En coulisse

Intelligence artificielle - Quand est-elle considérée comme intelligente ?

4/5/2018

Traduction : traduction automatique

Siri, Google Assistant, Cortana ou Alexa vous facilitent la vie. L'appareil photo et le logiciel de votre smartphone calculent l'image optimale pour vous. L'intelligence artificielle (IA), ou Artificial Intelligence (AI) en anglais, peut faire de plus en plus de choses. A partir de quand devons-nous craindre que l'intelligence artificielle nous dépasse ?

L'idée d'intelligence artificielle est très ancienne. Dans la mythologie grecque, il est déjà question de robots intelligents. Dans une représentation, Talos est un géant automatique en bronze. Sa mission est de protéger Europe, la maîtresse de Zeus, en Crète. Pour la protéger, il lance des pierres sur les navires qui s'approchent. Si un équipage parvient tout de même à débarquer, le géant s'échauffe pour que les envahisseurs prennent peur et s'enfuient. Si cela ne les dissuade pas, il les tue en les serrant dans ses bras. Dans le récit, Talos est d'ailleurs abattu par les Argonautes - la bande de héros qui assiste Iason dans sa quête de la Toison d'or.

Représentation de Talos.
Source : //greekmythology.wikia.com/wiki/Talos

Aujourd'hui, nous n'avons heureusement plus besoin de ramer sur les mers comme les Argonautes pour nous délecter du spectacle de l'IA. Talos possédait déjà une caractéristique essentielle de l'intelligence humaine : il adaptait son comportement en fonction du niveau d'invasion, il était capable d'apprendre. Bien entendu, la capacité d'apprentissage n'est qu'une des caractéristiques de l'intelligence humaine.

Prenons un exemple plus récent, tiré de la science-fiction. Dans le film "Ex Machina", l'acteur principal, Caleb, doit faire passer un test de Turing à l'androïde Ava. Je ne veux pas trop spoiler pour ceux qui n'ont pas encore vu le film. Il s'avère toutefois qu'Ava est un être calculateur. Elle possède de nombreuses caractéristiques de la pensée humaine : résolution de problèmes, apprentissage, raisonnement, perception et utilisation du langage.

La résolution de problèmes

La résolution de problèmes peut être définie comme l'essai systématique de différentes actions pour atteindre un objectif défini. Les méthodes de résolution de problèmes en IA peuvent être divisées en méthodes générales et méthodes spéciales. Une méthode spéciale a été développée spécialement pour un défi spécifique. Les méthodes générales peuvent être appliquées à plusieurs défis.

Dans la résolution de problèmes, l'IA est programmée à partir de zéro. Les connaissances ne sont donc pas acquises par l'IA elle-même, mais proviennent de la programmation. L'IA qui se concentre sur la résolution de problèmes était particulièrement pertinente au début de la recherche en IA. Nous y reviendrons dans un autre article
.

L'apprentissage

Il existe différentes approches pour qu'une IA apprenne. L'approche la plus simple est l'essai et l'erreur (trial and error). Dans ce cas, l'IA suit différentes solutions. Ce faisant, elle accepte délibérément qu'une approche puisse être erronée. Si l'une d'entre elles fonctionne, elle est utilisée à plusieurs reprises dans la même situation. Cette approche s'appelle l'apprentissage rouge.

Une autre approche est l'apprentissage automatique (machine learning) ou son évolution, le deep learning. Les algorithmes de machine learning utilisent leurs calculs pour apprendre directement à partir de données, sans recourir à une programmation prédéfinie. Contrairement à l'apprentissage rouge, l'IA doit donc exécuter des actions sans programmation explicite. Les algorithmes améliorent leurs performances à mesure que le nombre de données pertinentes pour l'apprentissage augmente. Avec le Big Data, le Machine Learning et le Deep Learning ont donc fait de grands progrès ces dernières années.

Un exemple de machine learning est la fonction de recommandation de Netflix. En se basant sur les informations collectées sur le comportement de l'utilisateur, l'algorithme calcule ce que l'utilisateur pourrait aimer d'autre.

L'Alpha Go de Google est un bon exemple de deep learning. Le logiciel, qui maîtrise le jeu complexe Go, apprend en affrontant des joueurs de Go humains. Cela fonctionne si bien qu'Alpha Go a déjà battu des joueurs de haut niveau. Contrairement au machine learning, Alpha Go apprend tout par lui-même grâce à des algorithmes de deep learning. Par définition, le Machinie Learning doit encore être aidé ici et là.

Il faut distinguer l'apprentissage du raisonnement. Dans le cas de l'apprentissage, l'IA s'appuie sur des données, dans le cas du raisonnement, ce sont les lois qui sont déterminantes pour l'IA.

Le raisonnement

Le raisonnement déductif permet de tirer des conclusions. Les conclusions peuvent être soit déductives, soit inductives, soit abductives. Dans la déduction, la conséquence est déduite d'une prémisse et d'une règle. Dans l'induction, on déduit une règle à partir de la prémisse et de la conséquence, et dans l'abduction, on déduit la prémisse à partir de la règle et de la conséquence.

Aperçu des types de raisonnement logique. A=>B est la règle, A la prémisse et B la conséquence.
Source : //de.wikipedia.org/wiki/Schlussfolgerung

Exemple de déduction

Livia est soit au travail soit à l'école (règle)
Elle n'est pas au travail (prémisse)
Elle est donc à l'école (conséquence).

Exemple d'induction

Livia n'est pas au travail (prémisse)
Elle est à l'école (conséquence)
Elle est donc soit au travail, soit à l'école (règle)
.

Exemple d'abduction

Livia est soit au travail, soit à l'école (règle)
Elle est à l'école (conséquence)
. Elle n'est donc pas au travail (prémisse)

L'induction et l'abduction sont des conclusions logiques. Seule la déduction est obligatoire. Le raisonnement déductif est d'ailleurs utilisé en mathématiques et en logique.

Ces exemples sont bien entendu simplifiés à l'extrême. Mais ils illustrent très bien la différence entre le raisonnement déductif, inductif et abductif. L'intelligence artificielle est déjà très forte dans le domaine du raisonnement déductif. Mais le vrai raisonnement ne se limite pas à tirer des conclusions sur la base de règles et de prémisses. Il implique de tirer des conclusions pertinentes pour résoudre une tâche ou une situation donnée. La capacité d'action humaine implique toutes les formes de raisonnement.

Un exemple de raisonnement déductif est celui des IA qui peuvent effectuer des tâches mathématiques complexes. Personnellement, je ne connais aucun exemple d'IA qui utilise le raisonnement déductif ou inductif. La plupart du temps, il s'agit à nouveau de l'apprentissage automatique. Si vous avez un exemple réel d'IA qui fait du raisonnement inductif ou abductif, merci de me le faire savoir dans les commentaires.

Perception

La perception consiste à balayer l'environnement à l'aide de divers capteurs. Les objets et sujets se trouvant dans un espace prédéfini sont ensuite représentés et perçus dans leur relation spatiale. Il est ainsi possible d'effectuer des actions dans l'espace. Cela inclut, par exemple, la marche et la préhension.

Un exemple de perception dans l'IA est celui des bras robotisés qui assemblent une chaise Ikea. Divers capteurs analysent l'environnement. Les bras robotiques détectent ainsi l'emplacement des pièces et peuvent les ramasser et les assembler. Les bras artificiels disposent également de capteurs de pression pour estimer la force avec laquelle ils doivent insérer des chevilles par exemple.

La parole

La langue est un système de signes qui tire sa signification de conventions. Elle ne peut donc pas être réduite à la seule langue parlée. En ce sens, les panneaux de signalisation, par exemple, peuvent être considérés comme du langage. Mais le langage humain est capable de former d'innombrables phrases. Les mots peuvent avoir un double sens et être prononcés différemment en raison de dialectes, d'accents ou de fautes de langue.

Les exemples d'IA et de langage ne manquent pas. Il y a les assistants vocaux qui nous accompagnent sur nos smartphones ou encore, de plus en plus, les haut-parleurs intelligents dans les maisons intelligentes.

Une affaire complexe

L'intelligence humaine est beaucoup plus complexe qu'il n'y paraît à première vue. Pour que l'intelligence artificielle puisse rivaliser avec l'intelligence humaine, il faut plusieurs choses. Imiter une ou même deux composantes de l'intelligence humaine semble possible. Mais le langage, la perception, la résolution de problèmes, le raisonnement et l'apprentissage en même temps ? Cela semble très complexe. Un androïde comme Ava restera probablement de la science-fiction pendant les prochaines années.

C'est peut-être une thèse un peu audacieuse. Tout peut aller très vite à la suite d'une percée. Mais pour envisager l'avenir, nous devons d'abord considérer ce qui s'est passé jusqu'à présent. J'écrirai prochainement un autre article sur la façon dont l'intelligence artificielle a évolué jusqu'à présent.

Cet article plaît à 19 personne(s)

Kevin Hofer

Senior Editor

kevin.hofer@digitecgalaxus.ch

La technologie et la société me fascinent. Combiner les deux et les regarder sous différents angles est ma passion.

Smartphone

Suivez les thèmes et restez informé dans les domaines qui vous intéressent.

Informatique

Suivez les thèmes et restez informé dans les domaines qui vous intéressent.

En coulisse

Des informations intéressantes sur le monde des produits, un aperçu des coulisses des fabricants et des portraits de personnalités intéressantes.

Tout afficher

14 commentaires

later

Recherche

Intelligence artificielle - Quand est-elle considérée comme intelligente ?

La résolution de problèmes

L'apprentissage

Le raisonnement

Exemple de déduction

Exemple d'induction

Exemple d'abduction

Perception

La parole

Une affaire complexe

14 commentaires

Top 10 catégories

Aller à

14 commentaires

Digitec Offre du jour