Algorithmes et intelligence artificielle

PAR LOUIS MARCHAND |

La plupart d’entre nous utilisons quotidiennement différents services numériques qui fonctionnent avec des algorithmes d’intelligences artificielles. Malgré que nous entendions de plus en plus souvent ces termes, les notions d’algorithme et d’intelligence artificielle peuvent demeurer abstraites et difficiles à saisir. Voyons comment fonctionnent ces algorithmes et la raison de leur grande popularité durant les dernières années.

En premier lieu, avant de voir comment fonctionnent les mécanismes d’intelligence artificielle, il est important de comprendre qu’un algorithme est une méthode permettant de résoudre un type de problèmes. Plus précisément, c’est une suite d’opérations ou d’instructions permettant cette résolution. Nous utilisons des algorithmes dans notre vie de tous les jours, et ce, depuis très longtemps. Par exemple, une recette de gâteau est un algorithme où des opérations sont effectuées sur des ingrédients afin de résoudre un «problème», celui qui consistant précisément à créer un gâteau. Dans le monde numérique, un algorithme conventionnel doit généralement prendre en considération toutes les possibilités qui peuvent survenir. Par exemple, un algorithme demandant à un utilisateur de préciser sa date de naissance afin de savoir s’il a 18 ans ou plus doit gérer toutes les dates possibles, mais il doit également considérer que l’utilisateur entrera autre chose qu’une date comme donnée. Il va sans dire que le fait de trouver d’imaginer toutes ces possibilités demande une grande rigueur et une bonne capacité d’analyse.

Certains problèmes impliquent tellement de possibilités que de toutes les gérer nécessite beaucoup trop de travail. C’est à ce moment que les mécaniques d’intelligence artificielle interviennent de façon fort utile. Techniquement, un mécanisme d’intelligence artificielle est un algorithme servant à construire d’autres algorithmes. Au lieu de créer les opérations par rapport à certaines règles dans un domaine, les mécanismes d’intelligences artificielles créent ces opérations en utilisant des exemples et des validations. Par exemple, si nous voulons créer un algorithme de manière classique pour savoir si une photo représente un chat ou non, le nombre de possibilités est extrêmement grand. Inversement, si nous utilisons un mécanisme d’intelligence artificielle, tout ce dont nous avons besoin, ce sont des photos dont nous savons d’avance si elles représentent ou non un chat ou non. En présentant les photos (par exemple les valeurs des couleurs des pixels) à l’algorithme d’intelligence artificielle et en confirmant qu’il s’agit ou non d’une photo de chat, celui-ci améliore l’algorithme qui en résulte. Avec une grande quantité de photos, l’algorithme généré par le mécanisme d’intelligence artificielle peut être utilisé pour reconnaître avec exactitude et beaucoup de précision les photos représentant un chat.

Contrairement à un algorithme conventionnel, où les opérations sont définies par des règles claires qui peuvent être expliquées, dans le cas d’un algorithme généré par des mécanismes d’intelligence artificielle, l’algorithme effectue correctement le travail, mais il est presque impossible de vraiment savoir pourquoi. Par exemple, l’algorithme de reconnaissance de photos de chat reconnait effectivement bien les photos de chat, mais si on analyse les opérations que l’algorithme effectue pour lui permettre cette reconnaissance, ceux-ci semblent ne pas avoir de sens. En d’autres mots, il est presque impossible de modifier un algorithme généré par un mécanisme d’intelligence artificielle autrement qu’en lui donnant de nouveaux exemples qui lui permettront d’apprendre davantage.

Ce qui peut paraitre surprenant, c’est que malgré que les mécanismes d’intelligence artificielle aient été grandement utilisés depuis le début du 21e siècle, la théorie utilisée date de la seconde moitié du 20e siècle. La raison de l’utilisation croissante de ces mécanismes dans la dernière décennie est le très grand nombre de données nécessaires pour obtenir un algorithme viable. Par exemple, pour obtenir un algorithme de reconnaissance de photo de chat qui soit fonctionnel, nous aurions besoin de dizaines, voire de centaines de milliers de photos dont nous savons d’avance qu’il s’agit de photos de chats ainsi qu’un nombre similaire de photos dont nous savons également d’avance qu’il ne s’agit pas de photos de chats.

Les données de masse (Big Data) issues d’internet ont permis de régler cette problématique. Avant internet, trouver une quantité significative de données nécessitait beaucoup de travail, d’argent et de temps. Maintenant, tout ce dont une entreprise a besoin pour avoir une très grande quantité de données, c’est de faire affaire avec différents collecteurs de données d’internet (comme le font Google, Apple, Facebook, Amazon et Microsoft, les GAFAM de ce monde).

Que se soit pour la planification de nos horaires, pour le fonctionnement de notre traitement de texte ou pour effectuer nos recherches d’informations sur l’Internet, les algorithmes font maintenant partie de notre quotidien. Bien qu’ils ne soient encore qu’au stade embryonnaire, leur potentiel est tout aussi séduisant qu’inquiétant. Ces algorithmes prendront certainement de plus en plus de place dans nos vies personnelle et professionnelle. Il ne serait pas surprenant de voir ces technologies effectuer une grande partie des tâches encore aujourd’hui réservée à des professionnels comme des médecins, des avocats ou même des enseignants. Seul l’avenir nous le dira. ■