L'intuition des Intelligences Artificielles

Tweet

2013.04.29

En 1997, DeepBlue bat le champion d'échecs Garry Kasparov lors d'un match de 6 parties. Depuis, les ordinateurs règnent en maîtres incontestés des échecs. Pourtant, leur victoire est en quelque sorte décevante. C'est une victoire de la force brute. DeepBlue, un dinosaure comparé aux programmes modernes, pouvait évaluer 200 millions de positions par seconde alors que les joueurs d'échecs ne considèrent que quelques coups par tour. Il est clair que les ordinateurs nous surpassent, et ce depuis longtemps, pour résoudre des problèmes mathématiques qui demandent une série bien définie d'étapes. Par exemple, le calcul de n'importe quelle racine carrée est très simple. Il suffit de suivre rigoureusement un certain nombre d'opérations et voilà ! Simple pour un ordinateur mais pas pour nous. Les auteurs de science-fiction nous offrent souvent la caricature d'ordinateurs incapables de penser globalement, incapables d'intuition. Bref, des DeepBlue qui écrasent l'être humain avec leur force de calcul. C'est une erreur. Toutes les I.A. (Intelligence Artificielle) ne sont pas des DeepBlue et nous développons actuellement des programmes qui ont une intelligence très similaire à la nôtre. C'est une quête pour construire des I.A. capables de raisonner sur des questions complexes. C'est une quête pour programmer l'intuition.

À première vue, l'intelligence humaine semble complètement différente des ordinateurs. Ces derniers conservent la plupart des données dans les disques durs qu'on peut voir comme de gigantesques tables. Pour accéder à un élément (une mémoire), il suffit de connaître sa position qui est représentée par un nombre. Mauvais nombre, mauvaise mémoire. À l'inverse, la mémoire humaine est résiliente et associative. Si je vous demande le nom du très charismatique premier ministre du Québec qui a dirigé la province entre 2003 et 2012, la plupart des gens seront capables de trouver la bonne réponse, même si « très charismatique » colle difficilement au personnage. Autre différence : la capacité de calculs (ou évaluation) de notre cerveau est largement supérieure à DeepBlue. L'acte de reconnaître un objet (ceci est un chat, ça c'est un arbre) est très difficile. Même le plus puissant ordinateur serait incapable de se déplacer en forêt tout en évaluant la position et la nature des objets, ce que nous faisons pourtant sans grands efforts. Notre cerveau est donc très doué pour certains types d'analyses, surtout celles qui demandent de regrouper plusieurs évidences. Les spécialistes de l'I.A. tentent depuis longtemps de créer des I.A. qui ressemblent à l'intelligence humaine. Et ils ont réussi. Les réseaux de neurones artificiels font partie de ces techniques. Tout comme le cerveau humain, ces réseaux ont une mémoire résiliente et associative. Ils sont capables de prendre en compte un grand nombre d'évidences et les relations complexes qui lient ces évidences.

L'I.A. prend énormément d'expansion mais elle n'a pas la forme que les gens imaginent. Google utilise déjà ces techniques pour son moteur de recherche, pour traduire des textes, adapter les publicités. Amazon, Microsoft, IBM, Fujitsu; pratiquement toutes les compagnies de haute technologie investissent de grandes sommes en I.A. et les succès se multiplient. Goeffrey Hinton est un des grands spécialistes des réseaux de neurones artificiels. Il s'en sert pour apprendre à des programmes à raisonner sur des tâches complexes. Par exemple, ces réseaux de neurones peuvent reconnaître les chiffres (1, 2, 3, 4, …) mieux qu'un être humain. Si vous croyez que c'est facile, demandez à un professeur de mathématiques. Les formes des chiffres varient énormément et certains, moi par exemple, ont développé une incroyable capacité à écrire des 4 qui ressemblent à des 9, ou des 7 qui ressemblent à des 1. Personne n'a jamais réussi à écrire à la main un programme capable de reconnaître les chiffres. Les réseaux de neurones d'Hinton sont capables d'apprendre à les reconnaître et ils le font comme les humains: on gave le réseau de chiffres en leur donnant la bonne réponse (ça, c'est un quatre, ça, c'est un un, etc) et il apprend un modèle (très complexe!) qui lui permet ensuite de déduire le chiffre à partir d'une forme. Hinton n'écrit pas un programme pour reconnaître les chiffres, il écrit un programme capable d'apprendre à reconnaître les chiffres. Mieux encore: en 2012, Hinton et son équipe participent à un concours du géant pharmaceutique Merk. L'objectif est de découvrir des molécules au potentiel pharmaceutique. Les équipes de scientifiques qui participent à ce concours sont des experts dans le domaine, certains y travaillent depuis des décennies. L'équipe de Hinton arrive, en retard, au concours et n'a aucune expérience dans le domaine. Pourtant, il gagne! Un réseau de neurones artificiels, à qui on a donné une large base de données, a réussi à apprendre comment flairer une bonne molécule mieux que les experts. Le choc fut assez grand pour mériter à l'équipe d'Hinton un article dans le prestigieux New York Times.

Il faudra encore attendre plusieurs années avant de voir des I.A. maîtriser toutes les subtilités du langage humain, une tâche où notre cerveau est exceptionnellement bien adapté. Pour bien des tâches complexes cependant, ils commencent déjà à développer une redoutable intuition. L'intuition est un concept difficile à définir. Très brièvement, on peut dire que c'est un raisonnement fondé sur un grand nombre d'évidences. Prises individuellement, ces évidences peuvent être faibles, mais en groupe elles forment un modèle solide. C'est exactement ce que les réseaux de neurones font: ils analysent de grandes bases de données et apprennent à lire les relations subtiles, tout comme les humains maîtrisent les subtilités de leur métier après des années d'expérience. Ceci inclut plusieurs tâches: comprendre les systèmes économiques, financiers, moléculaires, et... écologiques. C'est ce qui m'a amené à l'I.A. Je m'intéresse aux forces qui maintiennent la biodiversité. Ces forces sont multiples et complexes, tellement complexes que je doute qu'on puisse enfermer Mère Nature dans une simple équation. Les outils mathématiques traditionnels ont longtemps eu de la difficulté à analyser les sujets complexes. Les I.A., cependant, ont tout ce qu'il faut pour percer ces mystères, même s'il reste beaucoup de chemin à faire. Le problème, c'est qu'on comprend encore mal l'intelligence. Un peu comme les pionniers de l'aviation tentaient maladroitement d'imiter les ailes des oiseaux, nous bâtissons des I.A. en imitant le cerveau humain. Une meilleure science de l'information nous permettra de dépasser les limites du cerveau humain, mais les succès actuels de l'I.A. sont tout de même impressionnants. Il a fallu quelques milliards d'années pour que la vie sur terre mène à une intelligence comme la nôtre. Les I.A. n'ont pas 100 ans et ils révolutionnent déjà le monde de la technologie.

let world = "世界" in print $ "Hello " ++ world ++ "!"