Abonnez-vous Identifiez-vous

Identifiez-vous

Vos codes d'accès sont erronés, Veuillez les saisir à nouveau. Mot de passe oublié ?

Entreprise et IA

Le blog de Florian Douetteau

La dictature des apparences dans l’IA... (Partie 1)

Publié le

La dictature des apparences dans l’IA... (Partie 1)

... Et l’histoire du Turc mécanique

 

Le Turc mécanique est une vieille histoire du XVIIIe siècle dont le protagoniste – un automate – va fasciner son époque. L’automate à taille humaine était un joueur d’échecs, assis derrière un meuble sur lequel se trouvait un échiquier. Pendant des années, le Turc mécanique fut exposé comme un automate capable d’affronter des joueurs du monde entier aux échecs.


(Le Turc mécanique et l’homme caché à l’intérieur)


Évidemment, le Turc était un canular très sophistiqué qui reposait sur un vrai joueur d’échecs caché dans le meuble, d’où il élaborait ses coups avant de les faire jouer par l’automate. Toutefois, le Turc fit sensation, suscitant l’intérêt des plus grandes personnalités de l’époque. Le propriétaire de l’automate passait probablement le plus clair de son temps à parcourir l’Europe et le continent américain pour exhiber cette curiosité. Le Turc est ainsi connu pour avoir joué (et gagné !) contre Benjamin Franklin et Napoléon Bonaparte.

Selon certains témoignages, Napoléon aurait tenté de battre le Turc en trichant, c’est-à-dire en effectuant des coups interdits et autres mesquineries pour tester la machine (typiquement français). Napoléon aurait également bandé les yeux du Turc avec un foulard et utilisé un aimant sur l’échiquier, probablement pour essayer de comprendre le fonctionnement de l’automate. Il est amusant de constater à quel point on peut avoir l’air bête à tenter de comprendre le fonctionnement d’une machine sans les connaissances informatiques modernes.

Mais il ne fait aucun doute que le Turc a marqué son temps. Si les sociétés de capital-risque avaient existé au XVIIIe siècle, il aurait probablement bénéficié d’une levée de fonds (et serait peut-être même devenu une licorne).


L’IA, ou le syndrome du Turc mécanique

Aujourd’hui, l’intelligence artificielle (IA) équivaut à chercher des solutions d’automatisation magiques. Mais sommes-nous toujours obnubilés par les seules apparences au lieu de chercher à comprendre ce qu’est réellement l’automatisation ? Certains signes indiquent que le marché de l’intelligence machine n’en est encore qu’à ses balbutiements, notamment en ce qui concerne sa compréhension par le grand public.

Tout d’abord, les articles sur l’IA qui se fraient un chemin jusqu’aux médias populaires sont souvent ceux qui relatent la victoire d’une machine sur l’homme, comme le Turc mais sans supercherie cette fois. Actuellement, les deux exploits les plus médiatisés sont le programme AlphaGo (premier programme informatique à battre un homme au jeu de go en taille réelle) et le bot d’OpenAI capable de battre de vrais joueurs à Dota 2.

Point commun entre ces deux exemples : ils ne se produisent pas dans la vie réelle mais uniquement dans l’univers imaginaire d’un jeu. Pourquoi ? La raison est simple : pour apprendre, ces systèmes doivent intégrer un très grand nombre d’exemples — bien plus qu’ils ne pourraient en expérimenter dans la vie réelle.


(OpenAI a créé un bot capable de battre les plus grands joueurs professionnels du monde en duel dans Dota 2.)


Chaque jour, le bot Dota 2 joue quasiment l’équivalent de centaines d’années de parties contre lui-même, alors qu’il faut en moyenne 10 heures à un être humain pour apprendre à jouer au jeu. À ce jour donc, l’IA prospère dans le monde imaginaire où, contrairement au monde réel , on peut se tromper autant que nécessaire pour apprendre rapidement de ses erreurs.

Autre signe que l’IA n’en est qu’à ses débuts : le monde commence tout juste à comprendre comment et pourquoi le Machine Learning fonctionne vraiment (même parfois chez les experts scientifiques du domaine). Un célèbre article de 2016, intitulé Understanding Deep Learning Requires Rethinking Generalization (De la nécessité de repenser la généralisation pour comprendre le Deep Learning), a suscité une réflexion sur le Deep Learning, dont les mécanismes sous-jacents, bien qu’effectifs en pratique, étaient (et sont encore, dans une certaine mesure) obscurs aux yeux du public.

(En réalité, la clé du Deep Learning est la généralisation, à savoir, pour un système de Machine Learning, la capacité à apprendre des concepts clés à partir de différents exemples. Le contraire de la généralisation est la mémorisation ; comme un âne savant, un système de mémorisation se contente d’apprendre par cœur tous les exemples sans rien en retirer.)

 

<< A suivre... Découvrez la seconde partie de ce post Vendredi 5 octobre

Créez votre compte L’Usine Connect

Fermer
L'Usine Connect

Votre entreprise dispose d’un contrat
L’Usine Connect qui vous permet d’accéder librement à tous les contenus de L’Usine Nouvelle depuis ce poste et depuis l’extérieur.

Pour activer votre abonnement vous devez créer un compte

Créer votre Compte
Suivez-nous Suivre Usine Nouvelle sur Facebook Suivre Usine Nouvelle sur Twitter RSS Usine Nouvelle