La transformation de l’IA : du concept abstrait à l’outil quotidien
Il existe deux grandes catégories d’applications d’intelligence artificielle (IA). La première, connue sous le nom de good old-fashioned artificial intelligence (GOFAI) ou intelligence artificielle démodée, repose sur des règles logiques et des algorithmes préprogrammés. La seconde, appelée machine learning (apprentissage automatique), permet aux systèmes d’apprendre et de s’améliorer à partir de données sans qu’ils soient explicitement programmés pour chaque tâche spécifique.
Intelligence artificielle à l’ancienne (Good old-fashioned artificial intelligence)
 |
L’intérêt pour ces machines dites intelligentes ne date pas d’hier. Dès les années 1950 et 1960, des personnes en recherche ambitieuses ont commencé à développer les premiers algorithmes d’intelligence artificielle, mais elles étaient confrontées à des limitations technologiques et conceptuelles importantes.
Pour mieux saisir le fonctionnement de ces premiers algorithmes, imaginez le programme informatique de l’IA comme étant le mode d’emploi pour assembler une commode IKEA initialement en pièces détachées. Lorsque le programme est exécuté, il pourrait être comparé à une personne suivant minutieusement les instructions du manuel de montage pour s’assurer de commencer par la bonne pièce, d’utiliser la bonne taille de vis pour chaque trou et de suivre chaque étape dans l’ordre prescrit. À la fin, la personne aura obtenu une commode (ou quelque chose qui y ressemble). Cependant, elle ne pourrait pas nécessairement assembler un placard ou un bureau sans leurs modes d’emploi respectifs.
De la même manière, les algorithmes d’IA GOFAI fonctionnent en suivant des règles logiques strictement définies. Chaque tâche que ces algorithmes pouvaient accomplir était spécifiquement programmée par des humains. Par exemple, une règle pourrait être : « si l’utilisateur tape “ bonjour ”, répondre et afficher “ bonjour ” à l’écran ». Ce type d’IA ne pouvait pas s’adapter ou improviser; il exécutait simplement les instructions prédéfinies de manière rigide, comme une personne qui suit un manuel de montage.
Ces premiers programmes d’IA, bien que révolutionnaires pour leur temps, étaient limités à des tâches simples et spécifiques. En dehors du contexte particulier pour lequel ils étaient explicitement programmés, ces systèmes étaient incapables de fonctionner efficacement.
L’intelligence artificielle de cette époque était donc condamné à l’obsolescence non seulement par ses capacités limitées, mais aussi par sa rigidité inhérente. Ces premières tentatives d’IA jetaient toutefois les bases de recherches plus avancées qui mèneraient à des développements plus sophistiqués et adaptatifs de l’intelligence artificielle moderne.
L’apprentissage automatique (Machine Learning)
C’est dans ce contexte que le domaine de l’apprentissage automatique (machine learning), sur lequel sont basées toutes les applications modernes de l’IA, a émergé. Comme son nom l’indique, cette approche repose sur l’idée qu’une machine peut être programmée à apprendre d’elle-même si on lui fournit suffisamment de données.
Si, pour l’IA démodée, l’analogie utilisée était celle d’un mode d’emploi, pour l’apprentissage automatique, on pourrait imaginer un enfant qui apprend à faire du vélo. Pour ce faire, il pourrait soit demander l’assistance d’un adulte qui lui tiendrait le vélo en équilibre tout en lui servant d’instructeur, soit apprendre en observant les autres enfants pédaler et en essayant de les imiter. Dans ce contexte, l’enfant ou la machine va sûrement échouer les premières fois, mais il corrigera petit à petit ses erreurs jusqu’à réussir à rester en équilibre sur le vélo et développera graduellement cette compétence.
Ces deux analogies représentent non seulement une explication des concepts de l’apprentissage automatique, mais elles font aussi référence aux deux sous-branches majeures de l’apprentissage automatique : l’apprentissage supervisé et l’apprentissage non supervisé. Dans l’apprentissage supervisé, les données fournies pendant le processus d’entraînement contiennent explicitement l’objectif à atteindre. Dans l’analogie du vélo, les données seraient les instructions de l’adulte, comme l’emplacement des pieds sur les pédales et la façon d’orienter le vélo pour le maintenir en équilibre.
Dans le cas de l’apprentissage non supervisé, l’enfant apprend en observant son environnement et en tirant des conclusions de ses échecs. Personne ne lui montre explicitement comment réussir la tâche; il observe les autres enfants et apprend de ses propres chutes, ajustant ses actions jusqu’à ce qu’il réussisse. Les « données » reçues par l’enfant sont donc ses observations et ses expériences.
Pour souligner clairement la différence entre l’apprentissage automatique et l’IA démodée, mettons les analogies côte à côte. Dans le cas de la commode, la personne ne pouvait l’assembler qu’avec le mode d’emploi spécifique et invariable. Cependant, un enfant qui a appris à pédaler sur un sol plat et lisse pourrait se débrouiller sur un terrain plus rugueux, une pente ou une descente, et ce, dès le premier coup ou après quelques essais. Cette capacité de généraliser à de nouvelles situations est l’une des grandes forces de l’apprentissage automatique.
Il est important de souligner que la faiblesse de l’apprentissage automatique réside dans la quantité et la qualité des données nécessaires pour un bon apprentissage. Pour reprendre l’analogie du vélo, si l’enfant n’a pas reçu suffisamment d’assistance de l’adulte, si les conseils étaient mauvais ou s’il n’a pas observé assez de personnes en train de faire du vélo, il ne pourrait tout simplement pas apprendre efficacement, voire pas du tout. Ce même principe s’applique à l’apprentissage automatique.
Il est essentiel de noter que l’apprentissage automatique repose sur des opérations mathématiques complexes pour produire des résultats statistiquement probables à partir des données d’entraînement. Par exemple, ChatGPT n’est pas conscient; il associe des mots en fonction de leur probabilité statistique, sans avoir une compréhension humaine des concepts ou des objets.
Conclusion
L’intelligence artificielle a fait un bond impressionnant depuis une décennie. Cette évolution marque une avancée majeure où les algorithmes peuvent non seulement résoudre des problèmes complexes, mais aussi s’améliorer continuellement.