\u00abImaginez que l\u2019on doive traverser la rue: d\u2019abord on regarde, ensuite on per\u00e7oit qu\u2019une voiture arrive, ensuite on s\u2019arr\u00eate et on calcule le risque: si la machine analyse ces informations une par une, on prend beaucoup de temps pour parvenir \u00e0 la d\u00e9cision, dit Carlos Andr\u00e9s Pe\u00f1a. Or, plus la machine a d\u2019exemples, plus elle peut apprendre: elle est compos\u00e9e de milliers d\u2019unit\u00e9s (comme des neurones) qui vont chacune effectuer des calculs simples.\u00bb En \u00abavalant\u00bb des milliers d\u2019images ou de situations, la premi\u00e8re couche de neurones va int\u00e9grer les donn\u00e9es re\u00e7ues puis les comparer aux suivantes, et les combiner pour en extraire des informations de plus en plus complexes: c\u2019est ce travail de mise en r\u00e9seau entre plusieurs dizaines de couches de neurones, qui permet de parler d\u2019apprentissage profond.<\/p>\n
Un syst\u00e8me de classification qui fonctionne un peu \u00e0 la mani\u00e8re des neurones biologiques. D\u00e8s les ann\u00e9es 1950, les informaticiens ont cherch\u00e9 \u00e0 reproduire les fonctions du cerveau humain gr\u00e2ce aux ordinateurs. Ils pensaient alors que l\u2019intelligence artificielle serait \u00e0 m\u00eame d\u2019\u00e9galer rapidement celle de l\u2019homme. Mais la technologie ne suit pas. L\u2019apprentissage profond refait surface dans les ann\u00e9es 1980, mais la faible puissance des machines et le nombre limit\u00e9 de donn\u00e9es freinent encore son d\u00e9veloppement.<\/p>\n
Jusqu\u2019\u00e0 son v\u00e9ritable essor dans les ann\u00e9es 2010, rendu possible gr\u00e2ce \u00e0 la puissance des ordinateurs actuels et la masse de donn\u00e9es accessibles. En 2012, le syst\u00e8me Google Brain, lanc\u00e9 par la soci\u00e9t\u00e9 am\u00e9ricaine, a pu d\u00e9couvrir le concept de chat, apr\u00e8s avoir analys\u00e9 dix millions de captures d\u2019\u00e9cran repr\u00e9sentant cet animal. En somme, la machine est devenue capable d\u2019apprendre de son exp\u00e9rience. Elle observe, trie, en d\u00e9duit une solution.<\/p>\n
![\"\"](\"https:\/\/largeur.com\/wp-content\/uploads\/2017\/09\/Large_06_09_2017-1.png\")
<\/p>\n
Aide \u00e0 la d\u00e9cision<\/strong><\/p>\n Ce syst\u00e8me d\u2019apprentissage profond fait aujourd\u2019hui l\u2019objet de recherches tous azimuts. Son champ d\u2019application est immense, et \u00abce n\u2019est que le tout d\u00e9but\u00bb, estime le chercheur de la HEIG-VD. Son r\u00f4le principal: apporter une aide \u00e0 la d\u00e9cision. Le deep learning s\u2019invite dans les villes, les banques, les cabinets d\u2019avocats, les h\u00f4pitaux… Sur la base de milliers d\u2019images m\u00e9dicales et donn\u00e9es cliniques, la machine propose avec une infime marge d\u2019erreur un soutien au diagnostic: \u00abIl ne s\u2019agit que de recommandations, par exemple les m\u00e9decins conservent la prise de d\u00e9cision finale\u00bb, pr\u00e9cise Carlos Andr\u00e9s Pe\u00f1a. Un super-assistant en consultation ou soins intensifs, comme le syst\u00e8me Watson mis au point par IBM en 2006, que des centaines de m\u00e9decins aux Etats-Unis, en Chine, et bient\u00f4t en Finlande utilisent d\u00e9j\u00e0 pour proposer des traitements cibl\u00e9s.<\/p>\n En radiologie, Watson a su d\u00e9tecter sur des IRM des anomalies imperceptibles \u00e0 l\u2019\u0153il humain. Un outil incroyablement efficace, capable de traiter 20 millions de pages de donn\u00e9es m\u00e9dicales, \u00e9tudes cliniques ou imageries en seulement trois secondes. Ces logiciels remplaceront-ils un jour les m\u00e9decins? Non, estime Carlos Andr\u00e9s Pe\u00f1a, d\u2019autant plus \u00abqu\u2019on ne parvient pas encore \u00e0 expliquer pourquoi la machine arrive \u00e0 de telles conclusions\u00bb. C\u2019est justement une des questions qu\u2019\u00e9tudient les chercheurs \u00e0 la HEIG-VD: \u00abNous essayons de comprendre comment se construisent les rapports entre les diff\u00e9rentes informations re\u00e7ues par la machine. Un sp\u00e9cialiste saura vous donner les raisons qui lui permettent d\u2019aboutir \u00e0 telle ou telle conclusion: ce n\u2019est pas le cas aujourd\u2019hui pour ces syst\u00e8mes de r\u00e9seaux profonds.\u00bb<\/p>\n Les grands groupes tech de la Silicon Valley, d\u2019Asie et d\u2019Europe sont aussi dans la course. \u00abA partir du moment o\u00f9 les apprentissages profonds sortent des laboratoires de recherche pour s\u2019int\u00e9grer \u00e0 la vie courante, il est indispensable de cr\u00e9er des syst\u00e8mes qui incluent une explication au choix qui a \u00e9t\u00e9 donn\u00e9, pr\u00e9cise Carlos Andr\u00e9s Pe\u00f1a. Prenons l\u2019exemple d\u2019une voiture autonome. En cas d\u2019accident, l\u2019utilisateur et l\u2019assureur auront besoin de comprendre d\u2019ou est venue l\u2019erreur et pourquoi elle s\u2019est produite.\u00bb Au point que les fabricants devraient prochainement \u00e9tablir des directives pour un droit \u00e0 l\u2019explication sur ces machines pr\u00e9dictives, dont l\u2019usage ne cesse de s\u2019\u00e9tendre.<\/p>\n Feux de circulation\u00a0et voitures autonomes <\/strong><\/p>\n Des villes comme Singapour et Montr\u00e9al s\u2019en servent d\u00e9j\u00e0 pour am\u00e9liorer la vie quotidienne: modifier la circulation pour r\u00e9duire la pollution, optimiser leurs d\u00e9penses \u00e9nerg\u00e9tiques, la gestion de l\u2019eau et des d\u00e9chets. Les voitures autonomes (pour fournir un syst\u00e8me de contr\u00f4le en temps r\u00e9el), les cabinets d\u2019avocats (qui y puisent des r\u00e9ponses aux milliers de cas de jurisprudence), les banques (pour d\u00e9tecter un comportement suspect sur internet et limiter la fraude financi\u00e8re), les entreprises de s\u00e9curit\u00e9 informatique (pour pr\u00e9venir les cyber attaques) utilisent ces syst\u00e8mes d\u2019apprentissage profond. Ils servent aussi \u00e0 effectuer du monitoring environnemental (suivi de la d\u00e9forestation gr\u00e2ce aux images satellites) ou de la cartographie ultra-pr\u00e9cise (Google Map).<\/p>\n Pourtant, ces machines ne d\u00e9tr\u00f4neront pas de sit\u00f4t l\u2019intelligence humaine. \u00abCes syst\u00e8mes de neurones artificiels ne peuvent intervenir que dans un domaine sp\u00e9cialis\u00e9. S\u2019ils peuvent effectuer des calculs \u00e0 grande vitesse, pr\u00e9dire une solution et \u00eatre fiables, ils n\u2019ont pas acc\u00e8s \u00e0 l\u2019apprentissage g\u00e9n\u00e9ralis\u00e9, ils ne sont pas capables d\u2019apprendre plusieurs choses \u00e0 la fois, et s\u2019ils n\u2019ont pas des milliers de donn\u00e9es \u00e0 leur disposition, leurs apprentissages restent tr\u00e8s limit\u00e9s, remarque Carlos Andr\u00e9s Pe\u00f1a. A chaque fois que l\u2019on avance, on se rend compte \u00e0 quel point on est encore loin de l\u2019intelligence naturelle.\u00bb<\/p>\n _______<\/p>\n Une version de cet article est parue dans la revue H\u00e9misph\u00e8res (no 13).<\/p>\n