L’intelligence artificielle est ici. C’est surfait, mal compris et imparfait, mais déjà au cœur de nos vies – et cela ne fera qu’étendre sa portée.
L’IA alimente la recherche sur les voitures sans conducteur, repère des signes de maladie autrement invisibles sur les images médicales, trouve une réponse lorsque vous posez une question à Alexa et vous permet de déverrouiller votre téléphone avec votre visage pour parler à des amis sous forme de caca animé sur l’iPhone X à l’aide d’Animoji d’Apple . Ce ne sont là que quelques-unes des façons dont l’IA touche déjà nos vies, et il reste encore beaucoup de travail à faire. Mais ne vous inquiétez pas, les algorithmes super-intelligents ne sont pas sur le point de prendre tous les emplois ou d’anéantir l’humanité.
L’essor actuel de l’IA a été catalysé par des percées dans un domaine connu sous le nom d’apprentissage automatique. Il s’agit de « former » les ordinateurs à effectuer des tâches basées sur des exemples, plutôt que de s’appuyer sur la programmation par un humain. Une technique appelée apprentissage en profondeur a rendu cette approche beaucoup plus puissante. Demandez à Lee Sedol, détenteur de 18 titres internationaux au jeu complexe de Go. Il a été écrémé par un logiciel appelé AlphaGo en 2016.
Il est prouvé que l’IA peut nous rendre plus heureux et en meilleure santé. Mais il y a aussi des raisons de prudence. Les incidents dans lesquels les algorithmes ont détecté ou amplifié les préjugés sociétaux autour de la race ou du sexe montrent qu’un avenir amélioré par l’IA ne sera pas automatiquement meilleur.
Les débuts de l’intelligence artificielle
L’intelligence artificielle telle que nous la connaissons a commencé comme un projet de vacances. Le professeur de Dartmouth, John McCarthy, a inventé le terme à l’été 1956, lorsqu’il a invité un petit groupe à passer quelques semaines à réfléchir à la manière de faire en sorte que les machines fassent des choses comme utiliser le langage.
Il avait de grands espoirs d’une percée dans le mouvement vers des machines de niveau humain. « Nous pensons qu’une avancée significative peut être réalisée », a-t-il écrit avec ses co-organisateurs, « si un groupe de scientifiques soigneusement sélectionnés y travaille ensemble pendant un été ».
Ces espoirs n’ont pas été satisfaits et McCarthy a admis plus tard qu’il avait été trop optimiste. Mais l’atelier a permis aux chercheurs rêvant de machines intelligentes de fusionner dans un domaine académique reconnu.
Les premiers travaux se concentraient souvent sur la résolution de problèmes assez abstraits en mathématiques et en logique. Mais il ne fallut pas longtemps avant que l’IA commence à montrer des résultats prometteurs sur des tâches plus humaines. À la fin des années 1950, Arthur Samuel a créé des programmes qui apprenaient à jouer aux dames. En 1962, on a marqué une victoire sur un maître au jeu. En 1967, un programme appelé Dendral a montré qu’il pouvait reproduire la façon dont les chimistes interprétaient les données de spectrométrie de masse sur la composition des échantillons chimiques.
Au fur et à mesure que le domaine de l’IA se développait, différentes stratégies pour fabriquer des machines plus intelligentes se sont développées. Certains chercheurs ont essayé de distiller les connaissances humaines en code ou de proposer des règles pour des tâches spécifiques, comme la compréhension du langage. D’autres ont été inspirés par l’importance d’apprendre à comprendre l’intelligence humaine et animale. Ils ont construit des systèmes qui pouvaient s’améliorer dans une tâche au fil du temps, peut-être en simulant l’évolution ou en apprenant à partir d’exemples de données. Le domaine a atteint étape après étape alors que les ordinateurs maîtrisaient des tâches qui ne pouvaient auparavant être accomplies que par des personnes.
L’apprentissage en profondeur, le carburant de fusée du boom actuel de l’IA, est une renaissance de l’une des idées les plus anciennes de l’IA. La technique consiste à transmettre des données à travers des réseaux mathématiques vaguement inspirés du fonctionnement des cellules cérébrales connues sous le nom de réseaux de neurones artificiels. Au fur et à mesure qu’un réseau traite les données de formation, les connexions entre les parties du réseau s’ajustent, créant une capacité à interpréter les données futures.
Les réseaux de neurones artificiels sont devenus une idée établie en IA peu de temps après l’atelier de Dartmouth. Le Perceptron Mark 1 de 1958, qui remplissait la pièce, a par exemple appris à distinguer différentes formes géométriques et a été écrit en Le New York Times comme « l’embryon d’ordinateur conçu pour lire et devenir plus sage ». Mais les réseaux de neurones sont tombés en disgrâce après qu’un livre influent de 1969 co-écrit par Marvin Minsky du MIT a suggéré qu’ils ne pouvaient pas être très puissants.
Cependant, tout le monde n’a pas été convaincu par les sceptiques et certains chercheurs ont maintenu la technique en vie au fil des décennies. Ils ont été confirmés en 2012, lorsqu’une série d’expériences a montré que les réseaux de neurones alimentés par de grandes quantités de données pouvaient donner aux machines de nouveaux pouvoirs de perception. Traiter autant de données était difficile avec les puces informatiques traditionnelles, mais le passage aux cartes graphiques a précipité une explosion de la puissance de traitement.
