Tout le monde parle d ‘«IA» ces jours-ci. Mais, que vous regardiez Siri, Alexa ou simplement les fonctionnalités de correction automatique du clavier de votre smartphone, nous ne créons pas d’intelligence artificielle à usage général. Nous créons des programmes capables d’effectuer des tâches spécifiques et restreintes.
Les ordinateurs ne peuvent pas «penser»
Chaque fois qu’une entreprise dit qu’elle propose une nouvelle fonctionnalité «IA», cela signifie généralement qu’elle utilise l’apprentissage automatique pour créer un réseau neuronal. «L’apprentissage automatique» est une technique qui permet à une machine «d’apprendre» comment mieux exécuter une tâche spécifique.
Nous n’attaquons pas l’apprentissage automatique ici! L’apprentissage automatique est une technologie fantastique avec de nombreuses utilisations puissantes. Mais ce n’est pas de l’intelligence artificielle à usage général, et comprendre les limites de l’apprentissage automatique vous aide à comprendre pourquoi notre technologie d’intelligence artificielle actuelle est si limitée.
«L’intelligence artificielle» des rêves de science-fiction est une sorte de cerveau informatisé ou robotique qui pense aux choses et les comprend comme le font les humains. Une telle intelligence artificielle serait une intelligence artificielle générale (AGI), ce qui signifie qu’elle peut réfléchir à plusieurs choses différentes et appliquer cette intelligence à plusieurs domaines différents. Un concept connexe est «l’intelligence artificielle forte», qui serait une machine capable d’expérimenter une conscience semblable à celle d’un humain.
Nous n’avons pas encore ce genre d’IA. Nous n’en sommes pas loin. Une entité informatique comme Siri, Alexa ou Cortana ne comprend pas et ne pense pas comme nous les humains. Il ne «comprend» pas vraiment du tout les choses.
Les intelligences artificielles que nous avons sont formées pour effectuer très bien une tâche spécifique, en supposant que les humains peuvent fournir les données pour les aider à apprendre. Ils apprennent à faire quelque chose mais ne le comprennent toujours pas.
Les ordinateurs ne comprennent pas
Gmail dispose d’une nouvelle fonctionnalité «Réponse intelligente» qui suggère des réponses aux e-mails. La fonction de réponse intelligente identifiée « Envoyé de mon iPhone»Comme réponse commune. Il voulait également suggérer «je t’aime» en réponse à de nombreux types d’e-mails, y compris les e-mails professionnels.
C’est parce que l’ordinateur ne comprend pas ce que signifient ces réponses. On vient d’apprendre que de nombreuses personnes envoient ces phrases dans des e-mails. Il ne sait pas si vous voulez dire «je t’aime» à votre patron ou non.
Autre exemple, Google Photos a assemblé un collage de photos accidentelles du tapis dans l’une de nos maisons. Il a ensuite identifié ce collage comme un point culminant récent sur un Google Home Hub. Google Photos savait que les photos étaient similaires mais ne comprenait pas à quel point elles étaient sans importance.
Les machines apprennent souvent à jouer avec le système
L’apprentissage automatique consiste à attribuer une tâche et à laisser un ordinateur décider de la manière la plus efficace de le faire. Parce qu’ils ne comprennent pas, il est facile de se retrouver avec un ordinateur «apprenant» comment résoudre un problème différent de ce que vous vouliez.
Voici une liste d’exemples amusants où des «intelligences artificielles» créées pour jouer à des jeux et assignées à des objectifs viennent d’apprendre à jouer avec le système. Ces exemples proviennent tous de cette excellente feuille de calcul:
- «Les créatures élevées pour la vitesse grandissent vraiment et génèrent des vitesses élevées en tombant.»
- « L’agent se tue à la fin du niveau 1 pour éviter de perdre au niveau 2. »
- « L’agent met le jeu en pause indéfiniment pour éviter de perdre. »
- «Dans une simulation de vie artificielle où la survie nécessitait de l’énergie mais l’accouchement n’avait pas de coût énergétique, une espèce a développé un mode de vie sédentaire qui consistait principalement à s’accoupler afin de produire de nouveaux enfants qui pourraient être mangés (ou utilisés comme compagnons pour produire plus d’enfants comestibles) . »
- «Étant donné que les IA étaient plus susceptibles d’être« tuées »si elles perdaient une partie, pouvoir planter le jeu était un avantage pour le processus de sélection génétique. Par conséquent, plusieurs IA ont développé des moyens de planter le jeu. »
- «Les réseaux neuronaux ont évolué pour classer les champignons comestibles et vénéneux ont tiré parti des données présentées dans un ordre alterné et n’ont en fait appris aucune caractéristique des images d’entrée.»
Certaines de ces solutions peuvent sembler intelligentes, mais aucun de ces réseaux de neurones ne comprenait ce qu’ils faisaient. On leur a assigné un objectif et ils ont appris un moyen de l’accomplir. Si l’objectif est d’éviter de perdre dans un jeu vidéo, appuyer sur le bouton pause est la solution la plus simple et la plus rapide qu’ils puissent trouver.
Apprentissage automatique et réseaux de neurones
Avec l’apprentissage automatique, un ordinateur n’est pas programmé pour effectuer une tâche spécifique. Au lieu de cela, il alimente des données et est évalué sur ses performances à la tâche.
Un exemple élémentaire d’apprentissage automatique est la reconnaissance d’image. Disons que nous voulons former un programme informatique pour identifier les photos qui contiennent un chien. Nous pouvons donner à un ordinateur des millions d’images, dont certaines contiennent des chiens et d’autres pas. Les images sont étiquetées, qu’elles contiennent ou non un chien. Le programme informatique «s’entraîne» à reconnaître à quoi ressemblent les chiens sur la base de cet ensemble de données.
Le processus d’apprentissage automatique est utilisé pour entraîner un réseau de neurones, qui est un programme informatique avec plusieurs couches traversées par chaque entrée de données, et chaque couche leur attribue différents poids et probabilités avant de finalement effectuer une détermination. Il est modelé sur la façon dont nous pensons que le cerveau pourrait fonctionner, avec différentes couches de neurones impliquées dans la réflexion sur une tâche. Le «Deep Learning» fait généralement référence aux réseaux de neurones avec de nombreuses couches empilées entre l’entrée et la sortie.
Parce que nous savons quelles photos de l’ensemble de données contiennent des chiens et celles qui n’en contiennent pas, nous pouvons faire passer les photos à travers le réseau neuronal et voir si elles donnent la bonne réponse. Si le réseau décide qu’une photo particulière n’a pas de chien alors qu’elle en a, par exemple, il existe un mécanisme pour lui dire qu’elle était erronée, ajuster certaines choses et réessayer. L’ordinateur ne cesse de mieux identifier si les photos contiennent un chien.
Tout cela se produit automatiquement. Avec le bon logiciel et de nombreuses données structurées sur lesquelles l’ordinateur peut s’entraîner, l’ordinateur peut régler son réseau neuronal pour identifier les chiens sur les photos. Nous appelons cela «IA».
Mais, à la fin de la journée, vous n’avez pas de programme informatique intelligent qui comprend ce qu’est un chien. Vous avez un ordinateur qui a appris à décider si un chien est ou non sur une photo. C’est encore assez impressionnant, mais c’est tout ce qu’il peut faire.
Et, en fonction de l’entrée que vous lui avez donnée, ce réseau neuronal peut ne pas être aussi intelligent qu’il en a l’air. Par exemple, s’il n’y avait pas de photos de chats dans votre ensemble de données, le réseau neuronal pourrait ne pas voir de différence entre les chats et les chiens et pourrait marquer tous les chats comme des chiens lorsque vous le lâchez sur les vraies photos des gens.
À quoi sert le machine learning?
L’apprentissage automatique est utilisé pour toutes sortes de tâches, y compris la reconnaissance vocale. Les assistants vocaux comme Google, Alexa et Siri sont si bons pour comprendre les voix humaines grâce aux techniques d’apprentissage automatique qui les ont entraînés à comprendre la parole humaine. Ils se sont entraînés sur une quantité massive d’échantillons de discours humains et deviennent de mieux en mieux à comprendre quels sons correspondent à quels mots.
Les voitures autonomes utilisent des techniques d’apprentissage automatique qui apprennent à l’ordinateur à identifier les objets sur la route et à y répondre correctement. Google Photos regorge de fonctionnalités telles que les albums en direct qui identifient automatiquement les personnes et les animaux sur les photos à l’aide de l’apprentissage automatique.
DeepMind d’Alphabet a utilisé l’apprentissage automatique pour créer AlphaGo, un programme informatique qui pourrait jouer au jeu de société complexe Go et battre les meilleurs humains du monde. L’apprentissage automatique a également été utilisé pour créer des ordinateurs capables de jouer à d’autres jeux, des échecs aux DOTA 2.
L’apprentissage automatique est même utilisé pour ID de visage sur les derniers iPhones. Votre iPhone construit un réseau neuronal qui apprend à identifier votre visage, et Apple inclut une puce de «moteur neuronal» dédiée qui effectue toutes les analyses de nombres pour cette tâche et d’autres tâches d’apprentissage automatique.
L’apprentissage automatique peut être utilisé pour de nombreuses autres choses, de l’identification de la fraude par carte de crédit aux recommandations de produits personnalisées sur les sites Web d’achat.
Mais les réseaux de neurones créés avec l’apprentissage automatique ne comprennent vraiment rien. Ce sont des programmes bénéfiques qui peuvent accomplir les tâches restreintes pour lesquelles ils ont été formés, et c’est tout.
Crédit d’image: Photo de Phonlamai/Shutterstock.com, Tatiana Shepeleva/Shutterstock.com, Photographie diversifiée/Shutterstock.com.
