Confieriez-vous votre vie à un réseau de neurones ? C’est tout l’enjeu de l’intelligence artificielle dite hybride : l’alliance de l’IA statistique, construite par apprentissage automatique sur des données, et d’un savoir explicite, formulé par des experts. Le raisonnement humain viendrait canaliser le deep learning, outil puissant, mais parfois imprévisible, coupable de biais et d’erreurs grossières. Plus largement, l’injection de connaissances dans les réseaux de neurones est vue comme un moyen de remédier en partie à leur opacité, de cadrer leur fonctionnement et de s’assurer de leur fiabilité. Bref, il s’agit de pouvoir avoir confiance dans le deep learning.
La recherche s’active sur ce sujet. Créé en 2019, l’institut toulousain Aniti (Artificial and natural intelligence Toulouse institute), qui promeut la notion d’hybridation jusque dans son nom, lui consacre 200 chercheurs et collabore avec des dizaines d’industriels. C’est aussi l’un des chevaux de bataille de l’institut de recherche technologique (IRT) SystemX et du programme Confiance.ai, dont la vocation est d’aboutir à une IA fiable, robuste et explicable.
IT Alliance du deep learning et de l'IA symbolique
C’est à ce prix que l’IA pourra se généraliser dans l’industrie, pour améliorer les décisions dans de nombreux domaines opérationnels nécessitant des garanties, sur la base de critères intelligibles par les opérateurs et les ingénieurs. Une fois certifiée, l’IA hybride pourrait même s’étendre à des systèmes critiques, comme l’aviation. Les travaux autour de cette IA marquent en quelque sorte le retour en grâce de l’IA symbolique, qui permet de manipuler des règles logiques propres aux métiers et des symboles écrits et compréhensibles par l’homme. C’est le fondement de la technologie ExpressIF du CEA, utilisée pour l’aide à la décision explicable.
La «bonne vieille IA», qui date des années 1950, a connu son heure de gloire trente ans plus tard grâce à l’évolution des microprocesseurs en donnant naissance aux systèmes experts. «Ceux-ci ont produit des résultats importants et ont été utilisés dans le domaine médical, raconte Serge Gratton, le directeur scientifique d’Aniti. Mais ils étaient complexes à implanter informatiquement et à mettre à l’échelle pour résoudre des problèmes d’une certaine taille.»
On s’est tellement payé la tête des gens qui continuaient à faire des modèles. On a même dit aux physiciens qu’ils ne servaient plus à rien et que les données sauveraient le monde !
— Cédric Auliac, responsable du programme IA à la direction de la recherche technologique du CEA
Délaissée, l’IA entre alors dans un long tunnel dont elle ne ressort qu’au début des années 2000. Mais cette nouvelle ère est dominée par l’IA statistique ou connexionniste, grâce à la conjonction de techniques algorithmiques d’apprentissage automatique perfectionnées (machine learning, deep learning), du big data et de l’augmentation de la puissance de calcul.
Traiter des problèmes mal modélisés pour l'une, rester interprétable pour l'autre
«Le deep learning traite des problèmes que l’on ne sait pas modéliser, formaliser…, explique Cédric Auliac, responsable du programme IA à la direction de la recherche technologique du CEA. En analyse d’images, par exemple, on ne peut pas indiquer à l’ordinateur quelles caractéristiques examiner. Les réseaux de neurones les extraient seuls. L’IA symbolique est pénalisée par un pouvoir de représentation d’un problème assez limité en raison du nombre réduit d’opérateurs logiques et de leurs combinaisons.»
L’IA statistique a cependant besoin de données en quantité durant son apprentissage, ce que l’industrie ne peut pas toujours lui fournir. Et la dépense énergétique est énorme. «L’intelligence artificielle traditionnelle n’a pas ce problème-là, souligne Cédric Auliac. Elle peut apprendre avec très peu de données et reste très facile à interpréter.»
L’hybridation renforcerait les qualités de ces deux grandes familles tout en inhibant leurs faiblesses. Sa définition n’étant pas figée, elle peut en outre convoquer davantage que l’IA symbolique, à savoir tout modèle de connaissances. Une revanche sur les partisans du pur connexionnisme ? «On s’est tellement payé la tête des gens qui continuaient à faire des modèles, plaisante Cédric Auliac. On a même dit aux physiciens qu’ils ne servaient plus à rien et que les données sauveraient le monde !» Leurs équations sont au contraire toujours très utiles à des projets de recherche visant à coupler simulation numérique et modèle d’apprentissage, comme HSA (hybridation simulation apprentissage) de SystemX.
De multiples possibilités d'hybridation
D’autres projets de ce même IRT montrent à quel point les possibilités d’hybridation sont diverses. «Cockpit et assistant bidirectionnel (CAB), pour le pilotage des systèmes complexes et critiques, est une manière d’hybrider les méthodes d’action d’un humain avec une machine apprenante, détaille Patrice Aknin, le directeur scientifique de SystemX. La machine aide l’humain et, dans l’autre sens, l’humain enrichit la machine.» Quant au programme de R&D Sémantiques métier pour l’exploitation de données multi-sources (SMD), «l’idée est de combiner deux sources d’information sur un système technique – les capteurs qui le supervisent et l’opérateur qui exprime son regard sur des défaillances – dans le but d’améliorer les connaissances sur ce système», poursuit-il.
De son côté, l’institut Aniti prévoit dès cette année d’hybrider l’IA statistique avec les connaissances physiques de secteurs d’activité tels que l’aéronautique, l’automobile et la météorologie. Pour tous ces acteurs, cela ne fait aucun doute : l’avenir appartient à l’IA hybride.
