Intelligence artificielle, les tendances et les avancées

 Intelligence artificielle 

Les tendances et les avancées en intelligence artificielle

En cette fin de la seconde décennie du XXIe siècle, l’intelligence artificielle a non seulement émergé comme un champ de recherche scientifique à part entière, mais a également été prise d’assaut par de grandes corporations comme Google, Facebook, Amazon et Microsoft pour ne nommer que celles-ci. Les investisseurs de risque sont au rendez-vous et l’argent est disponible.

Faut-il ici par ailleurs rappeler que le premier secteur à avoir particulièrement profité des avancés de l’intelligence artificielle au cours des quinze dernières années a bien été celui des jeux vidéo qui a permis d’offrir aux joueurs une expérience particulièrement édifiante, interactive et saisissante. En 2013, selon le rapport Global Entertainment And Media Outlook de la firme Price-Water-Coopers, la taille totale du marché du jeu vidéo a avoisiné les 2 034 milliards de dollars (US). Sortant de la sphère strictement ludique, l’intelligence artificielle est actuellement en train de redéfinir systématiquement le data mining, les systèmes experts, l’intelligence artificielle fondé sur les agents autonomes (i.e. agents de conversation — bots), le traitement cognitif (robotique et intelligence artificielle générale), et la recherche fondamentale dans le domaine des sciences cognitives. Quelles sont ces nouvelles tendances ?

IA hybride
En sus des différentes approches précédemment énumérées émergent des systèmes qui combinent à la fois l’IA symbolique, les réseaux neuronaux et les approches connexionnistes. Par exemple, l’approche ACT-R, les architectures CLARION et LIDA relèvent de cette mouvance.

L’approche ACT-R (Adaptive Control of Thought — Rational), principalement développée par John Robert Anderson à la Carnegie-Mellon University, est avant tout une architecture cognitive qui se veut un modèle théorique pour simuler et comprendre le fonctionnement de la cognition humaine. Les chercheurs qui œuvrent dans ce domaine tentent de voir comment les individus, dans un premier temps, organisent leurs connaissances, et dans un deuxième temps, comment ils parviennent, à partir de cette organisation des connaissances, à produire des comportements intelligents. Plus les recherches à partir de ce modèle avancent, plus elles s’approchent d’un système fiable et cohérent qui serait en mesure de permettre la reproduction de plusieurs tâches cognitives jusque-là réservées aux humains. Autrement dit, un système en mesure de capturer dans les détails les plus fins la façon dont nous appréhendons et percevons le monde, comment nous le pensons, et comment nous agissons sur lui.

L’architecture cognitive CLARION (Connectionist Learning with Adaptive Rule Induction On-line), quant à elle, tient surtout au fait qu’elle est en mesure, premièrement, de faire la distinction entre des processus implicites ou explicites, et deuxièmement, de « capturer » l’interaction entre ces deux types de processus. Pour y parvenir, cette approche utilise quatre sous-systèmes : centré sur l’action (contrôle sur les actions externes et internes) ; non centré sur l’action (maintien de la connaissance globale) ; motivationnel (motivation à percevoir, à agir, à apprendre) ; méta cognitif (monitorer, diriger, modifier les opérations des trois sous-systèmes précédents).

L’approche LIDA (Learning Intelligent Distribution Agent), pour sa part, se propose de modéliser le plus large spectre possible des processus liés à la cognition propre aux systèmes biologiques, autant au niveau de la perception que du raisonnement. Le cycle cognitif de LIDA se subdivise en trois étapes : compréhension ; attention ; action ; apprentissage. Initialement développé pour l’US Navy au milieu des années 1990, le système servait à réaffecter les membres d’équipage à une autre mission une fois leur service terminé à bord d’un navire. Depuis ce temps, le système a été grandement amélioré par l’apport de différentes techniques propres à l’IA et est aujourd’hui reconnu comme un système d’architecture cognitive important.

Une autre approche cognitive hybride, celle des systèmes immunitaires artificiels, consiste à concevoir des algorithmes fondés sur le fonctionnement du système immunitaire des vertébrés, c’est-à-dire disposant de la capacité à identifier un agent pathogène, à en mémoriser les caractéristiques et à le mettre hors d’état de nuire. Ce type d’algorithme est surtout utilisé dans le domaine de la résolution de problèmes et de la cybersécurité.

  Intelligence artificielle  

IA dédiée au data mining
En sus des techniques relevant de la statistique, l’intelligence artificielle fournit des outils indispensables pour le forage de données (data mining), à savoir, repérer dans d’immenses bases de données des patterns récurrents. Plusieurs des outils développés dans ce domaine proviennent de la recherche effectuée dans le domaine de l’apprentissage automatisé (machine learning). Du fait que les bases de données croissent exponentiellement, produisant ce qu’il est désormais convenu d’appeler Big Data ou datamasse, les systèmes de forage de données deviennent de plus en plus indispensables.

Agents intelligents
Un domaine actuellement en pleine explosion, les agents intelligents, parfois nommés bots, sont en passe de reconfigurer notre relation aux ordinateurs. Pour le moment, on les retrouve surtout dans les systèmes conversationnels. Par exemple, même si le système Siri de la société Apple et le système Alexa d’Amazon ne sont pas encore des plus performants, ils pavent tout de même la voie aux interfaces démunies d’écran.

Traitement cognitif (cognitive computing)
Le traitement cognitif a sans nul doute été la piste la plus explorée depuis les débuts de l’intelligence artificielle et l’une des tendances qui a le plus profondément marquée la recherche dans ce domaine. On retrouve le traitement cognitif dans plusieurs applications, depuis la robotique cognitive et la capacité à décider, en passant par les systèmes artificiels conscients d’eux-mêmes, jusqu’à l’intelligence artificielle générale.

 

En fait, depuis ses débuts, la robotique a été confrontée à un problème de taille : en fonction d’un contexte donné, quelle décision doit prendre un robot pour agir le plus adéquatement possible par rapport à son environnement. Tout récemment, une autre discipline a émergé, la robotique développementale, qui combine à la fois robotique, apprentissage automatisé (machine learning) et psychologie développementale, l’idée étant de faire en sorte que, en situation effective, un robot, à l’instar de l’être humain, soit continuellement en mode d’apprentissage. Partant de là, il s’agit de concevoir un robot qui, une fois immergé dans un environnement complexe, soit en mesure de comprendre en quoi consiste son environnement et de s’y adapter pour réagir de la façon la plus adéquate possible. On aura compris que les drones de combat développés pour le compte de l’armée américaine bénéficieront grandement de ces capacités. Autrement, les robots industriels, les robots médicaux et les robots destinés au grand public pour effectuer mille et une tâches, seront ni plus ni moins que de l’intelligence artificielle embarquée. À ce titre, les grandes agences gouvernementales comme la DARPA américaine (Defense Advanced Research Program Agency) investissent de plus en plus dans des programmes de traitement cognitif afin de développer des systèmes artificiels ayant conscience d’eux-mêmes.

Que signifie au juste l’idée d’un système artificiel conscient de lui-même ? Il s’agit d’un système en mesure d’expliquer non seulement pourquoi il agit de telle ou telle façon, mais aussi d’expliquer la nature de sa motivation à le faire. Plus encore, ce type de système devra être en mesure de s’informer par lui-même, même s’il ne dispose pas de toutes les informations pertinentes pour poser une quelconque action, ce qui lui permettra ainsi de pousser plus loin son propre raisonnement et de se souvenir de ce raisonnement. Ainsi conçus, de tels systèmes cognitifs seraient beaucoup plus résilients et robustes en face de situations tout à fait inattendues. Pour sa part, IBM travaille sur des systèmes intelligents en mesure de s’autoconfigurer, de s’autodiagnostiquer et de s’autocorriger le cas échéant.

Intelligence artificielle et sciences cognitives
L’aspect scientifique de l’intelligence artificielle est fondamentalement dédié à la modélisation de la cognition humaine. Sa finalité est de proposer des hypothèses vérifiables que pourront tester les chercheurs en sciences cognitives et les chercheurs en neurosciences. D’ailleurs, les applications que l’on voit aujourd’hui émerger chez les grandes corporations de la Silicon Valley sont justement le fruit de ces hypothèses vérifiables élaborées par les chercheurs en sciences cognitives. L’implémentation est leur boulot, et comme il y a beaucoup d’argent à aller chercher dans cette quête incessante du système intelligent qui sera en avance sur tous les autres pour gagner de plus en plus de parts de marché, il est certain que cette course aux systèmes intelligents ne fait que commencer.

© Pierre Fraser (Ph. D.), sociologue, 2019

  Intelligence artificielle  

Répondre

Entrez vos coordonnées ci-dessous ou cliquez sur une icône pour vous connecter:

Logo WordPress.com

Vous commentez à l'aide de votre compte WordPress.com. Déconnexion /  Changer )

Photo Google

Vous commentez à l'aide de votre compte Google. Déconnexion /  Changer )

Image Twitter

Vous commentez à l'aide de votre compte Twitter. Déconnexion /  Changer )

Photo Facebook

Vous commentez à l'aide de votre compte Facebook. Déconnexion /  Changer )

Connexion à %s

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur la façon dont les données de vos commentaires sont traitées.