Un peu d'histoire
Pour parler de l'IA, je vous propose avant tout de revenir aux origines de l’informatique. Alors bien sûr, nous allons évoquer Alan Turing et son fameux article de 1950 sur l’intelligence dans le calcul informatique, soulevant la question : les machines pensent elles ? [3] Mais avant cela, il faut aussi évoquer brièvement, tout comme Turing l’a fait lui même, les origines de l’informatique avec la Machine de Manchester de Charles Babbage [4] qui fut le premier à élaborer une machine capable de calcul. Celle ci était certes mécanique (et non électronique) et partiellement fonctionnelle mais déjà à cette époque, il a été possible de penser des machines capable de réaliser des tâches équivalentes a celles réalisées par l'homme. En effet, cette machine permettait entre autre la mise en œuvre de calcul analytique à partir de carte perforée (à l’image de nos disquettes des années 80) ouvrant alors le champs de l'automatisation que nous connaissons aujourd'hui.
A la suite de Charles Babbage, (et la aussi cité par Alan Turing), il est intéressant de savoir que la première personne à utiliser et étudier cette machine fut une femme, Lady Ada Lovelace [5] considérée aujourd’hui comme la première personne à avoir développé un programme “informatique”. Celle-ci, intervient là aussi de façon significative dans la réflexion de Alan Turing lorsqu’elle conclut (je me permets peut être abusivement de résumer) que les machines ne feront que ce pour quoi elles ont été programmé.
En un sens elle n'avait pas tort mais Turing, dans son article (et c’est peut être la son génie), verra dans les capacités offertes par l'électronique beaucoup plus de potentiel et de possibilité. A la décharge de Ada Lovelace, bien que contemporaine de Georg Ohm, et de la seconde révolution industrielle qui verra exploser l’utilisation de l'électricité, il lui aurait encore fallu attendre le tube électronique au début du siècle (1900) dernier pour commencer à pouvoir imaginer ce que verra 50 ans plus tard Turing
Bien sur, avant cet article, la science fiction avait déjà évoqué le concept d’intelligence artificielle et les conséquences de machines pensantes, comme par exemple Issa Asimov, lorsqu'il formula les 3 lois de la robotique [6] soulevant ainsi la question de la problématique morale dans laquelle l’homme pourrait se trouver si un jour les machines devenaient capables d’intelligence et de réflexion.
Approche scientifique
Pourtant l’article de Turing marqua un basculement car, à partir de celui-ci, la question de l’intelligence des machines et de leur capacité à apprendre et penser s’est posée de façon plus formelle auprès de la communauté scientifique. Il proposa le test d'imitation aujourd’hui connu sous le nom de test de Turing, pendant lequel, une IA est évaluée au travers une discussion à l’aveugle afin de déterminer si celle-ci est humaine ou non. Bien sur ce qui est évalué, comme tout bon protocole expérimental, est le taux statistique de réussite à duper un humain comparé a ce que serait capable de faire un véritable humain (et oui car il est possible aussi qu’un humain ne soit pas crédible en tant qu’humain… le fameux faux positif, nous y reviendrons quand nous traiterons du bayesianisme)Il est évident que ce test comporte de nombreuses limites car effectivement, réussir ce test ne permet pas forcément de se convaincre que l’IA, est réellement capable de penser, d'élaborer une réflexion, juste qu’elle en donne une impression suffisante pour donner le change. Mais alors qu'est ce que l'IA?
Une définition de l’IA
Tout d'abord distinguons L'Intelligence artificielle et UNE intelligence artificielle. Le premier est l'ensemble des théories permettant la mise en œuvre de la seconde, c'est à dire une entité capable de simuler la pensée [23]. Cette définition reste cependant assez vague sur la notion de simulation. Est ce être capable de mimer une pensée comme un être humain comme le propose Turing dans son article ? Finalement si nous reprenons son test, celui ci ne permet que d'évaluer et valider la conséquence possible d'être une chose pensante, rien ne dit que d’autres solutions ne pourraient amener à la même conclusion sans que ces solutions soient des entités pensantes.Tout cela est finalement très philosophique mais ces points ont le mérite de soulever des questions sur la nature même de la pensée, voir de la conscience [7, 8]. Ainsi il sera possible de distinguer deux types d'intelligences artificielles, celles dites faibles (qui ne fait que mimer la pensée mais suffisamment pour nous tromper) celles dites fortes, qui elles pensent vraiment et dont le statut est clairement a redéfinir. Nous reviendrons sur ces deux concepts mais il est à noter qu’à l'heure d'aujourd'hui seul le premier type d'IA existe.
De Turing a aujourd'hui
Suite à l'article de Turing, l’IA a été très en vogue avec un engouement qui a eut malgré tout des hauts et des bas en sautant de découvertes prometteuses en désillusion. Elle s’est construite sur différents domaines, la mathématique, l’informatique, l’automatique et la robotique.Dans un premier temps, elle a fait émerger des domaines plus accessibles à une mise en œuvre comme les systèmes experts [17] ou la logique floue issue de l'automatique (nous reviendrons sur la logique flou dans un autre article). Nous avions déjà traité dans l'article [9] les systèmes experts. Pour rappel, ces derniers ont la particularité de réifier la connaissance des experts des domaines par la mise en œuvre d'un langage de règles (porté par du Lisp [10] ou Prolog [11] par exemple). Cette approche, a permit des avancés majeures dans le domaine médical en fiabilisant les processus de diagnostic [12]. Pourtant ces approches, bien que performantes, n'ont pas eut le succès escompté à cause d'une réception assez peu positive du public. Leur règne aura pourtant duré de 1969 à 1993. Aujourd'hui les systèmes experts n'en ont pas pour autant disparu. Des Framework tels que Drools [13] continuent d'être largement employés.
Face à cette désillusion au cours des années 90, la recherche en IA a su réorienter ses ressources en redécouvrant le modèle neuromimétique [14], exprimé par McCulloch et Pitts en 1943, mais considéré à l'époque comme trop complexe a mettre en œuvre. Ce modèle donna à la recherche en IA un nouveau souffle qui cependant fut de courte durée à cause des moyens et solutions techniques encore trop limités. Cependant ce regain d’intérêt a profité a d'autres approches qui a l'instar de l'idée que l'observation de la nature pouvait permettre l'élaboration de nouvelles formes d'IA, permis, dans les années 2000, le renouveaux d'algorithmes tels que les algorithmes de vie artificielle [15], les algorithmes génétiques [16], les systèmes multi-agents [17] ou le Machine Learning qui peinait a émerger depuis 1980 [21] mais qui profita de l'explosion du BigData pour redevenir un incontournable du traitement des données.
Déclinaison de l'IA
L'IA est donc un domaine vaste composé donc principalement d'un coté des systèmes experts et de l'autre ce que l'on appelé le Machine Learning.
La machine Learning est un sous domaine de l'intelligence artificielle composé d'un ensemble d'approches et techniques mathématiques permettant la mise en œuvre d'algorithmes et de structures simulant des processus d'apprentissages.
Nous ne traiterons pas ici du contenu de ces différents algorithmes et vous invite pour cela sur d'autres futurs articles cependant, nous pouvons les lister. Le machine Learning se subdivise en différentes catégories [18, 19, 20, 21] guidées par le mode d'apprentissage ou les structures logiques mise en œuvre.Ainsi, de façon non exhaustive, nous trouverons donc les différents types d'apprentissages suivant:
- Supervisé guidé par des algorithmes et structure de type:
- Régression linéaire ou logistique
- Descente de gradient
- Régression polynomiale
- Séparation a vaste marge (machine à vecteurs de support)
- Arbre de descision
- Classification linéaire ou non linéaire
- Réseau de neurone
- Naïve bayes
- non-supervisé guidé par des algorithmes et structure de type:
- Foret aléatoire
- Clustering et réduction de dimension
- SVD
- Analyse par composante principale (a noyau ou non)
- Règles
- Par renforcement
- Semi-supervisé
Enfin depuis 2014, une approche différente des réseaux de neurones a été proposée par Yann Lecun [24] : le Deep Learning [28]. Ainsi, âpres avoir travaillé depuis les années 80 sur les réseaux de neurones, et proposé différentes améliorations de leur algorithme (par exemple sur la back propagation en 99 [25]), Yann LeCun a proposé la mise en abîme des couches des réseaux de neurones en multipliant leur nombre et leur type (de convolution, de filtrage, de réduction de dimension, etc.) et améliorant alors significativement leur efficacité.
Objectifs
Le but de cet article n'est pas d'entrer dans le détail des techniques de ML ni du DeepLearning (ceci sera l'objet d'articles futur), mais d'en présenter surtout l'historique et les champs d'applications. Ainsi il faut garder a l'esprit que désormais, il faut faire avec l'IA dans notre quotidien, et pour ceux qui ne sont pas encore convaincu, il suffit de regarder la cascade d'innovations majeures menant aux dernières avancées de l'IA connues aujourd'hui: Alpha Go [26], Google Home ou plus récemment Alexa de Amazon et bien d'autres [27].Pour preuve, il suffit juste de penser aux algorithmes de recommandations des vidéo Youtube, les systèmes de notations de films chez NetFlix, ou encore les outils de reconnaissance vocale dans votre téléphone Androïde ou Apple.
L'IA est aujourd'hui partout et sous de multiples forme. Elle va aussi servir [29] dans l'aide à la conduite ou même dans la mise en œuvre de système de conduite autonome. Elle était déjà présente dans le domaine médical via les systèmes experts mais les réseaux à base de DeepLearning deviennent maintenant incontournables en aidant au dépistage des cancers.
En fait le champs applicatif de l'IA est partout ou la, nous, être humains, avons une activité [30] dite classique (par exemple et tout betement le tri de CV [31]).
Conclusions
Nous arrivons au terme de cet article. J’espère qu'il aura été intéressant autant pour vous que pour moi car la je sors un peu de mes habitudes en traitant plus de l'historique que de techniques. Je n'ai pas beaucoup parlé des concepts d'IA faible et d'IA forte, juste évoqué, mais à la lecture de cet article, je pense qu'il n'est pas nécessaire d'en dire grand chose a part qu'aujourd'hui tout ce que nous entendons par IA, est en fait de l'IA faible et que l'IA forte (celle doté de conscience et qui détruira l'humanité ^^) n'est pas encore la (je n'ai pas dit que le sujet n'est pas d'actualité mais disons que techniquement, il nous faudra encore quelques décennies de recherche).Références
[1] https://un-est-tout-et-tout-est-un.blogspot.com/2018/03/notions-de-mathematiques-elementaires.html[2] https://un-est-tout-et-tout-est-un.blogspot.com/2018/04/ia-principe-de-lautomatique.html
[3] https://www.csee.umbc.edu/courses/471/papers/turing.pdf
[4] https://fr.wikipedia.org/wiki/Charles_Babbage
[5] https://femmessavantes2.pressbooks.com/chapter/ada-lovelace-mathematicienne-1815-1852/
[6] https://fr.wikipedia.org/wiki/Trois_lois_de_la_robotique
[7] https://www.youtube.com/channel/UC0NCbj8CxzeCGIF6sODJ-7A
[8] https://www.youtube.com/channel/UCqA8H22FwgBVcF3GJpp0MQw
[9] https://un-est-tout-et-tout-est-un.blogspot.com/2018/01/ia-les-systemes-experts-drools.html
[10] http://lisp-lang.org/
[11] http://www.swi-prolog.org/
[12] https://en.wikibooks.org/wiki/Expert_Systems/MYCIN
[13] https://www.drools.org/
[14] http://www.cse.chalmers.se/~coquand/AUTOMATA/mcp.pdf
[15] https://fr.wikipedia.org/wiki/Vie_artificielle
[16] http://souqueta.free.fr/Project/files/TE_AG.pdf
[17] https://www.inprincipio.xyz/systemes-experts/
[18] https://dzone.com/articles/deep-dive-into-machine-learning?edition=334840&utm_source=Weekly%20Digest&utm_medium=email&utm_campaign=Weekly%20Digest%202017-11-08
[19] https://www.datasciencecentral.com/profiles/blogs/decoding-machine-learning-methods?utm_content=bufferfd5b1&utm_medium=social&utm_source=twitter.com&utm_campaign=buffer
[20] https://dzone.com/articles/artificial-intelligence-vs-machine-learning-vs-dee?edition=343095&utm_source=Daily%20Digest&utm_medium=email&utm_campaign=Daily%20Digest%202017-12-05
[21] https://dzone.com/articles/demystifying-ai-machine-learning-and-deep-learning
[22] https://dzone.com/articles/machine-learning-algorithms-which-one-to-choose-fo?edition=334817&utm_source=Daily%20Digest&utm_medium=email&utm_campaign=Daily%20Digest%202017-10-30
[23] https://fr.wikipedia.org/wiki/Intelligence_artificielle
[24] https://www.nature.com/articles/nature14539
[25] http://yann.lecun.com/exdb/publis/pdf/lecun-98b.pdf
[26] https://deepmind.com/research/alphago/
[27] https://www.business2community.com/trends-news/10-companies-using-machine-learning-cool-ways-01889944#tglOfs28u8HMalfU.97
[28] https://medium.freecodecamp.org/want-to-know-how-deep-learning-works-heres-a-quick-guide-for-everyone-1aedeca88076
[29] https://www.mathworks.com/discovery/deep-learning.html?s_v1=21617&elqem=1711045_EM_WW_17-11_COMM-GOV-DIGEST_NEWSLETTER_DEFAULT&elqTrackId=05e1f66444b94d7c9517446750fe547d&elq=070b93472b5b4eaab436c04dbb819624&elqaid=21617&elqat=1&elqCampaignId=7021
[30] https://dzone.com/articles/effective-learning-the-near-future-of-ai-1?edition=334921&utm_source=Daily%20Digest&utm_medium=email&utm_campaign=Daily%20Digest%202017-11-16
[31] https://dzone.com/articles/cv-r-cvs-retrieval-system-based-on-job-description?edition=333604&utm_source=Daily%20Digest&utm_medium=email&utm_campaign=Daily%20Digest%202017-10-17
[32] https://dzone.com/articles/ai-glossary?edition=306214&utm_source=Daily%20Digest&utm_medium=email&utm_campaign=dd%202017-07-04
