webleads-tracker

24/06/2017

Au fait, c’est quoi le machine learning ?

Header Machine Learning

-

Depuis trois ans qu’on nous parle à tout bout de champ d’intelligence artificielle (IA, pour les intimes), on nous parle aussi de son indispensable corollaire : le machine learning. Vous l’avez tous lu comme moi : si les chatbots et autres robots logiciels voués à proliférer dans tous les domaines deviennent de plus en plus « intelligents », c’est grâce au machine learning qui les dote de mystérieuses capacités d’auto-apprentissage. C’est que nous expliquait Mathieu Lemonnier de Kick My Bot dans la très instructive interview qu’il a récemment accordée à easi sur les chatbots.

Magique, le machine learning ? Pas vraiment…

En lisant la notice « machine learning » de Wikipedia, le caractère magique de cet auto-apprentissage disparaît assez vite, du moins pour une profane comme moi :

L’apprentissage automatique ou apprentissage statistique (machine learning en anglais), champ d’étude de l’intelligence artificielle, concerne la conception, l’analyse, le développement et l’implémentation de méthodes permettant à une machine (au sens large) d’évoluer par un processus systématique, et ainsi de remplir des tâches difficiles ou problématiques à remplir par des moyens algorithmiques plus classiques.

Cela ne nous dit pas vraiment comment ça marche mais, de mon point de vue, cela balaie pas mal de fantasmes qui conduisent un certain nombre de gens à nous annoncer pour demain l’avènement d’une « intelligence artificielle forte », surpassant nos faibles et éminemment faillibles intelligences humaines. En effet, de quoi est-il question ? D’algorithmes – autrement dit, de programmes de calcul utilisant des méthodes statistiques pour catégoriser, reconnaître et réutiliser des données, des faits, des situations, des images, du langage, etc.

Le point différenciant par rapport aux programmes informatiques classiques, c’est que les algorithmes de machine learning ne sont pas statiques : ils se modifient et s’ajustent au fil du temps, en capitalisant sur chaque requête/interaction.

Apprentissage sans intervention humaine ? On n’en est pas là…

Qu’un programme soit capable de s’auto-ajuster, donc de s’auto-reprogrammer, ce n’est quand même pas rien ! Sauf que cette autonomie adaptative des algorithmes est quand même très relative : leurs capacités d’apprentissage dépendent encore pour beaucoup d’êtres humains. Quoi que vous ayez pu lire sur le machine learning et sa variante avancée le deep learning (apprentissage profond), ce sont encore principalement des humains, comme vous et moi, qui éduquent et entraînent les algorithmes. Voilà pourquoi on parle d’apprentissage supervisé ou semi-supervisé (comme l’explique plutôt bien cet article).

On va beaucoup plus loin dans l’autonomie avec l’apprentissage par renforcement. C’est la technique qui a permis au programme AlphaGo de battre le champion du monde du jeu de go en mars 2016. Le système a gagné parce qu’il a appris à élaborer des stratégies en s’entraînant à jouer contre lui-même et on vient d’apprendre qu’il avait fait de gros progrès en un an.

En revanche, l’apprentissage totalement autonome n’est pas encore une réalité. Même si on n’arrête pas de nous répéter que tout va très vite dans le domaine de l’IA et des algo, je pense que ce que déclarait il y a un an Jean-Gabriel Ganascia, chercheur en intelligence artificielle et président du comité d’éthique du CNRS, est toujours d’actualité :

«  Quant à l’apprentissage non supervisé, par lequel une machine, à l’image de l’homme ou de l’animal, serait capable, à partir du spectacle du monde, de construire elle-même des connaissances, des concepts, d’inventer des choses nouvelles, c’est l’un des grands défis de la recherche. »

Notez bien : il ne dit pas que c’est impossible…

Aujourd’hui, les chatbots et autres assistants virtuels ne savent répondre qu’à des questions préprogrammées par des humains. C’est déjà beaucoup et ce serait dommage de s’en priver s’ils peuvent renforcer votre Service Client et simplifier la vie de vos clients. Mais les questions ouvertes ou non prévues les mettent en échec parce que les algorithmes sont incapables d’élaborer des réponses intelligentes à partir des seules données brutes.

Bref, on en est encore à la préhistoire !

Il y a toujours une certaine distance entre le discours marketing sur ces technologies et leur état d’avancement réel. Si c’est bien de se projeter dans le futur et d’imaginer les choses incroyables (et parfois terrifiantes) qu’on va pouvoir faire, je trouve que cela ne fait pas de mal non plus d’écouter les scientifiques qui nous remettent les pendules à l’heure.

C’est ce que fait continuellement J.-G. Ganascia, mais aussi Yann Le Cun, directeur du laboratoire d’intelligence artificielle de Facebook, certes, mais aussi professeur à l’université de New York (NYU) et titulaire en 2015-2016 de la chaire « Informatique et Sciences numériques » au Collège de France. Voici par exemple ce qu’il déclarait en avril 2016 concernant l’apprentissage non supervisé :

« La résolution de ce problème scientifique prendra plusieurs décennies. Il s’agit d’entraîner les machines à acquérir « le sens commun », à comprendre les contraintes du monde. Quand on est bébé, on découvre que le monde est tridimensionnel, que lorsqu’un objet est caché derrière un autre, il est toujours là, que certains objets peuvent bouger et pas d’autres… Tout cela, on l’apprend parce que le cerveau humain est une machine à prédire. On ne sait pas encore faire de l’apprentissage prédictif non supervisé avec les ordinateurs. Et tant que l’on ne saura pas faire cela, on n’aura pas de machine vraiment intelligente. »

Et quand on apprend de la bouche de Luc Julia, le père de Siri (l’assistant virtuel d’Apple, pour ceux qui n’en n’auraient jamais entendu parler), qu’on utilise aujourd’hui les mêmes algorithmes qu’il y a 30 ans, on relativise très fort… Ce qui fait qu’on a progressé, c’est qu’on a beaucoup plus de données et de puissance de calcul qu’avant, mais les algo, eux, sont les mêmes ! « L’évolution, ce sera de faire réfléchir les machines, et ça moi je ne sais pas le faire » , dit-il dans cet excellent article. Rien à voir avec le machine learning qui se pratique aujourd’hui. Son avis sur le deep learning, censé faire avancer les choses ?

« Cela permet de faire un peu mieux, d’aller un peu plus en profondeur, mais on limite encore ici l’intelligence à la connaissance. Il faut montrer 1000 fois l’image d’un chat à la machine avant qu’elle commence à comprendre ce que c’est. Un enfant n’aura besoin d’en voir qu’une seule. »

Voilà. Quand on vous dira « machine learning », vous saurez maintenant que ce n’est pas tout à fait aussi avancé que ce qu’on essaie de vous faire croire. Cela permettra à votre interlocuteur d’objecter : « oui, peut-être, mais ça avance très-très vite ». Normal, c’est la réponse préprogrammée chez tous les techno-marketers :-)

 

Vous aimerez aussi :

Laissez un commentaire