombreuses soci\u00e9t\u00e9s technologiques ont investi pour produire des appareils avec davantage de fonctions intelligentes et de qualit\u00e9s humano\u00efdes.<\/p>\n
\u00abLorsque j\u2019ai d\u00e9but\u00e9 dans l\u2019IA dans les ann\u00e9es 1980, internet n\u2019existait pas. Il \u00e9tait tr\u00e8s difficile de trouver des donn\u00e9es et presque rien n\u2019\u00e9tait lisible par une machine, raconte Boi Faltings, directeur du Laboratoire d\u2019intelligence artificielle de l\u2019Ecole polytechnique f\u00e9d\u00e9rale de Lausanne (EPFL). Aujourd\u2019hui, les ordinateurs sont plus rapides et les donn\u00e9es plus nombreuses: tous les \u00e9l\u00e9ments sont r\u00e9unis.\u00bb<\/p>\n
Neurones artificiels<\/strong><\/p>\n Pour certains scientifiques, l\u2019objectif principal de l\u2019IA consiste \u00e0 se rapprocher de l\u2019humain, tandis que d\u2019autres entendent faire \u00abplus et mieux\u00bb, note Boi Faltings. N\u00e9e officiellement lors d\u2019un atelier scientifique dans le New Hampshire en 1956, l\u2019IA a engendr\u00e9 plusieurs formes d\u2019intelligence de la machine. Celle sur laquelle repose l\u2019apprentissage profond — les r\u00e9seaux de neurones — a \u00e9t\u00e9 concr\u00e9tis\u00e9e par Frank Rosenblatt, un psychologue qui a fabriqu\u00e9 une sorte de cerveau m\u00e9canique baptis\u00e9 \u00abPerceptron\u00bb dans les ann\u00e9es 1950 et 1960.<\/p>\n Un r\u00e9seau de neurones se compose de neurones artificiels (ou unit\u00e9s) regroup\u00e9s en couches. A l\u2019instar des neurones biologiques, ils sont connect\u00e9s \u00e0 d\u2019autres unit\u00e9s des couches voisines, chaque connexion \u00e9tant pond\u00e9r\u00e9e. Une unit\u00e9 est charg\u00e9e de l\u2019activation, c\u2019est-\u00e0-dire de l\u2019envoi d\u2019un signal \u00e0 la couche suivante, lorsque la somme des signaux pond\u00e9r\u00e9s de la couche pr\u00e9c\u00e9dente d\u00e9passe un certain seuil. L\u2019id\u00e9e est la suivante: entrer certaines s\u00e9ries de donn\u00e9es aboutit \u00e0 un r\u00e9sultat sp\u00e9cifique. En d\u2019autres termes, ces s\u00e9ries sont consid\u00e9r\u00e9es comme des exemples d\u2019un objet sp\u00e9cifique, qu\u2019il s\u2019agisse d\u2019un chat, d\u2019une chaise ou d\u2019un visage.<\/p>\n Les r\u00e9seaux sont aliment\u00e9s par de multiples versions du m\u00eame objet et, apr\u00e8s cet entra\u00eenement, leur capacit\u00e9 \u00e0 produire le bon r\u00e9sultat est examin\u00e9e. La diff\u00e9rence entre la r\u00e9ponse propos\u00e9e et la bonne r\u00e9ponse est ensuite utilis\u00e9e pour affiner les pond\u00e9rations et les aider \u00e0 se perfectionner. C\u2019est ainsi que les r\u00e9seaux \u00abapprennent\u00bb \u00e0 reconna\u00eetre des objets. Lorsqu\u2019ils tombent sur des donn\u00e9es inconnues, ils doivent r\u00e9ussir \u00e0 identifier le ou les objets qu\u2019elles contiennent.<\/p>\n Les chercheurs ont pein\u00e9 pendant des d\u00e9cennies \u00e0 construire des r\u00e9seaux fiables et efficaces. Leur objectif consistait \u00e0 b\u00e2tir des r\u00e9seaux multi-couches. Les couches devaient permettre d\u2019augmenter progressivement le niveau d\u2019abstraction: la premi\u00e8re quantifierait les pixels clairs et fonc\u00e9s d\u2019une image, la deuxi\u00e8me identifierait les bords et les formes basiques et la troisi\u00e8me utiliserait ces informations pour reconna\u00eetre l\u2019objet. Mais le processus d\u2019ajustement des pond\u00e9rations supposait d\u2019envoyer les informations produites par un appareil dans diff\u00e9rentes couches, et celles-ci se d\u00e9gradaient au fur et \u00e0 mesure des couches. A l\u2019\u00e9poque, l\u2019utilisation de couches multiples (c\u2019est-\u00e0-dire l\u2019apprentissage profond) \u00e9tait encore bien loin.<\/p>\n Le probl\u00e8me a \u00e9t\u00e9 r\u00e9solu au d\u00e9but du si\u00e8cle par plusieurs scientifiques, dont Geoffrey Hinton de l\u2019Universit\u00e9 de Toronto. Sa solution? Une s\u00e9paration nette des couches de neurones lors du processus d\u2019apprentissage pour \u00e9viter la d\u00e9gradation des ajustements de pond\u00e9rations. Conjugu\u00e9e \u00e0 l\u2019arriv\u00e9e du big data et de processeurs rapides et bon march\u00e9, cette avanc\u00e9e a contribu\u00e9 aux nombreuses applications pratiques actuelles de l\u2019IA.<\/p>\n Un chameau \u00e0 trois pattes <\/strong><\/p>\n Les voitures autonomes font partie des applications les plus en vue. Tesla Motors observe la conduite humaine pendant de longues heures et utilise des capteurs pour enregistrer l\u2019\u00e9volution du contexte (notamment la vitesse et la position des autres v\u00e9hicules) et la r\u00e9action du conducteur. Ces donn\u00e9es sont ensuite r\u00e9unies, les premi\u00e8res servant d\u2019intrants au mod\u00e8le et les secondes, d\u2019\u00e9tiquettes. Pour concevoir un mod\u00e8le permettant \u00e0 la voiture de se comporter comme un conducteur humain, il faut constamment ajuster les pond\u00e9rations, afin que le r\u00e9sultat attendu et celui obtenu finissent par co\u00efncider.<\/p>\n L\u2019apprentissage profond a \u00e9galement \u00e9t\u00e9 utilis\u00e9 pour am\u00e9liorer la reconnaissance des images. En 2012, Google affirmait avoir obtenu un taux de r\u00e9ussite de 16% apr\u00e8s avoir entra\u00een\u00e9 un r\u00e9seau neuronal comptant un milliard de connexions \u00e0 distinguer 22\u2019000 objets contenus dans des millions de vid\u00e9os choisies au hasard sur YouTube. De son c\u00f4t\u00e9, DeepMind<\/a> s\u2019est distingu\u00e9 en cr\u00e9ant un algorithme d\u2019apprentissage profond capable de jouer \u00e0 49 jeux d\u2019arcade.<\/p>\n Sur le front de la ma\u00eetrise du langage humain, les chatbots sont toujours plus pr\u00e9sents, \u00e0 la fois sur les appareils mobiles et \u00e0 la maison. Ils associent scripts pr\u00e9d\u00e9finis et apprentissage profond pour r\u00e9pondre \u00e0 des demandes ou mener des conversations simples. Siri, le chatbot d\u2019Apple, ou Echo, celui d\u2019Amazon, en sont deux exemples: ils savent annoncer les r\u00e9sultats sportifs, recommander des restaurants ou pr\u00e9venir d\u2019un rendez-vous. Parall\u00e8lement, un chatbot baptis\u00e9 \u00abEugene Goostman\u00bb, d\u00e9velopp\u00e9 par trois scientifiques russes, aurait r\u00e9ussi le test de Turing (lire encadr\u00e9 ci-dessous) en 2014. Il a convaincu plus de 30% des juges d\u2019un panel qu\u2019il \u00e9tait humain lors de conversations d\u2019une dur\u00e9e de cinq minutes \u00e0 la Royal Society de Londres. Mais il semblerait qu\u2019Eugene manque encore d\u2019entra\u00eenement: interrog\u00e9 par Scott Aaronson, un informaticien am\u00e9ricain, qui lui demandait combien de pattes avait un chameau, il a r\u00e9pondu: \u00abEntre deux et quatre. Trois, peut-\u00eatre?\u00bb<\/p>\n L\u2019IA est \u00e9galement utilis\u00e9e dans d\u2019autres types de traitement du langage. Pionnier de l\u2019apprentissage profond, J\u00fcrgen Schmidhuber, de l\u2019Universit\u00e9 de Lugano, a dirig\u00e9 une \u00e9quipe qui a d\u00e9velopp\u00e9 une \u00abm\u00e9moire \u00e0 court terme longue\u00bb. D\u00e9sormais employ\u00e9e dans les logiciels de traduction automatique et de reconnaissance vocale des smartphones de Google, cette technologie se base sur des r\u00e9seaux de neurones r\u00e9currents, qui contiennent des boucles de r\u00e9troaction permettant le stockage de donn\u00e9es.<\/p>\n Comprendre le cerveau humain<\/strong><\/p>\n L\u2019objectif de J\u00fcrgen Schmidhuber consiste d\u00e9sormais \u00e0 fabriquer une machine \u00e0 IA r\u00e9elle (real AI) qui poss\u00e9derait les grands attributs de l\u2019intelligence humaine: raisonnement, recherche d\u2019un but, curiosit\u00e9, cr\u00e9ativit\u00e9\u2026 Son id\u00e9e? Associer un r\u00e9seau neuronal r\u00e9current d\u2019apprentissage profond \u00e0 un second programme de m\u00eame type. La mission de ce dernier sera de permettre au premier algorithme d\u2019apprendre tout ce qu\u2019il peut sur le monde. Depuis les ann\u00e9es 1970, la devise de J\u00fcrgen Schmidhuber est la suivante: \u00abCr\u00e9er une IA plus intelligente que moi pour que je puisse prendre ma retraite.\u00bb<\/p>\n Selon le chercheur, la v\u00e9ritable intelligence ne peut \u00eatre g\u00e9n\u00e9r\u00e9e que par un r\u00e9seau neuronal r\u00e9current semblable au cerveau, c\u2019est-\u00e0-dire un appareil qui accumule les processeurs et les connecte gr\u00e2ce \u00e0 de nombreux c\u00e2bles courts (pour \u00e9conomiser l\u2019\u00e9nergie) et quelques c\u00e2bles longs (pour la communication longue distance). Il estime que ce type d\u2019appareil polyvalent pourrait devenir r\u00e9alit\u00e9 d\u2019ici \u00e0 25 ans. Son calcul se base sur la baisse constante des prix des processeurs (divis\u00e9s par dix tous les cinq ans) et le fait que le cerveau humain comporte environ 100\u2019000 fois plus de neurones que les plus grands r\u00e9seaux neuronaux actuels.<\/p>\n Boi Faltings, de l\u2019EPFL, ne partage pas cet avis. Selon lui, les scientifiques sont loin d\u2019avoir compris le fonctionnement du cerveau humain. En outre, contrairement aux humains, les logiciels d\u2019IA sont incapables de r\u00e9aliser plusieurs t\u00e2ches complexes \u00e0 la fois. L\u2019apprentissage profond a \u00abchang\u00e9 la donne\u00bb pour des applications telles que la reconnaissance visuelle et vocale car les donn\u00e9es disponibles \u00absont quasiment illimit\u00e9es\u00bb, conc\u00e8de-t-il. Mais il peine \u00e0 faire la diff\u00e9rence dans les domaines o\u00f9 celles-ci sont plus rares. \u00abJe tire mon chapeau aux sp\u00e9cialistes de l\u2019apprentissage profond, parce qu\u2019ils ont finalement obtenu des r\u00e9sultats apr\u00e8s des ann\u00e9es de travail acharn\u00e9, d\u00e9clare-t-il. Mais, aujourd\u2019hui, ils ont peut-\u00eatre tendance \u00e0 en faire trop.\u00bb<\/p>\n Boi Faltings admet que des machines qui imitent le comportement humain peuvent \u00eatre utiles. Mais son objectif est de leur apprendre des t\u00e2ches qui d\u00e9passent les individus, par exemple de planification complexe. Il forme son logiciel avec un raisonnement logique et explicite, une approche qui, esp\u00e8re-t-il, permettra des avanc\u00e9es dans plusieurs domaines, dont la m\u00e9decine. Des mod\u00e8les de probabilit\u00e9 peuvent par exemple \u00eatre utilis\u00e9s pour trouver le traitement optimal pour un patient en fonction de certains sympt\u00f4mes.<\/p>\n C\u2019est \u00e9galement l\u2019option choisie par Google pour ses voitures autonomes. Celles-ci utilisent des capteurs pour suivre le trafic et transmettent les donn\u00e9es \u00e0 un mod\u00e8le de probabilit\u00e9 qui pr\u00e9dit les mouvements des autres v\u00e9hicules, des cyclistes et des pi\u00e9tons. La technologie diff\u00e9rente d\u2019apprentissage profond de Tesla lui a permis d\u2019\u00e9viter des ann\u00e9es de conception minutieuse, et donc de lancer ses voitures beaucoup plus rapidement sur le march\u00e9, note Boi Faltings. Mais cette approche a montr\u00e9 ses limites en mai, lorsqu\u2019un Model S a caus\u00e9 un accident mortel en rentrant dans un poids lourd qui lui coupait la route. De toute \u00e9vidence, cette situation n\u2019avait \u00e9t\u00e9 rencontr\u00e9e par aucun des conducteurs utilis\u00e9s pour former le logiciel. \u00abIl n\u2019y a pas de mod\u00e8le sous-jacent, donc aucune garantie que le logiciel interpr\u00e8te correctement les donn\u00e9es.\u00bb<\/p>\n Public moins tol\u00e9rant<\/strong><\/p>\n Selon une r\u00e9cente \u00e9tude de l\u2019Universit\u00e9 Stanford sur les tendances du futur en mati\u00e8re d\u2019IA, les v\u00e9hicules autonomes pourraient apporter d\u2019authentiques progr\u00e8s, notamment la fin des bouchons et des difficult\u00e9s de stationnement. Selon Malte Helmert, de l\u2019Universit\u00e9 de B\u00e2le, la m\u00e9diatisation de l\u2019accident Tesla montre toutefois que le grand public est extr\u00eamement sensible aux dangers de l\u2019IA et qu\u2019il sera moins enclin \u00e0 tol\u00e9rer les accidents caus\u00e9s par des ordinateurs que ceux provoqu\u00e9s par des humains. \u00abErreur humaine et d\u00e9faillance m\u00e9canique sont tr\u00e8s diff\u00e9rentes du point de vue qualitatif. La seconde donne une sensation de perte de contr\u00f4le.\u00bb<\/p>\n L\u2019\u00e9tude de Stanford soul\u00e8ve des questions \u00e9thiques, notamment sur la protection des travailleurs qui perdront leur emploi \u00e0 cause de l\u2019IA. Ces aspects ont \u00e9galement \u00e9t\u00e9 d\u00e9battus au sein d\u2019un groupe de chercheurs issus de cinq grandes soci\u00e9t\u00e9s technologiques am\u00e9ricaines cr\u00e9\u00e9 r\u00e9cemment. Selon Malte Helmert, comme la machine \u00abcommence \u00e0 concurrencer l\u2019intelligence humaine dans un nombre croissant de domaines\u00bb, les scientifiques sont d\u00e9sormais plus sensibles aux r\u00e9percussions potentielles de l\u2019IA sur la soci\u00e9t\u00e9.<\/p>\n Certains, dont J\u00fcrgen Schmidhuber, r\u00e9fl\u00e9chissent d\u00e9j\u00e0 \u00e0 l\u2019ultime d\u00e9fi pour l\u2019IA: la \u00absingularit\u00e9 technologique\u00bb, c\u2019est-\u00e0-dire le moment o\u00f9 l\u2019intelligence de la machine d\u00e9passera celle des humains, puis montera en puissance. Comme Boi Faltings, Simon Hegelich, expert en chatbots \u00e0 la Technische Universit\u00e4t M\u00fcnchen, pense qu\u2019elle n\u2019appara\u00eetra que lorsque nous comprendrons mieux le cerveau humain. Selon lui, compte tenu des progr\u00e8s r\u00e9cents de l\u2019IA, notamment l\u2019apprentissage automatique, la perc\u00e9e d\u00e9cisive pourrait intervenir d\u2019ici dix ou quinze ans. Quant aux cons\u00e9quences possibles, il fait preuve d\u2019un optimisme sans borne. Pour qu\u2019une machine \u00e0 IA soit v\u00e9ritablement intelligente, il lui faudra \u00eatre empathique afin de ne pas menacer les humains.<\/p>\n Pour d\u2019autres, ces d\u00e9bats sont vains. Boi Faltings estime que les attentes vis-\u00e0-vis de l\u2019apprentissage profond sont trop \u00e9lev\u00e9es et suscitent, \u00e0 tort, des fantasmes de \u00abr\u00e9bellion des robots\u00bb. \u00abTout cela fait beaucoup rire les sp\u00e9cialistes de l\u2019IA\u00bb, confie-t-il. Mais pas question de c\u00e9der au d\u00e9faitisme. \u00abM\u00eame si nous n\u2019atteignons pas la singularit\u00e9, l\u2019IA peut nous offrir des choses formidables. Il faut que tout le monde en soit conscient.\u00bb ENCADRES<\/p>\n Homme ou machine?<\/strong>
\n_______<\/p>\n
\nEn 1950, le math\u00e9maticien britannique Alan Turing imagine un test pour distinguer les humains des machines. Un homme ou une femme communiquent \u00e0 l\u2019aide d\u2019un clavier et d\u2019un \u00e9cran avec un autre humain, puis avec une machine. Si, apr\u00e8s la conversation, l\u2019interrogateur prend la machine pour un humain, la machine remporte le test. Mais, selon des scientifiques contemporains, le test de Turing ne permettrait pas de dire si une machine est r\u00e9ellement dot\u00e9e d\u2019intelligence humaine ou non, car elle peut aussi simplement utiliser diverses astuces pour imiter la conversation humaine.
\n_______<\/p>\n