Ce post fait partie de la série “Vivre avec l’IA” de Cours Technologie : Nous examinons l’état actuel de l’IA, explorons comment elle peut être utile (et comment elle ne peut pas l’être), et évaluons où cette technologie révolutionnaire va dans le futur. En savoir plus ici.
On ne vous en voudrait pas de penser que l’IA a vraiment décollé ces dernières années. Mais l’IA est en gestation depuis longtemps, incluant la majeure partie du 20ème siècle. Il est difficile de prendre un téléphone ou un ordinateur portable aujourd’hui sans voir un type de fonctionnalité d’IA, mais cela n’est dû qu’à des travaux qui remontent à près de cent ans.
Les débuts conceptuels de l’IA
Bien sûr, les gens se sont demandé si nous pouvions créer des machines qui pensent aussi longtemps que nous avons eu des machines. Le concept moderne vient d’Alan Turing, un mathématicien renommé, bien connu pour son travail sur le décryptage du code “indéchiffrable” produit par la machine Enigma de l’Allemagne nazie pendant la Seconde Guerre mondiale. Comme le souligne le New York Times, Turing a essentiellement prédit ce que l’ordinateur pouvait – et deviendrait – en l’imaginant comme “une machine pour toutes les tâches possibles.”
Toutefois, c’est ce que Turing a écrit dans “Computing Machinery and Intelligence” qui a changé les choses pour toujours : Le scientifique informatique a posé la question “Les machines peuvent-elles penser ?” mais a également soutenu que cette formulation était la mauvaise approche à adopter. Au lieu de cela, il a proposé une expérience de pensée appelée “Le Jeu de l’Imitation“. Imaginez que vous avez trois personnes : un homme (A), une femme (B), et un interrogateur, séparés dans trois pièces. L’objectif de l’interrogateur est de déterminer qui est l’homme et qui est la femme en utilisant uniquement une communication textuelle. Si les deux joueurs sont honnêtes dans leurs réponses, ce n’est pas une tâche si difficile. Mais si l’un ou l’autre décide de mentir, cela devient beaucoup plus difficile.
Mais le but du Jeu de l’Imitation n’est pas de tester la capacité de déduction d’un humain. Au lieu de cela, Turing vous demande d’imaginer une machine prenant la place du joueur A ou B. La machine pourrait-elle tromper efficacement l’interrogateur en lui faisant croire qu’elle était humaine ?
Donner un coup d’envoi à l’idée des réseaux de neurones
Turing a été l’étincelle la plus influente pour le concept d’IA, mais c’est Frank Rosenblatt qui a en fait donné un coup d’envoi à la pratique de cette technologie, même s’il n’a jamais vu celle-ci se concrétiser. Rosenblatt a créé le “Perceptron”, un ordinateur modélisé sur le fonctionnement des neurones dans le cerveau, avec la capacité de s’auto-apprendre de nouvelles compétences. L’ordinateur a un réseau de neurones à une seule couche et fonctionne de la manière suivante : Vous demandez à la machine de faire une prédiction sur quelque chose – par exemple, si une carte perforée est marquée à gauche ou à droite. Si l’ordinateur se trompe, il s’ajuste pour être plus précis. Après des milliers, voire des millions de tentatives, il “apprend” les bonnes réponses au lieu de devoir les prédire.
Cet agencement est basé sur les neurones : Vous avez une entrée, comme une information que vous souhaitez que l’ordinateur reconnaisse. Le neurone prend les données et, sur la base de ses connaissances antérieures, produit une sortie correspondante. Si cette sortie est incorrecte, vous dites à l’ordinateur, et ajustez le “poids” du neurone pour produire un résultat que vous espérez plus proche de la sortie souhaitée. Avec le temps, vous trouvez le bon poids, et l’ordinateur aura réussi à “apprendre”.
Malheureusement, malgré quelques tentatives prometteuses, le Perceptron ne pouvait tout simplement pas concrétiser les théories et les revendications de Rosenblatt, et l’intérêt pour lui et pour la pratique de l’intelligence artificielle s’est évaporé. Cependant, comme nous le savons aujourd’hui, Rosenblatt n’avait pas tort : sa machine était simplement trop simple. Le réseau de neurones du perceptron n’avait qu’une seule couche, ce qui n’est pas suffisant pour permettre un apprentissage machine sur une échelle significative.
De nombreuses couches rendent l’apprentissage machine efficace
C’est ce que Geoffrey Hinton a découvert dans les années 1980 : Alors que Turing posait l’idée et que Rosenblatt créait les premières machines, Hinton a propulsé l’IA dans son itération actuelle en théorisant que la nature avait déjà réussi l’IA basée sur des réseaux de neurones dans le cerveau humain. Lui et d’autres chercheurs, comme Yann LeCun et Yoshua Bengio, ont prouvé que les réseaux de neurones construits sur de multiples couches et un énorme nombre de connexions peuvent permettre l’apprentissage machine.
Au cours des années 1990 et 2000, les chercheurs ont lentement prouvé le potentiel des réseaux de neurones. LeCun, par exemple, a créé un réseau de neurones capable de reconnaître des caractères manuscrits. Mais cela avançait lentement : Bien que les théories soient justes, les ordinateurs n’étaient pas assez puissants pour traiter la quantité de données nécessaires pour voir le plein potentiel de l’IA. La loi de Moore a trouvé un moyen, bien sûr, et vers 2012, le matériel et les ensembles de données avaient avancé au point que l’apprentissage machine a décollé : Soudain, les chercheurs pouvaient entraîner des réseaux de neurones à faire des choses qu’ils n’avaient jamais pu faire auparavant, et nous avons commencé à voir l’IA à l’œuvre dans tout, des assistants intelligents aux voitures autonomes.
Et ensuite, fin 2022, ChatGPT a explosé, montrant à la fois aux professionnels, aux passionnés et au grand public ce que l’IA pouvait vraiment faire, et nous avons été sur une montagne russe depuis. Nous ne savons pas ce que l’avenir de l’IA nous réserve réellement : Tout ce que nous pouvons faire est de regarder combien la technologie a progressé, ce que nous pouvons en faire maintenant, et imaginer où nous allons à partir d’ici.
Vivre avec l’IA
Dans ce sens, jetez un œil à notre collection d’articles sur le vivre avec l’IA. Nous définissons les termes de l’IA que vous devez connaître, vous guidons à travers la construction d’outils d’IA sans avoir besoin de savoir coder, discutons de comment utiliser l’IA de manière responsable au travail, et discutons de l’éthique de la création d’art généré par l’IA.
