Comment démarrer avec l'apprentissage automatique et l'IA

Matt Ford - 22 juin 2022 13h00 UTC

Dans les années 1950, aux premiers jours de ce que nous appelons aujourd'hui l'intelligence artificielle, il y avait un débat sur le nom à donner à ce domaine. Herbert Simon, co-développeur à la fois de la machine à théorie logique et du General Problem Solver, a fait valoir que le domaine devrait porter le nom beaucoup plus anodin de "traitement complexe de l'information". Cela n'inspire certainement pas la crainte que suscite «l'intelligence artificielle», ni ne véhicule l'idée que les machines peuvent penser comme les humains.

Cependant, le "traitement complexe de l'information" est une bien meilleure description de ce qu'est réellement l'intelligence artificielle : analyser des ensembles de données complexes et tenter de faire des inférences à partir de la pile. Certains exemples modernes d'IA incluent la reconnaissance vocale (sous la forme d'assistants virtuels comme Siri ou Alexa) et des systèmes qui déterminent ce qu'il y a sur une photo ou recommandent ce qu'il faut acheter ou regarder ensuite. Aucun de ces exemples n'est comparable à l'intelligence humaine, mais ils montrent que nous pouvons faire des choses remarquables avec suffisamment de traitement de l'information.

Que nous appelions ce domaine le « traitement complexe de l'information » ou « l'intelligence artificielle » (ou le plus inquiétant « apprentissage automatique » à consonance Skynet) n'est pas pertinent. D'immenses quantités de travail et d'ingéniosité humaine ont été consacrées à la création d'applications absolument incroyables. À titre d'exemple, regardez GPT-3, un modèle d'apprentissage en profondeur pour les langues naturelles qui peut générer un texte qui ne se distingue pas du texte écrit par une personne (mais qui peut aussi se tromper de manière hilarante). Il est soutenu par un modèle de réseau neuronal qui utilise plus de 170 milliards de paramètres pour modéliser le langage humain.

Construit au-dessus de GPT-3 se trouve l'outil nommé Dall-E, qui produira une image de toute chose fantastique demandée par un utilisateur. La version 2022 mise à jour de l'outil, Dall-E 2, permet d'aller encore plus loin, car elle peut "comprendre" des styles et des concepts assez abstraits. Par exemple, demander à Dall-E de visualiser "un astronaute chevauchant un cheval dans le style d'Andy Warhol" produira un certain nombre d'images telles que celle-ci :

Dall-E 2 n'effectue pas de recherche Google pour trouver une image similaire ; il crée une image basée sur son modèle interne. Il s'agit d'une nouvelle image construite à partir de rien d'autre que des mathématiques.

Toutes les applications de l'IA ne sont pas aussi révolutionnaires que celles-ci. L'IA et l'apprentissage automatique trouvent des applications dans presque tous les secteurs. L'apprentissage automatique devient rapidement un incontournable dans de nombreuses industries, alimentant tout, des moteurs de recommandation dans le secteur de la vente au détail à la sécurité des pipelines dans l'industrie pétrolière et gazière, en passant par le diagnostic et la confidentialité des patients dans l'industrie des soins de santé. Toutes les entreprises n'ont pas les ressources nécessaires pour créer des outils comme Dall-E à partir de zéro, il y a donc une forte demande pour des ensembles d'outils abordables et accessibles. Le défi de répondre à cette demande a des parallèles avec les débuts de l'informatique d'entreprise, lorsque les ordinateurs et les programmes informatiques devenaient rapidement les technologies dont les entreprises avaient besoin. Bien que tout le monde n'ait pas besoin de développer le prochain langage de programmation ou système d'exploitation, de nombreuses entreprises souhaitent tirer parti de la puissance de ces nouveaux domaines d'études et ont besoin d'outils similaires pour les aider.