L’inspiration technologique

La biologie et la technologie sont étroitement liées. L’espèce humaine a depuis longtemps trouvé l’inspiration pour améliorer son quotidien grâce à l’environnement et les autres espèces qui l’entourent.

En effet, l’avion est tout simplement une version matérielle et adaptée des oiseaux :

 

Les ruches des abeilles ont également inspiré certaines de nos constructions :

 

Et, depuis que John McCarthy en a parlé en 1956, les humains essaient de simuler quelque chose de très intéressant : l’intelligence. (Childs, 2011)

Les réseaux de neurones artificiels

Le pionnier dans cette matière est Frank Rosenblatt qui a publié un article en 1958 nommé « THE PERCEPTRON: A PROBABILISTIC MODEL FOR INFORMATION STORAGE AND ORGANIZATION IN THE BRAIN » (Brain, Rosenblatt, 1958). Le lien entre le cerveau humain et les modèles statistiques est évident. Le perceptron est la représentation mathématique d’un seul neurone biologique.

 

Depuis, d’autres modèles mathématiques ont fait apparition. Ces modèles ont pour but de modéliser le comportement des vraies connexions entre les neurones. Certains sont spécialisés dans le traitement d’image, d’autres sont spécialisés dans le traitement du langage naturel (Tchircoff, 2017). Les réseaux de neurones artificiels sont en vogue et prévoient de changer notre monde, où 60% des emplois de la planète risquent de subir un changement dans les prochaines années(Vincent, 2017).

Les jeux

Les résultats époustouflants des modèles mathématiques les plus récents font peur et donnent lieu à beaucoup de conférences et débats (voir les vidéos du symposium « Mon collègue est une machine » – HEG). Cependant, il est nécessaire d’analyser le domaine où les réseaux de neurones artificiels sont capables de battre un être humain. En effet, celui où les résultats semblent être les meilleurs, est dans les jeux.

Il est très impressionnant de savoir qu’une machine est capable de battre le meilleur joueur au GO au monde(DeepMind, 2018). Ce jeu d’origine chinoise possède beaucoup plus de possibilités que les échecs(Muoio, 2016). En revanche, il s’agit … d’un jeu. Le contexte est bien défini et les règles bien connues également. Un autre exemple de problème ayant un contexte bien défini est la reconnaissance d’image. Un réseau de neurones artificiels doit seulement utiliser des pixels pour classifier une image.

L’être humain

A l’opposé de cela, nous avons l’humain : un être très complexe. Simuler son comportement actuellement est une tâche impossible. Chaque personnalité est différente et l’humeur d’un individu peut être défini par un café brûlé, la météo, un message reçu, et infiniment d’autres paramètres.

Pour les pessimistes qui pensent que l’intelligence artificielle est très puissante, il faut savoir que le que le cerveau humain possède 1000 trillions de connexions(Luske, 2018), tandis que l’un des meilleurs réseaux de neurones artificiels utilisé pour de la reconnaissance d’image, Inception V3 fait par Google, possède seulement 23 millions de paramètres(Jordan, 2018).

Pour comparaison, 1 million de secondes correspond à 11.5 jours et 1 trillion est égal à 31 710 ans(McCray, 2016).

Nous pouvons donc constater que dans un référentiel temporel, le réseau de neurones artificiel correspond à 264.5 jours alors que le cerveau humain correspond à 31 710 000 d’années. Et, si on rapporte ces chiffres à notre histoire, il y a 264.5 jours nous étions au printemps de l’année en cours et il y a 30 millions d’années est apparu le premier singe (l’Homo Sapiens est apparu il y a 300 000 ans)(Hominidés, 2018).

La différence de performance est donc évidente. Cependant, le seul domaine où l’intelligence artificielle peut actuellement gagner du terrain par rapport à un humain se trouve être la quantité de données générées et analysées – Voir billet de blog sur le BigData.

Et nous ?

Pour finir, je trouve que les réseaux de neurones artificiels ont un avenir prometteur. Ils sont capables de dépasser des humains dans des contextes très précis, ce qui est déjà très impressionnant. En revanche, personne ne comprend exactement le fonctionnement de ces systèmes, ce qui les rend plus difficiles à manipuler. Ce handicap rend son utilisation impossible dans certains domaines, comme la médecine, où il faudrait pouvoir expliquer pourquoi la machine prend une telle décision ; chose que nous ne pouvons pas faire aujourd’hui. Même si tout cela peut faire peur, ceux qui doivent être heureux ce sont les élèves en Sciences de l’information, qui seront là pour alimenter ces systèmes, gérer des données et aider à l’évolution de cette technologie.

 

“Some people call this artificial intelligence, but the reality is this technology will enhance us. So instead of artificial intelligence, I think we’ll augment our intelligence.” —Ginni Rometty

 

Bibliographie :

APPLIEDGO, 2016. Perceptrons – the most basic form of a neural network. In : Applied Go [en ligne]. 9 juin 2016. [Consulté le 9 décembre 2018]. Disponible à l’adresse : https://appliedgo.net/perceptron/.

BRAIN, In The et ROSENBLATT, F., 1958. The Perceptron: A Probabilistic Model for Information Storage and Organization. S.l. : s.n.

CHILDS, Martin, 2011. John McCarthy: Computer scientist known as the father of AI. In : The Independent [en ligne]. 1 novembre 2011. [Consulté le 9 décembre 2018]. Disponible à l’adresse : http://www.independent.co.uk/news/obituaries/john-mccarthy-computer-scientist-known-as-the-father-of-ai-6255307.html.

DEEPMIND, 2018. AlphaGo. In : DeepMind [en ligne]. 9 décembre 2018. [Consulté le 9 décembre 2018]. Disponible à l’adresse : https://deepmind.com/research/alphago/.

E’M.C, 2016.  QUI A DIT QUE L’AVION EST LE FÉMININ DE L’OISEAU ? . In : Club de Mediapart [en ligne]. 23 février 2016. [Consulté le 9 décembre 2018]. Disponible à l’adresse : https://blogs.mediapart.fr/edition/palestine/article/230216/qui-dit-que-lavion-est-le-feminin-de-loiseau.

HENNIGHAUSEN, Amelia et ROSTON, Eric, 2015. 14 Smart Inventions Inspired by Nature: Biomimicry. In : [en ligne]. 23 février 2015. [Consulté le 9 décembre 2018]. Disponible à l’adresse : https://www.bloomberg.com/news/photo-essays/2015-02-23/14-smart-inventions-inspired-by-nature-biomimicry.

HOMINIDÉS, 2018. Homo Sapiens – Hominidés. In : [en ligne]. 12 juin 2018. [Consulté le 9 décembre 2018]. Disponible à l’adresse : https://www.hominides.com/html/ancetres/ancetres-homo-sapiens.php.

JORDAN, Jeremy, 2018. Common architectures in convolutional neural networks. In : Jeremy Jordan [en ligne]. 20 avril 2018. [Consulté le 9 décembre 2018]. Disponible à l’adresse : https://www.jeremyjordan.me/convnet-architectures/.

LUKE, Martin, 2018. Neurons & Synapses – Memory & the Brain – The Human Memory. In : [en ligne]. 2018. [Consulté le 9 décembre 2018]. Disponible à l’adresse : http://www.human-memory.net/brain_neurons.html.

MCCRAY, Becky, 2016. Million vs. Billion vs. Trillion. In : Small Biz Survival [en ligne]. 12 mars 2016. [Consulté le 9 décembre 2018]. Disponible à l’adresse : https://smallbizsurvival.com/2006/03/million-vs-billion-vs-trillion.html.

MUOIO, Danielle, 2016. Why Google AI game Go is harder than chess – Business Insider. In : [en ligne]. 10 mai 2016. [Consulté le 9 décembre 2018]. Disponible à l’adresse : https://www.businessinsider.com/why-google-ai-game-go-is-harder-than-chess-2016-3?IR=T.

TCHIRCOFF, Andrew, 2017. The mostly complete chart of Neural Networks, explained. In : Towards Data Science [en ligne]. 4 août 2017. [Consulté le 9 décembre 2018]. Disponible à l’adresse : https://towardsdatascience.com/the-mostly-complete-chart-of-neural-networks-explained-3fb6f2367464.

VINCENT, James, 2017. Automation threatens 800 million jobs, but technology could still save us, says report. In : The Verge [en ligne]. 30 novembre 2017. [Consulté le 9 décembre 2018]. Disponible à l’adresse : https://www.theverge.com/2017/11/30/16719092/automation-robots-jobs-global-800-million-forecast.