{"id":5164,"date":"2017-11-07T10:44:27","date_gmt":"2017-11-07T09:44:27","guid":{"rendered":"http:\/\/www.lesmonts.ch\/wp_fr\/?p=5164"},"modified":"2017-11-07T19:56:55","modified_gmt":"2017-11-07T18:56:55","slug":"intelligence-artificielle","status":"publish","type":"post","link":"https:\/\/www.lesmonts.ch\/wp_fr\/intelligence-artificielle\/","title":{"rendered":"Intelligence artificielle"},"content":{"rendered":"

Vous n’avez jamais entendu parler d’intelligence artificielle, ni r\u00e9cemment entendu parler de robots intelligents ? Bravo ! Vous avez d\u00e9couvert l’un des derniers endroits de la plan\u00e8te \u00e0 l’abri des m\u00e9dias et d’Internet, et vous avez la sagesse d’y habiter ! Mais si comme l’homo connectis<\/em> moyen, vous entendez parler d’intelligence artificielle tous les jours, alors une b\u00eate question : c’est quoi, l’intelligence ? <\/p>\n

Selon Wikip\u00e9dia<\/a>, c’est \u00ab\u00a0l’ensemble des processus de pens\u00e9e d’un \u00eatre vivant qui lui permettent de comprendre, d’apprendre ou de s’adapter \u00e0 des situations nouvelles<\/em>\u00ab\u00a0. On peut imaginer, d’apr\u00e8s cette d\u00e9finition, que l’intelligence artificielle doit \u00eatre quelque peu diff\u00e9rente. Comment un ordinateur peut-il faire preuve d’un \u00e9quivalent d’intelligence ? <\/p>\n

La r\u00e9ponse est forc\u00e9ment complexe; apr\u00e8s tout cela fait plus de cinquante ans que les chercheurs r\u00eavent d’imiter l’intelligence avec un algorithme d’ordinateur. La premi\u00e8re application r\u00e9ellement op\u00e9rationnelle de l’AI (Artificial Intelligence<\/em>) a \u00e9t\u00e9 dans l’\u00e9criture d’algorithmes de jeu pour ordinateur. Ainsi, l’ordinateur a permis de battre l’humain aux \u00e9checs, puis r\u00e9cemment au jeu de Go; comment fait-il ? <\/p>\n

On peut grossi\u00e8rement d\u00e9crire le processus de base avec quelques (deux ou trois) m\u00e9canismes de base qui constituent aussi (en simplifiant quelque peu) l’ossature \u00e9l\u00e9mentaire de tout processus d’intelligence artificielle. Il y a tout d’abord la description des r\u00e8gles du jeu<\/strong>. Ceci inclut l’architecture du plan de jeu, les mouvements et les comportements des \u00e9l\u00e9ments mobiles du jeu. Le plan de jeu peut \u00eatre ou non connu au d\u00e9part, ce n’est pas l\u00e0 l’important : un aspirateur robot, par exemple, va devoir travailler sans connaissance a priori<\/em> du plan sur lequel il \u00e9volue, alors qu’un robot joueur d’\u00e9checs dispose d’un plan de jeu fig\u00e9 de 64 cases en damier de 8 par 8, sur lequel il peut d\u00e9placer des pi\u00e8ces de mani\u00e8re d\u00e9pendante de la pi\u00e8ce en question. Quant \u00e0 l’aspirateur robot, ses r\u00e8gles de d\u00e9placement sont assez simples : cela passe ou ne passe pas, ses capteurs lui permettant en th\u00e9orie de d\u00e9cider si un escalier devant lui constitue un obstacle infranchissable ou non.<\/p>\n

Le deuxi\u00e8me \u00e9l\u00e9ment est la fonction d’\u00e9valuation<\/strong>. A un instant donn\u00e9, la situation pour chacun des joueurs est plus ou moins favorable. En principe, ce qui est favorable pour A est plut\u00f4t d\u00e9favorable pour B, selon le jeu en question. L’art est de parvenir \u00e0 une bonne quantification du caract\u00e8re favorable d’une situation de jeu \u00e0 un instant donn\u00e9. A partir de cette situation, on pourra simuler tous les mouvements possibles, ainsi que les r\u00e9ponses possibles de l’adversaire pour parvenir \u00e0 un nouvel \u00e9tat th\u00e9orique du jeu. Parmi tous les essais que l’on aura ainsi effectu\u00e9, on pourra choisir le meilleur selon la m\u00e9trique de notre fonction d’\u00e9valuation. Bien s\u00fbr, on peut pousser plus loin l’exploration, en refaisant la m\u00eame op\u00e9ration \u00e0 partir de chacun des tableaux calcul\u00e9s, ceci \u00e9ventuellement plusieurs fois de suite : on parle alors de profondeur de recherche. Plus elle est grande, plus l’ordinateur poss\u00e8de un grand nombre de coups d’avance sur son adversaire; dans un jeu simple, comme Othello, il peut m\u00eame se permettre d’\u00eatre compl\u00e8tement exhaustif apr\u00e8s quelques coups initiaux, ce qui le rend pratiquement invincible. A ce stade, on constate deux probl\u00e8mes qui semblent constituer le talon d’Achille de la m\u00e9thode : la fonction d’\u00e9valuation doit \u00eatre de bonne qualit\u00e9 (repr\u00e9senter une m\u00e9trique r\u00e9aliste de la situation de jeu), et de surcro\u00eet doit \u00eatre assez simple \u00e0 calculer, car cette estimation devra \u00eatre r\u00e9p\u00e9t\u00e9e des centaines de millions de fois dans la partie, ce qui fait la lenteur de la prise de d\u00e9cision de l’ordinateur.<\/p>\n

Plusieurs \u00e9l\u00e9ments de r\u00e9ponse ont \u00e9t\u00e9 apport\u00e9s \u00e0 ces deux probl\u00e8mes; ainsi, on a pu simplifier la recherche en \u00e9vitant d’examiner des situations lorsque l’on pouvait \u00eatre s\u00fbr qu’elles ne pouvaient en aucun cas conduire \u00e0 un r\u00e9sultat meilleur que ce que l’on avait d\u00e9j\u00e0 \u00e9valu\u00e9 (algorithme minimax, ou alpha-b\u00eata<\/a>). On a aussi introduit des fonctions d’\u00e9valuation variables (en d\u00e9but de partie, on ne recherche pas forc\u00e9ment les m\u00eames positionnements qu’en milieu ou en fin de partie) pour am\u00e9liorer les qualit\u00e9s strat\u00e9giques de l’ordinateur et lui permettre de mieux jouer avec une recherche moins exhaustive. On a aussi ajout\u00e9 \u00e0 la fonction d’\u00e9valuation la possibilit\u00e9 de v\u00e9rifier si telle situation s’\u00e9tait d\u00e9j\u00e0 produite dans une partie pr\u00e9c\u00e9dente, et \u00e0 quel r\u00e9sultat elle avait finalement conduit : cela a \u00e9t\u00e9 l’introduction, en particulier dans les jeux d’\u00e9chec, de bases de donn\u00e9es de parties d\u00e9j\u00e0 jou\u00e9es. On a commenc\u00e9 avec des parties de Grands Ma\u00eetres Internationaux, puis on a permis \u00e0 l’ordinateur de stocker ses propres r\u00e9sultats, ce qui lui a conf\u00e9r\u00e9 la capacit\u00e9 d’apprentissage. Enfin, on a mis ces bases de donn\u00e9es en r\u00e9seau, ce qui permet th\u00e9oriquement \u00e0 n’importe quel ordinateur de la plan\u00e8te de profiter de l’exp\u00e9rience de toutes les parties jou\u00e9es par ses confr\u00e8res n’importe o\u00f9 dans le monde. La derni\u00e8re performance en la mati\u00e8re est celle de l’algorithme AlphaGo Zero<\/a> de DeepMind <\/a>(l’AI selon Google, pourrait-on dire), qui est parti avec une base de donn\u00e9es vierge (en ne connaissant que les r\u00e8gles du jeu de Go ainsi que les objectifs de base, donc une fonction d’\u00e9valuation basique), et qui l’a lui-m\u00eame am\u00e9lior\u00e9e en jouant contre lui-m\u00eame des millions de parties jusqu’\u00e0 pulv\u00e9riser la version pr\u00e9c\u00e9dente Alpha Go (version ayant battu \u00e0 plate couture le meilleur humain<\/a>) par 100 victoires \u00e0 z\u00e9ro. <\/p>\n

Ces m\u00eames principes s’appliquent peu ou prou \u00e0 tout programme contenant un peu d’intelligence artificielle, par exemple la voiture autonome. Le plan de jeu et les r\u00e8gles sont infiniment plus complexes, et la fonction d’\u00e9valuation est potentiellement aussi complexe que l’on veut bien le d\u00e9finir, mais \u00e0 la base assez simple : toute solution qui conduit en un temps raisonnable \u00e0 un endroit situ\u00e9 plus pr\u00e8s de l’objectif final sans accident et sans violation des r\u00e8gles de la circulation est en principe une solution viable. Sauf que dans le cas du jeu d’\u00e9chec ou du jeu de Go, les adversaires jouent \u00e0 tour de r\u00f4le, alors que dans la circulation automobile, les adversaires sont nombreux et jouent simultan\u00e9ment ! De plus, certains des joueurs n’ob\u00e9issent pas aux r\u00e8gles (chauffards, ivrognes, animaux). Certains joueurs ne sont probablement m\u00eame pas pr\u00e9vus dans l’\u00e9valuation, ce qui rend une pr\u00e9vision (profondeur de recherche), m\u00eame \u00e0 court terme, al\u00e9atoire.<\/p>\n

Intervient un nouveau param\u00e8tre qui est la fr\u00e9quence de l’\u00e9valuation de la situation. La voiture autonome doit en permanence r\u00e9\u00e9valuer la situation pour d\u00e9cider s’il vaut mieux continuer sur sa lanc\u00e9e, obliquer ou freiner. Bien s\u00fbr, elle per\u00e7oit la situation par le biais de capteurs qui lui livrent un mod\u00e8le simplifi\u00e9 de la r\u00e9alit\u00e9, mod\u00e8le qui est jug\u00e9 suffisant pour assurer la fonction de l’automobile; mais cela reste n\u00e9anmoins un mod\u00e8le simplifi\u00e9 <\/strong>et qui va forc\u00e9ment pr\u00e9senter des lacunes. On remplace en quelque sorte la profondeur de la recherche devenue peu utile par la fr\u00e9quence d’\u00e9valuation, mais c’est toujours cette satan\u00e9e fonction d’\u00e9valuation qui va d\u00e9terminer la pr\u00e9cision de l’analyse : le temps n\u00e9cessaire \u00e0 son calcul va d\u00e9terminer la fr\u00e9quence avec laquelle la voiture autonome pourra r\u00e9agir \u00e0 un \u00e9v\u00e9nement impr\u00e9vu, et la pertinence de la fonction va d\u00e9terminer le bien-fond\u00e9 de la r\u00e9action de la voiture.<\/p>\n

Bien s\u00fbr, face \u00e0 des probl\u00e8mes complexes, le mod\u00e8le simplifi\u00e9 risque de ne pas suffire. En l’\u00e9tat actuel des choses, la voiture autonome n’est pas intelligente<\/strong>, et ne fait qu’appliquer de mani\u00e8re plus ou moins pertinente un algorithme (la fonction d’\u00e9valuation) qui analyse un environnement simplifi\u00e9 avec une logique fig\u00e9e qui ne saurait s’adapter intelligemment  \u00e0 une situation qui n’est pas pr\u00e9vue dans son mod\u00e8le : en un mot, une situation nouvelle. Prenez une voiture qui se met \u00e0 glisser lat\u00e9ralement dans une neige profonde et glissante, au risque de partir dans le foss\u00e9 (ou pire, un pr\u00e9cipice), et il y a fort \u00e0 parier que la voiture va r\u00e9agir en freinant, ce qui est bien s\u00fbr la derni\u00e8re des choses \u00e0 faire. Soyons justes : la grande majorit\u00e9 des conducteurs ferait la m\u00eame erreur…<\/p>\n

J’ai entendu un expert dire que la voiture autonome aurait de la peine \u00e0 prendre certaines d\u00e9cisions, comme en cas de dilemme, prendre le risque d’\u00e9craser soit une maman avec un landau, ou un vieillard. Que choisir ? On pourrait se demander si un conducteur humain aurait le temps de se poser la question le cas \u00e9ch\u00e9ant; mais pour l’ordinateur, on n’en est pas l\u00e0 ! Les algorithmes de vision ne sont pas (encore) capables de faire ce genre de diff\u00e9rences avec les cam\u00e9ras actuelles et avec le peu de temps \u00e0 disposition. L’apparition des smartphones a fait gagner plusieurs ordres de grandeur \u00e0 la puissance de calcul des processeurs, mais il faudra gagner encore quelques ordres de grandeur pour en arriver \u00e0 un stade o\u00f9 il faudra r\u00e9ellement commencer \u00e0 inclure des notions d’\u00e9thique dans les fonctions d’\u00e9valuation. Quoiqu’en disent les inconditionnels de l’AI, les lois de la robotique d’Isaac Asimov<\/a> ne sont pas encore d’actualit\u00e9.<\/p>\n

Ce qui ne m’emp\u00eachera pas de m’asseoir avec plaisir au volant d’une voiture autonome (\u00e9lectrique, s\u00fbrement) et de lui dire \u00ab\u00a0Am\u00e8nes-moi \u00e0 S\u00e8te et en attendant, passes-moi un bon film\u00a0\u00bb le jour o\u00f9 cela deviendra possible (et s’il y a de bons films disponibles, bien s\u00fbr). Sur un environnement purement autoroutier, le probl\u00e8me de l’\u00e9valuation de la situation est assez simple, finalement; donc cela devrait \u00eatre jouable dans un futur raisonnablement proche. Mais bon, je ne suis tout de m\u00eame pas certain de vivre ce jour…<\/p>\n","protected":false},"excerpt":{"rendered":"

Vous n’avez jamais entendu parler d’intelligence artificielle, ni r\u00e9cemment entendu parler de robots intelligents ? Bravo ! Vous avez d\u00e9couvert l’un des derniers endroits de la plan\u00e8te \u00e0 l’abri des m\u00e9dias et d’Internet, et vous avez la sagesse d’y habiter ! Mais si comme l’homo connectis moyen, vous entendez parler d’intelligence artificielle tous les jours, … Continuer la lecture de Intelligence artificielle<\/span> →<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_crdt_document":"","ngg_post_thumbnail":0,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-5164","post","type-post","status-publish","format-standard","hentry","category-non-classe"],"_links":{"self":[{"href":"https:\/\/www.lesmonts.ch\/wp_fr\/wp-json\/wp\/v2\/posts\/5164","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.lesmonts.ch\/wp_fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.lesmonts.ch\/wp_fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.lesmonts.ch\/wp_fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.lesmonts.ch\/wp_fr\/wp-json\/wp\/v2\/comments?post=5164"}],"version-history":[{"count":7,"href":"https:\/\/www.lesmonts.ch\/wp_fr\/wp-json\/wp\/v2\/posts\/5164\/revisions"}],"predecessor-version":[{"id":5171,"href":"https:\/\/www.lesmonts.ch\/wp_fr\/wp-json\/wp\/v2\/posts\/5164\/revisions\/5171"}],"wp:attachment":[{"href":"https:\/\/www.lesmonts.ch\/wp_fr\/wp-json\/wp\/v2\/media?parent=5164"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.lesmonts.ch\/wp_fr\/wp-json\/wp\/v2\/categories?post=5164"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.lesmonts.ch\/wp_fr\/wp-json\/wp\/v2\/tags?post=5164"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}