Nos téléphones sont-ils vraiment intelligents ?
Ce slogan que nous entendons tous dans les publicités ou autres processus de ventes est-il vrai ?
Pouvons-nous vraiment parler d’intelligence ?
On ne cesse d’entendre et de lire des articles sur les dangers de l’intelligence artificielle (Terminator ?), mais devons-nous vraiment en avoir peur ?
Le deep learning c’est la science de faire agir notre ordinateur sans avoir expressément programmé celui-ci.
Les connaissances en neurosciences évoluent et les mathématiques essaient de reproduire notre capacité d’apprendre. N’ayez pas peur, on est encore assez loin de reproduire la complexité de notre cerveau.
Un processeur I7 dernière génération serait 1 million de fois plus lent que notre cerveau (ceci reste une estimation très vague).
Le deep learning va ainsi essayer de reproduire ce que nous humain arrivent à faire très simplement, mais qui demande un apprentissage complexe :
Supervisé signifie que l’on va donner une batterie de données à notre algorithme afin qu’il apprenne. On va ainsi par exemple lui donner des images de chiens et chats tout en lui disant que le résultat escompté est chien ou chat. Notre algorithme va apprendre à reconnaitre des images de chiens ou chats, et pourra après se débrouiller sur des images qui lui sont totalement inconnues. Vous l’aurez deviné, l’apprentissage non supervisé lui n’aura pas d’indice chien ou chat et devra remarquer que ses images peuvent être classé en plusieurs catégories.
Il en va de même pour jouer aux échecs, ou tout autre problème. Pouvoir réaliser un système qui va résoudre un problème sans lui avoir appris à le régler. Un des plus gros sujet à lors actuelle.
Voici une représentation basique d’un réseau de neurones. En jaune ce sont les informations que l’on va donner à notre réseau. Les couches bleues et vertes vont s’activer ou non afin que nous ayons un résultat en rouge (par exemple 0 pour chien 1 pour chat si l’on reprend le cas cité plus haut).
La plupart des réseaux vont ainsi s’entrainer à répondre à un problème sur des milliers de données jusqu’a ce que les couches bleus et vertes (couches cachées) répondes correctement. C’est une explication très rapide d’un réseau simple mais cela permet d’entrevoir un peu comment cela fonctionne.
Je vous invite à regarder cette excellente vidéo d’introduction aux réseaux de neurones si vous voulez une approche plus poussé et mathématiques.
Tout comme notre cerveau possède des zones spécialisé dans l’exécutions de certaines taches, les réseaux de neurones informatiques sont spécialisé également.
Ces algorithmes sont extrêmement bons à la réalisation de leur tache, mais en revanche encore assez incapable de se débrouiller seul. (Oui un algorithme de prédiction internet ne deviendra pas Skynet).
Notre cerveau lui est capable de tout faire, de faire des connexions entre plusieurs systèmes.
La recherche a encore beaucoup de travail sur de nombreux domaines tels que les réseaux de discussion. En effet malgré les avancés rapide des chatbots, ceux-ci restent assez idiots (mémoire à long terme et cohérence encore défaillante).
Film écrit par une intelligence artificiel en 2016
Dans nos téléphones cette technologie est de plus en plus utilisé. Que ce soit pour prédire votre prochain mot sur votre clavier, comprendre ce que vous demandez aux assistants vocaux, corriger votre orthographe, prédire les bouchons pour rentrer au travail… Les applications sont infinie, à nous d’en faire bon usage.
On est encore loin d’un être indépendant, cependant on comprend assez facilement l’engouement pour cette technologie. La recherche est très active dans le domaine et communique beaucoup sur internet via notamment l’impulsion des GAFA.
Google a lancé un projet nommé Tensorflow afin que nous puissions implémenter des modèles de réseaux de neurones plus rapidement sur à peu près tous les langages informatiques. On peut notamment les exécuter sur Android…
Bibliographie :
Learning from Dialogue after Deployment chatbot
(Book) Michael Taylor - Neural Networks