Les ingrédients nécessaires à l’intelligence artificielle

Où nous allons un peu mieux comprendre ce que l’intelligence artificielle veut dire.

En 1997, Garry Kasparov, champion du monde d’échecs a perdu contre DeepBlue d’IBM. En mars 2016 c’est au tour d’AlphaGo, autre programme d’intelligence artificielle, développé par DeepMind de Google, de battre Lee Sedol, un des meilleurs joueurs de go. Le go est un jeu traditionnel asiatique réputé très difficile.
ll y a quelques semaines seulement, une autre version étrangement appelé AlphaGoZero a gagné contre AlphaGo. Sa particularité ?
Il est “capable d’apprendre tout seul le go”, comme écrit ce journaliste de la télévision Suisse  : https://www.rts.ch/info/sciences-tech/9012856-ecrasante-victoire-pour-un-ordinateur-capable-d-apprendre-tout-seul-le-go.html

 

Quels sont les pouvoirs de l’intelligence artificielle ?

Les victoires de ces machines face à des humains sont très impressionnantes. Elles se font l’écho des récents progrès des algorithmes et des outils informatiques qui envahissent notre quotidien avec Google, Facebook et autres.

Pour mieux comprendre comment ces victoires sont possibles, voici une petite liste des ingrédients nécessaires à cette victoire : des algorithmes complexes et performants, beaucoup de données et une importante puissance de calcul.

Dans un article précédent  Qu’est-ce que la programmation ? (https://kidiscience.cafe-sciences.org/articles/quest-ce-que-la-programmation/), nous avions vu ce qu’est un programme informatique. Un algorithme est un programme informatique, c’est à dire une suite d’instructions, qui a pour but de résoudre un problème mathématique. Optimiser la forme d’un objet, trouver le plus court chemin de livraison d’une équipe de trente livreurs, crypter des données devant rester secrètes, sont autant de problèmes pouvant être résolus à l’aide d’algorithmes.
Pourtant, reconnaître un chat dans une image n’a pas été si facile à résoudre par algorithme.
En effet le chat peut prendre des positions extravagantes, et il est alors sans tête apparente ou sans pattes. On ne peut donc pas écrire de règles simples telle que “un chat possède quatre pattes, deux yeux, des poils et une queue”.

 

Alors, on fait autrement : on laisse l’algorithme estimer les règles, tout en lui donnant tout un tas d’images différentes et en lui indiquant sur lesquelles on voit un chat. Après cette phrase d’apprentissage, l’algorithme peut utiliser les “règles” apprises pour analyser une nouvelle image, et nous dire si il y a un chat ou non sur cette image. Il y a donc une phase d’apprentissage puis une phase de prédiction.

A la fin des années 1950, les neurologues Warren McCulloch et Walter Pitts ont proposé un premier modèle mathématique décrivant l’action d’un neurone. Étonnamment, dans les années 1990, ce modèle a pu être redécouvert et adapté sous forme d’algorithme avec succès pour la reconnaissance de formes dans une image. L’avantage du réseau de neurone est de pouvoir combiner les données d’entrées entre elles (par exemple tous les pixels composant les images de chat) de façon potentiellement très complexe pour finalement ne donner qu’un seul et unique chiffre : le résultat.
Depuis ce type d’algorithme s’est amélioré et de nombreuses variantes ont vu le jour permettant des analyses de données de plus ou plus poussées. Tant et si bien que, lorsqu’on parle d’algorithmes ou de programmes d’intelligence artificielle, de nos jours, très souvent une variante de réseaux de neurones est utilisée.

Mais revenons au jeu de go ! AlphaGo, par exemple, a utilisé des contraintes – les règles du jeu, et des données – les choix faits par des joueurs lors d’anciennes parties. Après avoir appris quelles sont les différentes conséquences possibles d’un choix, il peut jouer une partie et calculer, à chaque fois que c’est son tour de jouer, les meilleurs coups à faire étant donné la situation présente.

 

Tu trouveras plus de détails sur AlphaGo, ainsi que sur le jeu de go, dans ce super article de Xavier de C’est pourtant clair : http://www.cestpourtantclair.com/lhomme-contre-la-machine-la-victoire-dalphago/

 

Pourquoi la victoire d’AlphaGoZero est importante ?

Ces algorithmes sont efficaces grâce au grand nombre de données utilisées lors de la phase d’apprentissage. Ainsi AlphaGo a bénéficié de 160 000 parties de joueurs professionnels puis a joué contre lui-même plus d’un million de fois avant de pouvoir rivaliser avec les plus grands joueurs. AlphaGoZero, quant à lui, a uniquement joué contre lui-même mais 5 millions de fois. Si on compte une heure de jeu par partie, il nous faudrait 570 années pour jouer autant de parties !
Si un ordinateur peut se permettre cela, c’est qu’il est beaucoup plus rapide et ceci, entre autres, grâce aux progrès techniques des super-calculateurs.

La particularité d’AlphaGoZero est donc de s’être “débrouillé tout seul” avec les règles du jeu et en jouant contre lui-même. Les concepteurs du programme n’ont pas influencé les choix appris par AlphaGoZero avec d’anciennes parties jouées par de grands champions.
C’est pourquoi c’est une très belle victoire : AlphaGoZero a su créer les données suffisantes pour battre AlphaGo.

 

Le revers de la médaille

Comme tu l’as remarqué, ces algorithmes ont besoin de beaucoup de données. Elles ne sont pas toujours disponibles et cela prend beaucoup de temps pour les générer et les utiliser en phase d’apprentissage.
De plus, si on crée un programme pour la reconnaissance de chats dans une image, il est évident qu’il ne pourra rien faire d’autre et pourra même encore parfois se tromper (comme nous, il suffit que l’image soit trop floue par exemple).
Plus généralement, l’intelligence artificielle se limite jusqu’à aujourd’hui à l’intelligence logico-mathématique : les ordinateurs sont capables de calculer et traiter de nombreuses données en très peu de temps. Sur ce domaine, ils nous surpassent clairement.
Mais, pour l’instant, tout ordinateur est dépourvu de sentiment, d’instinct, de morale, de curiosité, d’émotions. Ils n’ont pas du tout d’intelligence spatiale ou corporelle.
Les expressions “apprendre tout seul” ou “se débrouiller tout seul” sont pratiques pour expliquer les capacités du programme mais elles peuvent induire en erreur. Elles donnent le sentiment que DeepBlue, AlphaGo ou  AlphaGoZero ont des traits humains, et une capacité à la curiosité.

 

Alors, voilà, maintenant j’espère que tu comprends un peu mieux ce qu’intelligence artificielle veut dire et ne pas dire.
Lors d’un prochain article, dans quelques semaines, nous apprendrons les principes généraux des algorithmes d’apprentissage, en s’amusant à classer des fleurs.

Auteur : Emilie Neveu/Sense the Science

Aller plus loin :

Encore une fois super bande dessinée expliquant AlphaGo : http://www.cestpourtantclair.com/lhomme-contre-la-machine-la-victoire-dalphago/