Machine learning : loin d’imiter l’humain, la machine le complète !

Dans mon article précédent nous avons vu ce que l’intelligence artificielle n’est pas, en reposant la question « qu’est-ce que l’intelligence ? ». Voyons maintenant la réalité de ce concept en commençant par le celui de machine learning. Sous le terme machine learning se cache en fait une multitude de concepts et d’utilités qui parfois sont abordés de façon inexacte. J’ai voulu dans cet article tirer le vrai du faux, en faisant appel à l’économiste Michel Volle, qui fut administrateur de l’INSEE, et responsable de la maîtrise d’ouvrage des SI d’Air France et de l’ANPE, ainsi que l’un des premiers blogueurs en France. Il est à noter également que c’est à Michel que je dois d’avoir commencé ma carrière de conférencier. Comme il s’exprime régulièrement sur ce sujet, il me semblait naturel de faire appel à lui pour éclairer la lanterne des marketeurs égarés dans la jungle des acronymes et des buzzwords IT. Nous verrons donc ici que s’il ne faut pas placer l’intelligence là où elle n’est pas, le machine learning offre néanmoins des possibilités intéressantes et innovantes.

Qu’est-ce que le machine learning ?

Lorsque l’on parle de machine learning (ou apprentissage automatique), on parle de différentes méthodes, dont deux se distinguent : les machines à support de vecteur, et les réseaux de neurones.

Machines à support de vecteur : pour (essayer de) faire simple, une machine à support de vecteur est un ensemble d’algorithmes utilisés pour discriminer (reconnaître et trier) des entrées et les classer dans des catégories. A force d’analyser et reconnaître les entrées, le système est ensuite capable de positionner précisément des frontières de décision séparant différents types d’entrées (voir plus d’explications ici). Par exemple, en recevant les entrées comme l’âge, le sexe, le bilan sanguin, le génome, etc. et le fait que le client a ou non un cancer, l’algorithme sera capable de reconnaître une population à risque. « Le fonctionnement est compréhensible, mais les résultats sont souvent moins performants que les réseaux neuronaux », analyse Michel Volle.

 

Réseaux neuronaux : les réseaux de neurones fonctionnent sur la logique d’un cerveau humain, où les algorithmes communiquent en réseau grâce à des « synapses ». Par exemple, pour interpréter une image, « les algorithmes l’analysent zone par zone, de manière à repérer les contenus frappants, puis produisent une synthèse » précise Michel Volle.

Cette approche comporte elle aussi ses limites : « on est vite confronté à ce que l’on appelle l’explosion combinatoire » explique le site Labo Algo. Mais également le fait que « si les résultats sont fiables, le fonctionnement n’est pas toujours interprétable : ces types d’algorithmes reposent sur des logiques qui nous échappent », explique Michel Volle.

A quoi sert le machine learning ?

Le champ d’application du machine learning est en théorie très large. « Un très bon exemple paru dans Spectrum résume bien l’utilité du machine learning », nous explique Michel Volle. Cet article décrit comment, en Afrique Sub-Saharienne, des chercheurs ont mis à jour une technique permettant de lutter efficacement contre le cancer du col de l’utérus, cause de la mort de 230 000 femmes par an dans les pays sous-développés. Grâce à un simple dispositif compatible avec un smartphone Android, une photo du col peut être prise facilement et analysée par un logiciel implanté lui aussi sur le smartphone pour diagnostiquer si le col est sain, ou sinon dans laquelle des 3 phases se situe le cancer. De ce diagnostic découle une prescription sur le traitement à appliquer.

Pour que ce système soit mis en place, il a fallu partir d’une base de 100 000 images (anonymisées) classées selon différents diagnostics. Une fois la relation entre symptômes et diagnostic assimilée, l’ordinateur a été confronté à de nouvelles images, sous la supervision étroite des docteurs qui ont validé ou corrigé les résultats. Le système est donc purement pavlovien, l’« intelligence » s’améliorant par succession d’échecs et de réussites, et construisant son raisonnement par l’analyse et les probabilités, le tout étroitement contrôlé par l’homme.

Machine learning : « Les rêveries de science-fiction sont bien éloignées de la réalité »

La nécessité de l’intervention humaine pour tout nouvel apprentissage de la machine montre bien les limites : « cela n’a rien à voir avec l’auto-apprentissage, il y a énormément d’humain », remarque Michel Volle, « le réglage se fait par répétition, il n’y a pas de processus intellectuel ».

« L’IA ne sera à priori jamais un cerveau, juste un automate. Les rêveries de science-fiction sont assez éloignées de la réalité », ajoute Michel Volle. Pour nous qui aimons personnifier nos objets du quotidien et éprouver des sentiments pour nos téléphones, nos voitures ou encore nos ordinateurs, nous tombons facilement dans l’illusion, pensant que l’IA possède une véritable sur-intelligence.

 

 

En réalité, la puissance de calcul est certes bien plus élevée que la nôtre, mais si le résultat fait parfois illusion (comme le prouve l’exemple ci-dessus), le processus qui se trouve en amont est bien éloigné d’un raisonnement intelligent. A la manière d’un tour de magie, le machine learning nous donne l’illusion que la machine a un pouvoir d’apprentissage illimité, qui combiné à une puissance de calcul phénoménale peut développer une intelligence toujours plus forte. Mais derrière le rideau se trouve un calculateur qui, une fois programmé par l’homme, se limite à effectuer des tâches précises de façon automatique. Du moins pour le moment.

Perspectives d’avenir : Où peut-on aller dans l’amélioration ?

En effet, nous sommes encore loin d’un véritable pouvoir d’apprentissage, mais qu’en sera-t-il dans quelques années ? Si Michel Volle admet que « beaucoup de progrès sont en cours » il se montre bien plus critique sur les récents progrès : « il s’agit toujours de la même chose, les échecs et le jeu de go sont basés sur la même technique avec de gros travaux de préparation ».

Car le problème central et que la machine n’a « pas de valeurs, pas d’intentions, pas de but ». « On peut toujours réaliser des grilles de classification (que Michel Volle explique dans cet article), mais cela n’est pas inné. Pour le moment on en est là. Pourrons-nous un jour doter une machine d’une personnalité ? On est dans la métaphysique, il n’y a pour l’instant aucune expérience, aucune preuve ». Finalement, « la différence entre le cerveau humain et artificiel est fondamentale, donc la meilleure solution est de les faire travailler en couple », conclut Michel Volle.

Bilan : « machine learning » n’est pas « raisonnement »…

Le machine learning est donc surtout un outil destiné à enrichir des grilles de classifications conçues par l’homme, afin que le robot puisse classer plus précisément les entrées qu’on lui donne : classer des phases de cancer à partir d’images, classer des demandeurs de prêt en fonction des données concernant leur solvabilité, classer les choix de mouvement du volant en fonction des informations collectées à partir de caméras et de radars installés sur une voiture, etc. Cet enrichissement de données permet de dessiner des « frontières de décision » toujours plus précises, et donc améliorer la justesse des décisions. Mais cela n’est (pour l’instant) pas un raisonnement intelligent.

…Mais son apport est utile, voire indispensable

Cette absence de raisonnement intelligent est-elle pour autant un problème ? Comme le disait précédemment Michel Volle, les deux types d’intelligence ont une différence fondamentale, et l’IA n’est pas faite pour remplacer le cerveau humain, mais le compléter. Opposer les deux intelligences est un débat inutile et si le machine learning n’est effectivement pas doué de réflexion, cela n’en fait pas moins un outil intéressant capable de nous épargner bien des tâches, notamment en ventes, comme nous le verrons dans mes prochains articles.