L'intelligence artificielle (IA) a largement contribué à des avancées notables en 2016. Nous avons vu des voitures autonomes arpenter les rues de Pittsburgh, découvert des appareils parlants utiles dans nos foyers, et avons même eu du plaisir à jouer à Pictionary avec un ordinateur.
Cependant, bon nombre des services alimentés par l'IA manquent encore d'une **compréhension élevée** et d'un **raisonnement** suffisants pour provoquer un changement véritable au sein des entreprises. Bien que certains services puissent surpasser les humains dans des tâches spécifiques, il reste difficile pour les machines de transférer les **connaissances** et les **compétences** acquises d'une tâche à une autre. En l'absence de ce transfert, les applications concrètes de l'IA resteront limitées à une ou deux domaines à la fois.
Les recherches sur l'apprentissage profond et l'apprentissage par renforcement ouvrent finalement la voie à de nouvelles capacités pour les machines, leur permettant ainsi de se libérer des contraintes qui les avaient jusqu'alors retenues. Les chercheurs découvrent des moyens permettant aux machines de gagner en compétence, en utilisant certaines techniques similaires à celles utilisées par les humains : améliorer la **prise de décision** par l'essai et l'erreur, inciter à l'action par la **curiosité** et le **jeu**, tout en intégrant un minimum de bon sens.
Les chercheurs peuvent-ils vraiment améliorer l'IA en permettant aux machines d'apprendre comme les humains ?
La Prise de Décision Complexe
Prenons l'exemple d’un enfant chargé de mettre la table pour le dîner. Elle doit d'abord enlever tout ce qui se trouve sur la table, puis sortir les sets de table et les disposer. Ensuite, il y a les assiettes et les verres à mettre en place. Évidemment, cela nécessite également de disposer correctement les couteaux, les fourchettes et les cuillères. Pendant ce processus, elle doit veiller à ne rien faire tomber et à ne pas gêner ses parents qui préparent le repas. Mettre la table avec succès requiert donc la gestion d'une multitude de **sous-tâches** qui se chevauchent.
Le célèbre **scientifique cognitif** Marvin Minsky a soutenu que le comportement humain n'est pas le produit d'un seul agent cognitif, mais résulte d'un ensemble d'agents simples interagissant entre eux. En résumé, les êtres humains parviennent à accomplir n'importe quelle tâche en exécutant de multiples petites tâches.
Dans le domaine de l'apprentissage par renforcement, qui se concentre sur l'apprentissage par l'expérience, une méthode similaire peut être utilisée pour améliorer la **scalabilité**. En suivant un principe fondé sur la **séparation des préoccupations**, une tâche complexe peut être fragmentée en sous-tâches plus simples. Cette approche modulaire et décomposée favorise l'apprentissage en concentrant les efforts sur des tâches réduites, faciles à résoudre et globalement utiles.
Cela pourrait conduire à des services plus performants, capables d’agir dans plusieurs domaines. Au lieu d'outils alimentés par l'IA limités à des tâches bien définies comme la gestion de calendriers, on pourrait envisager des capacités capables de **prendre des décisions complexes** et d'aider proactivement les gestionnaires dans leurs choix commerciaux. Par exemple, au lieu d'un seul agent s’occupant de l'emploi du temps d'une personne, un ensemble distribué d'agents pourrait coordonner plusieurs emplois du temps, facilitant ainsi l'organisation d’événements ou de conférences rassemblant des milliers de participants.
Construire une Connaissance semblable à celle des Humains
Les humains excellent dans l'apprentissage de nouvelles compétences. Curieux de nature, nous souhaitons comprendre notre environnement. Bien que l'apprentissage d'une nouvelle compétence nécessite du temps, celles-ci ne se limitent pas souvent à elles-mêmes. Nous tirons parti des **connaissances** acquises par des **expériences passées**.
Par exemple, apprendre à coder dans un langage de programmation facilite l'apprentissage d'un autre langage, de même que savoir conduire une voiture permet de mieux appréhender la conduite d'un camion. À chaque nouvelle compétence acquise, il devient plus aisé d'apprendre des compétences connexes. Pour développer une **Intelligence Artificielle Générale**, il est crucial d’offrir aux machines la capacité d'apprendre plus rapidement grâce à une répétition d’essais sur des tâches liées.
Les chercheurs explorent des méthodes pour aider l'IA à **retenir** les connaissances acquises en résolvant un problème donné et à les appliquer ultérieurement à des problèmes nouveaux mais similaires. Ce concept est connu sous le nom de **méta-apprentissage**. En matière d'apprentissage machine, ces idées sont déjà explorées avec une **longue histoire**. Motivée par des études sur la curiosité et la recherche d'informations dans les **robots** et les **agents simulés**, certaines **recherches récentes** exploitent ces concepts grâce à des outils de pointe issus de l'apprentissage profond et de l'apprentissage par renforcement.
Des systèmes alimentés par l'IA capables de comprendre où et comment trouver des informations pertinentes pour les tâches à accomplir représenteraient un progrès significatif par rapport à la technologie actuelle. Par exemple, l'aptitude à interroger de manière itérative un moteur de recherche et à assimiler les résultats allégerait le fardeau de l'« ingénierie des connaissances » qui limite les systèmes de réponse à des questions d'aujourd'hui. De la même manière, la possibilité de solliciter intelligemment et de manière adaptative les préférences d'un utilisateur permettrait de faire de meilleures recommandations de produits en un temps réduit.
Des machines capables de trouver ce dont elles ont besoin apporteraient une immense valeur.
L'Éveil Numérique
Les humains acquièrent naturellement un **sens commun** en vivant simplement dans le monde qui les entoure. Nous savons que si l'on lance une balle en l'air, elle redescendra. Nous savons également qu'on peut mettre un sandwich dans une boîte à déjeuner. Ces connaissances proviennent de notre expérience d'avoir vu des balles lancées et d'avoir mangé des sandwiches. En revanche, les machines ne possèdent pas de présence physique dans notre monde et n'ont pas eu d'éducation incarnée ; appréhender leur environnement n'est donc pas inné pour elles.
Bien qu'elles soient performantes dans les scénarios envisagés par leurs développeurs, les systèmes d'IA existants ont souvent du mal à s’adapter à l’imprévu. Ces systèmes ne disposent pas du bon sens élémentaire qui permet aux humains de naviguer sans effort dans des situations similaires à celles déjà rencontrées. Pour que les machines puissent interagir naturellement avec les humains à travers le langage, il sera essentiel de leur enseigner tout ce que nous tenons pour acquis.
Comme l’a souligné le Professeur Jackie Chi Kit Cheung du **Reasoning and Learning Lab** de l'Université McGill à Montréal : « Les interactions conversationnelles avec les systèmes actuels sont limitées, car il est souvent difficile pour les machines de comprendre les subtilités du langage ainsi que la vaste gamme de mots, termes et expressions utilisés par les humains. »
Le travail du Dr Cheung vise à résoudre le **Winograd Schema Challenge**, proposé comme alternative au test de Turing. Ce défi consiste à poser des questions à choix multiples où une connaissance commune et un raisonnement sont nécessaires pour en déterminer les réponses.
Au cours de l'année 2017, les chercheurs développeront des algorithmes plus performants, les entreprises fourniront des outils et des services plus efficaces, et l'intérêt pour l'IA continuera de croître. Nous observerons une adoption croissante des capacités d'IA, applicables à un éventail de tâches de plus en plus diversifié, sans se limiter à des domaines restreints. Ces prouesses vont relever des défis plus complexes impliquant l'inférence, la synthèse et la prise de décision, aidant ainsi les employés au quotidien. Bien qu'il faille encore du temps avant de disposer d'une véritable **Intelligence Artificielle Générale**, cette année promet sans aucun doute des avancées théoriques et pratiques passionnantes dans le domaine de l'IA.
Philip Bachman est chercheur chez Microsoft au sein de l'équipe Maluuba à Montréal. Ses recherches portent sur la compréhension du langage, englobant la compréhension machine, les interfaces de dialogue et les défis complexes dans l'interaction homme-machine. Il a présenté des articles lors de conférences académiques de premier plan, explorant des techniques novatrices pour aborder les défis sous-jacents. Avant de rejoindre Maluuba, Philip a obtenu son doctorat à l'Université McGill.
FAQ
Comment l'IA apprend-elle ?
L'IA apprend essentiellement par l'observation et l'analyse de données. Grâce à des algorithmes comme l'apprentissage profond et le renforcement, elle peut améliorer ses performances au fil du temps.
Quelles sont les applications de l'IA dans le monde réel ?
Les applications de l'IA sont variées, allant des assistants personnels à la conduite autonome, en passant par la médecine prédictive ou l'analyse de marché.
Pourquoi le transfert de compétences est-il essentiel pour l'IA ?
Le transfert de compétences permet à une IA d'appliquer ce qu'elle a appris d'une tâche à d'autres tâches, augmentant ainsi son efficacité et sa polyvalence.
Quels défis l'IA doit-elle encore relever ?
L'IA doit encore surmonter des défis tels que la compréhension du langage naturel, le bon sens et la capacité à gérer des situations imprévues qui n'ont pas été spécifiquement programmées.
L'IA remplacera-t-elle les emplois humains ?
Il est probable que l'IA transformera certains emplois, en automatisant des tâches routinières, mais elle pourrait également créer de nouvelles opportunités tout en nécessitant des compétences humaines uniques.
