[glossaire] #IA

 

Glossaire - intelligence artificielle


Ami n°1. « Tu vois, Thomas, ce que tu racontes à l’air super intéressant, et le sujet me branche bien. Mais quand tu racontes, je comprends 2-3 paragraphes, puis tu mets des références compliquées, puis tu sors des inside jokes ou des gros sous-entendus techniques que je ne comprends pas. Donc quand je te lis, je me sens un peu con, et j’ai l’impression d’effleurer un domaine super intéressant, mais je reste sur ma faim. Donc ça m’énerve ».

Ami n°2. « Je comprends les mots, mais je comprends pas les phrases ».

Dont acte. Second article du glossaire, qui va essayer de couvrir des points techniques (ou pseudo) sans jargon ni étalage aléatoire de technique.

Points précédents : data.

 

Qu'est-ce que c'est ?

Il n'y a pas de définition simple de l'intelligence artificielle. C'est un domaine de recherche et d'ingénierie qui s'occupe de décrire, de comprendre et de reproduire des processus physiques ou biologiques qui ont l'air de faire appel à une forme d'intelligence. On pourrait dire l'IA s'occupe de penser et construire des machines qui réalisent des choses qui, si elles étaient faites par un humain, nécessiteraient de l'intelligence (Marvin Minsky, [*]), si on s'accordait sur une définition très large du terme "machine".

Le cerveau humain (et animal) est une des grandes sources d’inspiration [*2] de l'IA : comprendre, au-delà de la biologie, son fonctionnement. Comment marche un esprit ? Comment modéliser les pensées et les raisonnement ? Comment les reproduire dans un cerveau électronique ou une machine ? Et pratiquement : comment faire penser ou réfléchir un ordinateur ? Comment rendre les programmes intelligents, donc capable de s'adapter ? Comment faire marcher un robot de façon autonome ? Peut-on communiquer avec une machine ?

Il y a deux types d’intelligences artificielles : la forte et la faible. L’IA forte vise à créer une IA consciente, dont les capacités sont au moins égales à celles de l’être humain, capable d’improviser, de s’adapter et d’avoir une certaine autonomie fonctionnelle ; c’est un objet qu’on trouve plus régulièrement dans les livres de science-fiction que dans les articles scientifiques. L’IA faible a un but plus modeste : résoudre des problèmes efficacement, sans contrainte de généralité. L’essentiel des activités et avancées de la R&D concerne l’IA faible, qu’on pourrait limiter à l’apprentissage automatique ou machine learning, dont fait partie le deep learning. On pourrait mentionner l’IA générale ou générique, quelque part à mi-chemin entre l’IA faible de l’IA forte, qui serait une sorte de généralisation de l’IA faible, i.e. capable de résoudre n’importe quel type de problème mathématique.

 Un ordinateur dans les années 1950, cf   history of computers .

Un ordinateur dans les années 1950, cf history of computers.

 

D'où ça vient ?

L'IA n'est pas un domaine récent, n'en déplaise aux gens qui ont découvert qu'on pouvait faire des choses sympathiques et sexy avec des ordinateurs après la montée en force du deep learning (ou apprentissage profond, ie des réseaux de neurones multi-couches), dont nous parlerons dans un prochain billet. L'histoire de l'IA est longue, complexe, et remonte aussi loin qu'on veut la faire remonter, jusqu'aux mythes grecs (Héphaïstos, Prométhée) ; on peut y voir un des termes du concept grec de l'hybris. Proposer une histoire en quelques ligne semble impossible [0].

Ce domaine de recherche scientifique a un rapport assez spécial avec l'opinion public, avec des phases d'engouement et des phases plus sous-marines. L'IA est antérieure à l'informatique, aux ordinateurs physiques, aux langages de programmation. Ce domaine rassemble l'ensemble des sciences cognitives et inclut des concepts de biologie, d'évolution et de philosophie. L'informatique et l'ingénierie y jouent un rôle spécial, puisque ce sont à la fois des outils permettant de matérialiser et tester les théories, ainsi que des domaines sur lesquels portent l'effort de recherche.

Qu’en fait-on ?

Les grands buts [*3] de la recherche en IA sont de comprendre et reproduire le fonctionnement de l'esprit humain et de l'intelligence - voire, pour certains, la vie. On peut essayer d’organiser le domaine en cinq grandes thématiques qui ne sont pas totalement étanches et dont j’essaie de donner une description assez sommaire (et personnelle, donc perfectible) par la suite. Symbolisme et connexionisme sont souvent considérées comme les deux approches principales permettant d’adresser les problématiques de l’IA forte ; même si elles se concentrent, dans les faits et faute de mieux, sur l’IA faible. Les algorithmes évolutifs adressent principalement les problématiques de l’apprentissage automatique. Les automates cellulaires sont, à mes yeux, plus une curiosité mathématique qu’un domaine de recherche avec des applications pratiques. Enfin, la robotique s’intéresse au mouvement des machines.

Symbolisme
Modéliser le fonctionnement général de l’esprit et de l’intelligence, par la modélisation du raisonnement logique et la représentation ainsi que la manipulation symbolique de la connaissance. Approche premiers principes. C'est l'IA historique et classique, celle que certains appellent « la bonne vieille IA » [*4]. Bref : décrire la logique, l'intelligence et la mémoire, et mettre tout ça dans un programme.

Connexionisme
Approche concurrente au symbolisme, partant du principe que l'intelligence peut être vue comme une fonction globale émergente d’un agencement de mécanismes élémentaires et simples. Bref : reproduire des fonctionnements similaires à ceux du cerveau, en partant du principe que si un neurone a des fonctionnalités limitées, un réseau (de réseaux) de neurones est capable de fonctions plus complexes.

Algorithmes évolutifs
Créer et faire évoluer des familles d'algorithmes, avec des méthodes inspirées de l'évolution biologique. Concevoir, pour un problème donné, un programme capable de générer automatiquement des programmes, d'évaluer leur réponse au problème, de sélectionner ceux qui donnent des réponses intéressantes et de créer, à partir de ces derniers, de nouveaux programmes etc. Cette thématique est en réalité une heuristique (méthode de recherche frugale de solutions [*5]) et pourrait être rangée dans le symbolisme ou le connexionisme. Bref : essayer de tirer parti de la puissance des phénomènes évolutifs.

Automates cellulaires
Objet mathématique simple, voire simpliste, permettant de modéliser un univers entier avec ses lois et ses acteurs. Cette approche permet ainsi d’étudier un modèle en profondeur et d’observer des propriétés émergentes. Plus d’informations ici [1]. Bref : colorier sur une grille des cases en noir et blanc en fonction de l'état de ses voisines peut modéliser des phénomènes physiques réels. C'est assez fou, cf le Jeu de la Vie.

Robotique / cybernétique
Domaine très vaste, multi-physiques et mathématique, qui vise à trouver des moyens pour, par exemple, faire marcher, courir, sauter un robot. La robotique nécessite un traitement de la vision performant ainsi que des résultats issus de l’étude des systèmes dynamiques [2]. Bref : Robocop ou le T1000 ne sont pas encore pour aujourd'hui, mais Boston Dynamics réalise des robots aux comportements impressionnants [3].

 
20181203_IA_0.png

Et ça sert à ... ?

L'IA est, donc, beaucoup plus vaste que ce qu’on entend habituellement, et ne se résume pas :

  • aux réseaux de neurones, représentants en chef de l’approche connexioniste ;

  • au traitement de grosses bases de données ;

  • aux chatbots ou agents conversationnels ;

  • et plus généralement, à tout ce qui a trait à l'apprentissage automatique.

L'IA est un domaine qui a plus de 70 ans, avec une histoire très riche et un fonctionnement cyclique fait d'alternance de bulles médiatiques (~80s, >2015) et d'hivers (70s, 90s), causés par de bonnes ou mauvaises raisons. Si nous avons le courage, nous essayerons d’en faire un historique dans un prochain billet. La question actuelle n'est pas de savoir, comme on pourrait le croire, si l'IA sauvera le monde, cannibalisera toute forme d'innovation et guidera la croissance. Mais plutôt de savoir quels seront les usages réels, indiscutables et pertinents qui en découleront et sur lesquels nous pourrons compter pour progresser vers la compréhension et la reproduction de l'intelligence. Quant à la bulle d’intérêt que nous traversons, elle cessera bien ... un jour.

Aller plus loin:

  • a very short introduction to AI, Margaret Boden, 2018

  • society of minds, Marvin Minsky, 1986


 

Notes

[*] « Artificial intelligence is the science of making machines do things that would require intelligence if done by men » (traduction libre).
[*2] Un exemple illustrant la pertinence de raisonner par métaphores, au lieu de copier brutalement : si l’homme s’est inspiré du vol de l’oiseau, les avions ne battent pas pour autant des ailes.
[*3] certains des buts, pour être plus précis, puisque ce domaine est très vaste, très varié.
[*4] GOFAI, good old-fashioned AI.
[*5] l’espace des solutions à parcourir est souvent monstrueusement grand, si bien qu’il est impossible de le parcourir naïvement sans y passer un temps infini - littéralement, si on prend comme borne maximale l’âge de l’univers.

Liens

[0] History of artificial intelligence
[1] Automates cellulaires [WP], Introduction (pdf)
[2] citons au passage les travaux de la dernière médaille Fields franco-bresilienne, même son domaine d’activité n’est pas réellement lié au travail sur la robotique
[3] Boston Dynamics

 
Thomas GerbaudComment