Éloi Mehr, Docteur en mathématiques appliquées, spécialiste en intelligence artificielle, nous donne quelques informations sur ce qu’est l’IA. La différence entre IA, IA générative, IA prédictive et les points d’attentions sur leur utilisation.
Pour poser les bases et nous assurer que nous parlons de la même chose, pouvez-vous expliquer la différence entre IA et IA génératives ?
De nos jours, l’Intelligence Artificielle est pour beaucoup synonyme de Deep Learning ou Apprentissage Profond, c’est-à-dire toutes les approches fondées sur des réseaux de neurones artificiels, et qui ont particulièrement émergé depuis 2012 en écrasant, et de loin, toutes les méthodes concurrentes. Il s’agit de modèles d’apprentissages qui se nourrissent de quantités énormes de données et fonctionnent grâce à des capacités de calcul colossales. Bien que l’idée ne soit pas nouvelle, l’émergence d’une puissance de calcul colossale, en particulier via les processeurs graphiques, et de données massives, a permis à ces modèles d’atteindre des performances inimaginables auparavant. Ces modèles peuvent donc apprendre depuis des bases de données, annotées ou non, à traiter un problème.
En réalité, l’IA est plus générale, et se définit par rapport au problème et non à la solution apportée. Elle peut être définie comme les algorithmes et méthodes qui permettent à un programme de résoudre un problème qui demande des capacités cognitives propres à l’humain. Ce n’est pas juste une question de puissance de calcul. Pour calculer une opération très compliquée, l’humain est d’ailleurs incompétent alors que la machine peut simplement le faire et facilement. Mais, l’IA est fondamentalement reliée aux défis cognitifs.
Reconnaitre un chat est très simple pour l’humain alors que la machine ne sait pas le faire, car aucune règle claire n’existe ou de processus explicite qu’on pourrait donner à la machine pour « calculer » facilement la solution d’un tel problème.
L’IA est sans rapport avec la manière dont on résout le problème, c’est une caractérisation de la tâche. Cela doit avoir trait à un problème cognitif humain, peu importe comment la machine peut le résoudre derrière. Le Deep Learning est la résolution du problème là où l’IA est la caractérisation du problème.
Venons-en à l’IA générative. L’IA générative rassemble les tâches qui consistent à générer ou synthétiser de nouvelles données, que ce soit du texte, des images, de la musique, etc. D’où l’assimilation à la créativité même s’il faut rester très modéré. En effet, l’IA générative saura reformuler, réécrire, mélanger, mais ne va pas réellement inventer au sens où elle ne peut que s’inspirer de ce qu’elle a appris d’une base d’entraînement. Contrairement à l’IA classique, qui discrimine, classifie, prédit, l’IA générative n’a pas pour but de répondre à une question dont la réponse serait idéalement unique. Elle consiste à générer une variété de nouveaux contenus plausibles, sur la base de ce qui existe. Est-ce réellement un geste créatif, voire de la conscience artificielle ? Le débat philosophique est ouvert, et il y a d’ailleurs du contenu très intéressant à ce sujet sur YouTube comme sur la chaîne de Monsieur Phi.
Quelle différence faites-vous entre l’analyse prédictive et l’IA générative ?
L’analyse prédictive correspond à de l’apprentissage supervisé où l’on apprend à généraliser ce que les données indiquent pour prédire un résultat sur de nouvelles données. Par exemple, prédire un risque de défaut, prédire la catégorie d’un objet dans une image, etc. L’IA générative est un concept très différent, le but n’est pas de prédire quoi que ce soit, mais d’avoir un modèle qui soit capable de générer des données réalistes. Il peut y avoir des recouvrements technologiques, notamment l’usage de réseaux de neurones, mais l’esprit est très différent. En IA générative, il n’y a pas une seule bonne réponse, on cherche à générer des réponses plausibles, par exemple, du texte comme dans ChatGPT, des images comme dans Midjourney. C’est considéré comme beaucoup plus difficile, et cela fait généralement appel à de l’apprentissage non supervisé, des algorithmes comprenant les données sans avoir besoin d’être guidé vers une réponse prédéfinie via des annotations. On ne dit pas à ChatGPT ce qu’il doit répondre, il a appris tout seul sur une grande base de textes et il est capable de générer des textes différents, mais tout aussi plausibles, en partant de la même entrée. Pour simplifier grandement, l’analyse prédictive peut permettre de savoir si une musique va cartonner alors que l’IA générative va créer de la nouvelle musique attrayante.
Quels sont selon vous les enjeux auxquels il faut absolument prêter attention ?
L’enjeu majeur se trouve sur les données. Une entreprise doit avoir une vue claire sur ses données, celles auxquelles elle peut accéder, comment les nettoyer, les normaliser, les annoter (par exemple, l’IA peut détecter un cancer plus efficacement qu’un oncologue, mais il a fallu de grandes quantités d’images médicales annotées), les stocker de manière sécurisée (rôle du Chief Data Officer), et les analyser efficacement, ce qui rejoint naturellement les défis du big data.
La maîtrise des données devient essentielle, car elle a un impact sur tous les processus. Chez un fabricant automobile, par exemple, les designers dessinent des pièces de manière spécifique à leur entreprise, avec des règles qui leur sont propres (les pièces Renault sont différentes des pièces Toyota). L’IA générative est très puissante pour apporter de la valeur, mais à condition d’avoir la main sur les données spécifiques du constructeur. Si l’IA travaille sur des données Toyota, elle ne pourra jamais satisfaire Renault, car ce n’est pas la même manière de faire. C’est comme les rapports financiers de Danone et l’Oréal, ils sont différents, ne répondent pas aux mêmes problématiques de marché et ne sont pas écrits de la même manière. Avoir la main sur ses données de l’entrée à la sortie est donc clé, et les processus de gestion des données sont critiques. L’IA doit être entrainée sur des données spécifiques pour comprendre les subtilités de la problématique attendue et apporter la plus haute valeur ajoutée possible. C’est aller au-delà du chat bot qui converse, mais qui ne sait pas répondre à des problématiques particulières métiers. C’est un prérequis pour les entreprises, maîtriser ses données est un incontournable. Un exemple parlant est celui de Google, qui n’hésite parfois pas à publier des algorithmes très innovants, qui fournit aussi les capacités cloud de calcul, mais gardent la maîtrise unique de leurs données qui ne sortent évidemment pas.
Le problème de gestion de la confidentialité est également important, il faut s’assurer que les données particulières d’une entreprise ne se soient pas divulguées aux concurrents à travers l’IA qui s’en est servi pour s’entraîner. Surtout dans des industries dans lesquelles la propriété intellectuelle et le savoir-faire sont uniques. Pourtant, il serait souvent bénéfique de mutualiser les données de multiples entreprises (quitte à spécialiser l’IA à chacune) pour obtenir une IA plus performante.
