Les petits secrets de l’informatique cognitive
▻http://www.lemonde.fr/sciences/article/2017/05/08/les-petits-secrets-de-l-informatique-cognitive_5124376_1650684.html
Plusieurs progrès en mathématique et en informatique concourent aux succès actuels de l’intelligence artificielle.
L’apprentissage
C’est actuellement la reine des méthodes, celle qui a rajeuni le bon vieux concept d’intelligence artificielle, né après-guerre avec l’informatique. Avant cette invention, pour qu’une machine reconnaisse la présence d’une tumeur dans une image par exemple, il fallait qu’elle suive une liste de règles préétablies par les spécialistes (couleur, contraste, localisation, forme…). Cela supposait de grandes connaissances biologiques et… fonctionnait mal.
Désormais, on montre à la machine des milliers d’images pathologiques ou normales et on la « sanctionne » si elle se trompe. La « sanction » consiste à changer ses milliers de paramètres afin qu’elle se rapproche de la bonne solution. Tout comme le peintre cherche le bon mélange en ajoutant plus ou moins de couleur à sa mixture. A la fin de cette procédure, le système classe correctement n’importe quelle image.
Plusieurs méthodes d’apprentissage existent mais, en 2012, l’une d’elles s’est imposée lors d’une compétition d’informatique en reconnaissance d’image : les réseaux de neurones profonds (ou deep learning). Par analogie avec le fonctionnement des vrais neurones, des connexions se renforcent numériquement quand elles conduisent à la bonne réponse. Depuis, ces réseaux servent pour analyser des images mais aussi des textes, des voix, faire de la traduction…
Le big data ou les méga-bases de données
Les données sont la solution mais aussi le problème. L’apprentissage par réseaux de neurones ne fonctionne pas s’il y a trop peu d’exemples, mais d’autres techniques existent pour pallier ces manques, comme l’exploration d’arbres aléatoires de décision ou la classique régression linéaire (trouver la meilleure droite joignant plusieurs points).
Autre problème, les données sont souvent « sales », c’est-à-dire de natures très diverses. En santé, un patient peut être associé à ses informations personnelles, à ses milliers de mutations génétiques, à ses images d’IRM, ses résultats d’analyses biologiques, ses notes de visite chez le médecin… Devant cette quantité et cette hétérogénéité, les ingénieurs ont imaginé de nouvelles manières de stocker et traiter l’information. Le secteur de la santé bénéficie de ces innovations inventées par les moteurs de recherche (Google), le commerce en ligne (Amazon) ou les réseaux sociaux (Facebook).
Les bases de connaissances
Autre retour de vieilles idées : les ontologies ou bases de connaissances. Ces mots barbares désignent l’art et la manière de donner du sens à une information. Un ordinateur ne comprend pas la phrase : « Le chanteur Elvis Presley est né à Memphis. » Sauf si elle est écrite pour lui, avec des indications que chanteur est un métier, qu’Elvis est un prénom, que Memphis est une ville… Toute l’encyclopédie Wikipédia a ainsi été transformée en base de connaissances, de manière à être comprise par des machines. Et c’est ainsi que les moteurs de recherche ou les assistants personnels des téléphones portables comprennent des phrases entières et y répondent. Ou que le système Watson d’IBM sait extraire des informations pertinentes d’articles scientifiques.
Les machines
Tous ces concepts échoueraient si la puissance de calcul et les mémoires informatiques n’avaient pas suivi. Les processeurs de cartes graphiques des consoles de jeux sont maintenant utilisés pour ces calculs scientifiques, car ils sont construits pour répéter des opérations simples des millions de fois par seconde. L’un des leaders de ces architectures, Nvidia, est même devenu un acteur majeur du domaine de l’intelligence artificielle.